中煤陕西榆林能源化工有限公司 陕西榆林 719000
摘要：提出了基于双层机器学习的动态精馏过程故障检测和分离的方法，检测的阈值为正常工况训练的网络输出值与样本的残差。通过对比网络预测值和实测值的偏差检测故障，检测到故障时，启动另一网络对动态过程自适应拟合异常工况数据。网络的预测值与实测值的偏差小于阈值时，拟合成功。通过对两个网络进行结构解析找到造成输出变量异常波动的输入变量。将该方法运用到脱丙烷精馏塔中，检测出过程中的故障，并分离出与故障源相关的变量，表明该方法准确、有效。
关键词：机器学习；动态精馏过程；故障检测与分离；网络结构解析
1 前言
精馏塔是石化生产中应用广泛的分离设备，具有大量过程变量、被控变量及可操作变量，变量间关联程度高，过程非线性、惯性、滞后性及塔内组分分布不均匀等因素给正常生产和操作管理带来安全隐患，精馏塔故障诊断成为化工安全生产的必要环节。
2 动态精馏过程故障诊断
2.1 动态诊断过程
精馏过程中操作条件对应一定的塔顶、塔底采出液浓度。当神经网络将操作条件作为输入变量，并将塔顶、塔底采出液浓度作为输出变量进行训练后，输入变量和输出变量之间存在一定的函数关系。构建两个结构相同的网络B1与B2，权与阈值的初始值均来自正常工况时样本数据的训练，工况异常时网络预测值会偏离实测值。若B2自适应拟合异常的输出变量，由于系统外在变化可认为由模型参数变化导致，网络的权、阈值改变，使输入变量与输出变量之间的关系发生变化。解析两个网络的权、阈值可计算出每个输入变量对输出变量的函数关系变化，检测故障和分离变量。
2.2 小波神经网络构建与优化
为实现上述动态诊断过程，要求神经网络能快速、准确地输出预测值进行检测，这需要降低现场采集的数据噪声，本工作用小波神经网络[10]降噪。采用遗传算法（GA）双层优化：（1）在确定输入变量组合及网络结构后，对网络的权、阈值进行优化；（2）在最优参数时，将网络输入变量的组合与输出变量的关联程度作为优化对象，用于变量降维，得到最优的输入变量组合，防止出现过拟合。每次得到输入变量组合后，网络的整体结构发生变化，使前后对网络性能评价的参数环境不一致，还需优化权、阈值，保证网络在最佳参数下运行。
2.3 网络结构解析
在完成对异常工况的检测后，开始对2个网络进行结构解析.解析过程如图1所示。
图1小波神经网络结构
3 故障检测与诊断
为验证基于优化神经网络动态模拟的诊断方法的可行性，通过设置脱丙烷塔的再沸器热蒸汽供应中断故障说明的诊断过程如图2所示。
图2含量响应曲线
加入故障后，塔顶的C4含量及塔底的C2/C3含量都超出了规定最小浓度，此时通过对比两图中的实测值和预测值进行检测，可较直观地辨识故障是否发生。
图3（a）为塔顶C4组分的误报数据图，由图可见，绝大部分数据点的偏差都在残差值范围内，计算的塔顶C4组分检测的误报率为4。63%。
图3（b）为塔顶C2/C3组分的误报数据图，由图可见，数据的偏差基本在零左右，对塔底C2/C3组分检测的误报率为0.93%。以残差作为响应阈值，不存在漏报率。
图3塔顶C4组分及塔底C2/C3组分误报率
在实现故障检测后，将输入变量经由网络B2自适应拟合后输出，其预测值2与实测值的偏差重新回到阈值范围内。
对网络进行结构解析，得到12个输入变量的比重值，排序得到表1。
表1输入变量比重值排序表
由表可知，对于该异常工况，有4个变量与其它变量相差较大，分别是塔顶温度、塔底温度、塔内液位和回流罐液位。
对这4个变量分别作故障发生前后的响应曲线，如图4所示。
图4分离的变量响应曲线
当故障加入时，精馏塔塔底温度骤降，同时塔内的液位骤升。这是由于塔底再沸器热供应中断，导致塔内温度下降，塔底料液不能受热汽化分离而使液位上升。此过程中塔顶回流量和采出量都保持不变，由于回流罐液位未得到足够的塔顶冷凝液体补充而下降，这导致全塔偏离稳态、塔顶温度下降。可见神经网络的结构解析对诊断具有良好的指导作用。
该方法的不足之处在于并未给出筛选排序后的输入变量的标准，而仅依靠人为干预分离变量。
4 结束语
提出了基于双层机器学习对动态精馏过程进行故障检测和分离的方法，并将其用于脱丙烷塔测试。得到如下结论：
优化后的小波神经网络对精馏模型具有较好的拟合效果，采用遗传算法双层优化的网络可有效地处理非线性、高维度及噪声较大的化工过程，二者的结合可明显提高检测的辨识效果。
验证了利用两个网络模型进行对比诊断的有效性。提出的网络结构解析方法除能检测故障是否发生外，还能准确对与故障相关的输入变量排序，实现具有物理意义的变量分离。
参考文献
[1]田文德 于子平 孙素莉.基于动态模拟的精馏塔故障诊断[J].计算机与应用化学.2011（12）
[2]熊丹桂.精馏塔故障分析及诊断讨论[J].中国石油和化工标准与质量.2013（08）
论文作者:朱军
论文发表刊物:《建筑学研究前沿》2017年第18期
论文发表时间:2017/12/7
标签：变量论文; 精馏论文; 塔顶论文; 网络论文; 故障论文; 阈值论文; 神经网络论文; 《建筑学研究前沿》2017年第18期论文;