基于人工智能預(yù)警天然氣凈化裝置非正常工況

周斯雅，代 娟，曾思遜，任 挺，李 濤，王玉瓊

（1.中國(guó)石油西南油氣田公司 川中油氣礦凈化科，四川 遂寧 629000；2.中國(guó)石油西南油氣田公司 川中油氣礦科技科，四川 遂寧 629000；3.中國(guó)石油西南油氣田公司 川中油氣礦磨溪天然凈化廠，四川 遂寧 629000；4.中國(guó)石油西南油氣田公司 川中油氣礦信息管理部，四川 遂寧 629000）

0 引言

天然氣凈化裝置的生產(chǎn)過(guò)程分為正常工況、非正常工況和事故工況［1］。當(dāng)裝置工藝參數(shù)偏離正常運(yùn)行范圍，DCS、SCADA 等工業(yè)控制系統(tǒng)閾值報(bào)警，提示現(xiàn)場(chǎng)人員裝置由正常工況轉(zhuǎn)變?yōu)榉钦９r。若現(xiàn)場(chǎng)人員對(duì)非正常工況故障源分析或操作處置不及時(shí)、不正確時(shí)，將有可能演變成事故工況，造成不可挽回的后果。實(shí)踐證實(shí)，70%的事故是由人為因素造成的［2］。

天然氣凈化裝置非正常工況的形成是經(jīng)過(guò)人—機(jī)—過(guò)程—環(huán)境相互制約與影響［3］的復(fù)雜過(guò)程，大多數(shù)情況下都是緩慢發(fā)生的。非正常工況處置的效率和效果直接影響到裝置的平穩(wěn)運(yùn)行率。現(xiàn)有非正常工況預(yù)警技術(shù)的安全管控點(diǎn)，在工藝參數(shù)偏離正常范圍、控制系統(tǒng)報(bào)警之后，依靠操作人員綜合分析各報(bào)警參數(shù)的變化趨勢(shì)并判斷故障源，容易錯(cuò)失最佳處理時(shí)間［4］。當(dāng)操作人員處理安全屏障失效時(shí)，緊急停車系統(tǒng)啟動(dòng)，甚者引發(fā)事故。

結(jié)合工業(yè)控制系統(tǒng)實(shí)時(shí)讀取及歷史查詢的數(shù)據(jù)庫(kù)，運(yùn)用人工智能尋求一種新思路、新技術(shù)，在非正常工況初期表征、工業(yè)控制系統(tǒng)閾值報(bào)警關(guān)口之前，降低人為影響因素的非正常工況預(yù)警方式，推進(jìn)安全管理關(guān)口前移，共同為凈化裝置的平穩(wěn)運(yùn)行保駕護(hù)航。

1 人工智能預(yù)警凈化裝置非正常工況的應(yīng)用現(xiàn)狀

人工智能屬于“21 世紀(jì)三大尖端技術(shù)”［5］，隨著機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能的持續(xù)涌現(xiàn)與應(yīng)用，實(shí)現(xiàn)了數(shù)據(jù)庫(kù)數(shù)據(jù)的提取、挖掘、分析、預(yù)警與決策指導(dǎo)，成功應(yīng)用于金融、財(cái)務(wù)、醫(yī)學(xué)、食品、電力、煤礦等領(lǐng)域，引發(fā)了天然氣凈化企業(yè)的創(chuàng)新思考與探索。

近年來(lái)，國(guó)內(nèi)研究者運(yùn)用人工智能，對(duì)天然氣凈化裝置非正常工況開(kāi)展了預(yù)警研究。文獻(xiàn)［6］提出了脫硫塔差壓和液位特征參數(shù)構(gòu)建的脫硫塔發(fā)泡模糊數(shù)學(xué)模型，比DCS 系統(tǒng)的報(bào)警時(shí)間提前了8min；文獻(xiàn)［7］提出了基于滑動(dòng)窗口的脫硫塔壓差系數(shù)分析構(gòu)建的發(fā)泡預(yù)警模型，實(shí)現(xiàn)了異常工況樣本庫(kù)相關(guān)系數(shù)值的比對(duì)預(yù)警等等。由于現(xiàn)有研究主要集中于人工智能的傳統(tǒng)模型，采用單個(gè)或兩個(gè)重要特征參數(shù)構(gòu)建模型，因而存在模型特征參數(shù)未能全部涵蓋、預(yù)警誤報(bào)率高等問(wèn)題。

2 基于人工智能預(yù)警目標(biāo)的選取與運(yùn)行分析

2.1 預(yù)警目標(biāo)選取

脫硫溶液發(fā)泡是凈化裝置非正常工況最普遍發(fā)生的一種現(xiàn)象。胺液發(fā)泡造成脫硫處理能力下降，胺液再生不合格，產(chǎn)品氣凈化度不合格，同時(shí)引起霧沫夾帶，大量醇胺溶液隨氣流被帶走，造成一定的溶劑損耗和經(jīng)濟(jì)損失［8］。防止脫硫溶液發(fā)泡是凈化裝置面臨的主要問(wèn)題之一，應(yīng)該引起足夠的重視［9］。

凈化裝置DCS 控制系統(tǒng)，作為脫硫溶液發(fā)泡預(yù)警研究的數(shù)據(jù)庫(kù)，具有真實(shí)可靠、影響因素點(diǎn)位齊全、連續(xù)變化趨勢(shì)實(shí)時(shí)與歷史查詢等功能。工藝流程涉及到的主要工藝參數(shù)、自控閥門等顯示、調(diào)節(jié)與控制的變化趨勢(shì)大多可從系統(tǒng)讀取。同時(shí)，操作人員崗位交接班、班組交接班記錄，對(duì)脫硫溶液發(fā)泡加注阻泡劑時(shí)間、操作處理措施、裝置恢復(fù)平穩(wěn)運(yùn)行時(shí)間等有相應(yīng)記錄，可通過(guò)人工記錄與系統(tǒng)記錄兩種方式，對(duì)脫硫溶液發(fā)泡的形成與發(fā)生進(jìn)行回溯與驗(yàn)證。

因此選取具有代表性的脫硫溶液發(fā)泡作為非正常工況的預(yù)警目標(biāo)，對(duì)磨溪天然氣凈化廠300×104m3／d凈化裝置脫硫溶液發(fā)泡進(jìn)行預(yù)警應(yīng)用研究。

2.2 預(yù)警目標(biāo)的運(yùn)行分析

凈化裝置脫硫溶液選擇性吸收原料天然氣中H2S、CH4等氣質(zhì)組分，起到凈化天然氣的作用。在吸收塔、再生塔與原料氣發(fā)生氣液錯(cuò)流接觸反應(yīng)，產(chǎn)生大量且迅速破裂的氣泡，塔為氣液平衡狀態(tài)。當(dāng)脫硫溶液表面產(chǎn)生的泡沫大量密集、細(xì)小且長(zhǎng)時(shí)間不破裂時(shí)，一般認(rèn)為脫硫溶液已經(jīng)發(fā)泡［10］。300×104m3／d 裝置脫硫單元工藝流程如圖1 所示。

圖1 300×104m3／d 裝置脫硫單元工藝流程圖Fig.1 Process flow diagram of fesulfurization unit of Purification plant

脫硫溶液發(fā)泡的形成是一個(gè)復(fù)雜的過(guò)程，引起發(fā)泡的主要因素有：原料氣攜帶的緩蝕劑、潤(rùn)滑油脂等表面活性物質(zhì)；原料氣帶入的Mg2＋、重?zé)N類物質(zhì)；裝置本身的腐蝕產(chǎn)物及硫化鐵、氫氧化鐵、活性炭粉末等固體顆粒；胺液降解產(chǎn)物和熱穩(wěn)定性鹽；參數(shù)調(diào)整不平穩(wěn)造成的氣液接觸速度太快、胺液攪動(dòng)劇烈等［11－12］。

300×104m3／d 凈化裝置生產(chǎn)運(yùn)行的現(xiàn)場(chǎng)經(jīng)驗(yàn)表明：脫硫吸收塔、再生塔的差壓以及液位明顯波動(dòng)，初步判斷脫硫溶液已發(fā)泡。但確認(rèn)是否由于脫硫溶液發(fā)泡引起的裝置波動(dòng)，需排除參數(shù)調(diào)整不平穩(wěn)引起的擾動(dòng)、超過(guò)裝置重力分離器分離能力，經(jīng)由上游清管帶入的表面活性物質(zhì)，同步查詢與觀察DCS 系統(tǒng)脫硫閃蒸罐閃蒸氣量增加、吸收與閃蒸液調(diào)閥閥位持續(xù)下降、酸氣流量明顯波動(dòng)、再生塔頂溫度上升以及產(chǎn)品氣凈化度升高等歷史數(shù)據(jù)的變化趨勢(shì)，綜合分析多因素變化趨勢(shì)判斷引發(fā)原因。發(fā)泡嚴(yán)重時(shí)，裝置脫硫閃蒸氣量和閃蒸壓力急劇增加，閃蒸壓調(diào)閥閥位速增加，甚者閃蒸氣放空閥開(kāi)啟降壓。當(dāng)操作人員判斷溶液發(fā)泡且通過(guò)參數(shù)調(diào)整仍未能減緩發(fā)泡現(xiàn)象，需現(xiàn)場(chǎng)加注適量阻泡劑消泡，一般加注后10～20 min 左右消泡效果明顯，參數(shù)回歸正常。

3 脫硫溶液發(fā)泡模型構(gòu)建與應(yīng)用［13］

3.1 預(yù)警模型構(gòu)建

預(yù)警模型構(gòu)建主要包括數(shù)據(jù)采集、數(shù)據(jù)處理、特征工程、特征選擇、算法模型等7 個(gè)方面。本文研究了5 種不同的數(shù)據(jù)預(yù)處理方法，4 種圖像化的方法，8 種數(shù)據(jù)挖掘方法，10 種標(biāo)簽擴(kuò)展方法，9 種特征提取方法和5 種模型算法后，形成的經(jīng)過(guò)線下數(shù)據(jù)集訓(xùn)練優(yōu)化的理論最優(yōu)模型。預(yù)警模型構(gòu)建過(guò)程如圖2 所示。

圖2 預(yù)警模型構(gòu)建步驟Fig.2 Steps of early warning model construction

3.1.1 數(shù)據(jù)采集、處理與挖掘

數(shù)據(jù)采集是模型構(gòu)建的最重要步驟，依托于生產(chǎn)運(yùn)行經(jīng)驗(yàn)、DCS 數(shù)據(jù)庫(kù)、崗位交接班等作為基礎(chǔ)數(shù)據(jù)。為提高大數(shù)據(jù)分析效率，篩選出與脫硫溶液發(fā)泡相關(guān)的27 維基礎(chǔ)數(shù)據(jù)維度，基礎(chǔ)數(shù)據(jù)采集維度見(jiàn)表1?；厮?017～2018 年崗位交接班中脫硫溶液發(fā)泡記錄，將明顯發(fā)泡且加注了阻泡劑消泡的記錄作為基礎(chǔ)數(shù)據(jù)，對(duì)照人工記錄的發(fā)泡時(shí)間點(diǎn)、人工干預(yù)點(diǎn)、消泡時(shí)間點(diǎn)回溯系統(tǒng)記錄，選取人工干預(yù)點(diǎn)前后72 h 為時(shí)間維度，從DCS 數(shù)據(jù)庫(kù)每1 s 進(jìn)行一次數(shù)據(jù)采集。

表1 基礎(chǔ)數(shù)據(jù)采集維度Tab.1 Basic data acquisition dimension

脫硫溶液發(fā)泡是多因素融合過(guò)程，對(duì)27 維數(shù)據(jù)維度采用面向跨度為固定時(shí)長(zhǎng)的數(shù)據(jù)窗口，分別構(gòu)建三組特征，每維數(shù)據(jù)構(gòu)建的三組特征參數(shù)見(jiàn)表2。形成窗口跨度45 min，648 維特征的新數(shù)據(jù)。

表2 每維數(shù)據(jù)構(gòu)建的三組特征參數(shù)Tab.2 Three sets of characteristic parameters constructed via each dimensional data

3.1.2 特征工程與特征選擇

采用pearson 相關(guān)度、f 檢驗(yàn)及卡方檢驗(yàn)3 種方式，以樣本標(biāo)簽為標(biāo)準(zhǔn)維度，對(duì)上述構(gòu)建的特征進(jìn)行篩選。排除無(wú)關(guān)噪聲干擾及低相關(guān)性信息，最終選取89 維作為最終的訓(xùn)練集進(jìn)行模型訓(xùn)練。在3 種特征重要性評(píng)價(jià)方式下，整體評(píng)分較高的部分特征見(jiàn)表3。

表3 特征重要性評(píng)分較高的部分特征Tab.3 The high importance score of features

3.1.3 算法模型與迭代調(diào)優(yōu)

脫硫溶液發(fā)泡預(yù)警模型構(gòu)建選取二元分類算法，對(duì)歷史明顯發(fā)泡且加注阻泡劑消泡的數(shù)據(jù)作為歷史樣本，采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行線下數(shù)據(jù)訓(xùn)練。針對(duì)模型預(yù)警而裝置未發(fā)泡、模型未預(yù)警而裝置發(fā)泡的正負(fù)反饋模式的原因進(jìn)行分析，探討裝置實(shí)際生產(chǎn)擾動(dòng)、模型自身原因等進(jìn)行權(quán)重調(diào)整、修正模型。線下模型的訓(xùn)練樣本9 103 條，預(yù)測(cè)準(zhǔn)確率97%，分類效果良好較人工記錄現(xiàn)場(chǎng)阻泡劑加注時(shí)間提前了12h 預(yù)警。線下判別結(jié)果見(jiàn)表4。

表4 線下判別結(jié)果Tab.4 Off－line discrimination

3.2 模型應(yīng)用

脫硫溶液發(fā)泡預(yù)警模型實(shí)行實(shí)時(shí)數(shù)據(jù)監(jiān)控、可視化數(shù)據(jù)顯示網(wǎng)頁(yè)模式，具備動(dòng)態(tài)監(jiān)測(cè)預(yù)警、預(yù)警跟蹤處理、趨勢(shì)展示、統(tǒng)計(jì)分析等功能。系統(tǒng)功能如圖3 所示。

圖3 脫硫溶液發(fā)泡預(yù)警系統(tǒng)功能Fig.3 Function on foaming of desulfurization solution system

當(dāng)模型監(jiān)測(cè)到影響脫硫溶液的因素有發(fā)泡趨勢(shì)時(shí)，通過(guò)網(wǎng)頁(yè)報(bào)警、手機(jī)推送兩種模式進(jìn)行報(bào)警信息推送。授予登錄權(quán)限的操作人員，可在中控室接收到預(yù)警模型發(fā)出的預(yù)警聲音信號(hào)后，進(jìn)行及時(shí)查看。操作人員、技術(shù)人員、管理人員也可在手機(jī)端接收到預(yù)警信息后，及時(shí)返回或通知在崗人員進(jìn)行預(yù)警核實(shí)。操作人員通過(guò)“預(yù)警數(shù)據(jù)跟蹤處理”子模塊對(duì)預(yù)警信息進(jìn)行跟蹤處理，記錄預(yù)警原因、處理過(guò)程和結(jié)果等，作為模型線上正負(fù)反饋驗(yàn)證。

脫硫溶液發(fā)泡預(yù)警模型上線運(yùn)行后，成功實(shí)現(xiàn)了4 次實(shí)時(shí)預(yù)警，實(shí)時(shí)預(yù)警發(fā)泡事件見(jiàn)表5。以2019 年4 月22 日成功預(yù)警事件為例：4 月22 日15：01 操作人員接收到預(yù)警系統(tǒng)報(bào)警信息后，加密關(guān)注再生塔、吸收塔差壓、液位，閃蒸氣量變化，閃蒸液調(diào)閥開(kāi)度等參數(shù)變化趨勢(shì)；4 月23 日08：09 結(jié)合再生塔液位明顯波動(dòng)、閃蒸氣量明顯增加、閃蒸液調(diào)閥開(kāi)度降低等參數(shù)綜合分析，判斷溶液發(fā)泡攔液，09：43中控調(diào)整參數(shù)但趨勢(shì)無(wú)明顯變化，10：30 操作人員趕赴現(xiàn)場(chǎng)加注阻泡劑，12：39 參數(shù)回歸正常，發(fā)泡系統(tǒng)顯示如圖4 所示。

圖4 脫硫溶液發(fā)泡2019 年4 月22 日預(yù)警事件參數(shù)趨勢(shì)展示Fig.4 Trend display of early warning event parameters of desulfurization solution foaming on April 22，2019

表5 實(shí)時(shí)預(yù)警發(fā)泡事件Tab.5 Real time warning of foaming events

4 人工智能預(yù)警非正常工況的意義及方向

天然氣凈化裝置的其它非正常工況預(yù)警，符合脫硫溶液發(fā)泡模型類似的多參數(shù)融合的緩慢形成過(guò)程及關(guān)聯(lián)參數(shù)數(shù)據(jù)庫(kù)等特點(diǎn)，凈化氣氣質(zhì)不達(dá)標(biāo)、脫硫溶液再生質(zhì)量不達(dá)標(biāo)、硫磺回收單元回壓偏高等非正常工況，可復(fù)用與遷移“脫硫溶液發(fā)泡預(yù)警模型”進(jìn)行預(yù)警研究見(jiàn)表6。

表6 可復(fù)用與遷移的凈化裝置其它非正常工況與指標(biāo)舉例Tab.6 Reusable and transferable of other abnormal situation of natural gas purification plant

同時(shí)，擬進(jìn)一步提升裝置的經(jīng)濟(jì)技術(shù)與安全環(huán)保指標(biāo)，如對(duì)各級(jí)轉(zhuǎn)化器的切換時(shí)間由經(jīng)驗(yàn)時(shí)間精準(zhǔn)至轉(zhuǎn)化溫度控制，以提高硫磺回收單元硫收率；對(duì)主燃燒爐空氣與酸氣的經(jīng)驗(yàn)配風(fēng)比，調(diào)節(jié)轉(zhuǎn)變?yōu)榻Y(jié)合2：1 在線分析儀數(shù)據(jù)；尾氣灼燒爐排放數(shù)據(jù)等綜合分析控制，以降低尾氣SO2排放等，亦可借助于人工智能技術(shù)的新思路進(jìn)行探索。

運(yùn)用信息化和智能化服務(wù)工業(yè)生產(chǎn)、輔助生產(chǎn)決策，進(jìn)一步構(gòu)建“全面感知、自動(dòng)操控、智能預(yù)測(cè)、輔助決策”的智能工廠。

5 結(jié)束語(yǔ)

運(yùn)用人工智能技術(shù)，以磨溪天然氣凈化廠300萬(wàn)裝置為例，構(gòu)建并成功應(yīng)用＂脫硫溶液發(fā)泡預(yù)警模型＂，模型對(duì)該天然氣凈化裝置的預(yù)警準(zhǔn)確率可達(dá)97%，預(yù)警時(shí)間較工業(yè)控制系統(tǒng)閾值報(bào)警提前了12 h。此外，該模型應(yīng)持續(xù)迭代優(yōu)化，擴(kuò)大溶液發(fā)泡歷史數(shù)據(jù)訓(xùn)練集，強(qiáng)化有監(jiān)督的學(xué)習(xí)反饋，進(jìn)一步實(shí)現(xiàn)模型升級(jí)，提高預(yù)警準(zhǔn)確率。

天然氣凈化裝置的其他非正常工況預(yù)警，符合多參數(shù)融合的緩慢形成過(guò)程、關(guān)聯(lián)參數(shù)數(shù)據(jù)庫(kù)等特點(diǎn)，可復(fù)用與遷移“脫硫溶液發(fā)泡預(yù)警模型”進(jìn)行預(yù)警研究。天然氣凈化裝置的經(jīng)濟(jì)技術(shù)指標(biāo)或生產(chǎn)技術(shù)管理等，可借助人工智能技術(shù)新思路進(jìn)行探索，進(jìn)一步提升安全管理水平。