周斯雅，代 娟，曾思遜，任 挺，李 濤，王玉瓊

（1.中國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)偏離正常運行范圍，DCS、SCADA 等工業(yè)控制系統(tǒng)閾值報警，提示現(xiàn)場人員裝置由正常工況轉(zhuǎn)變?yōu)榉钦９r。若現(xiàn)場人員對非正常工況故障源分析或操作處置不及時、不正確時，將有可能演變成事故工況，造成不可挽回的后果。實踐證實，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)過人—機—過程—環(huán)境相互制約與影響［3］的復(fù)雜過程，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)運行率?，F(xiàn)有非正常工況預(yù)警技術(shù)的安全管控點，在工藝參數(shù)偏離正常范圍、控制系統(tǒng)報警之后，依靠操作人員綜合分析各報警參數(shù)的變化趨勢并判斷故障源，容易錯失最佳處理時間［4］。當(dāng)操作人員處理安全屏障失效時，緊急停車系統(tǒng)啟動，甚者引發(fā)事故。

結(jié)合工業(yè)控制系統(tǒng)實時讀取及歷史查詢的數(shù)據(jù)庫，運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，推進安全管理關(guān)口前移，共同為凈化裝置的平穩(wěn)運行保駕護航。

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 世紀三大尖端技術(shù)”［5］，隨著機器學(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，實現(xiàn)了數(shù)據(jù)庫數(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，國內(nèi)研究者運用人工智能，對天然氣凈化裝置非正常工況開展了預(yù)警研究。文獻［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)的報警時間提前了8min；文獻［7］提出了基于滑動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，實現(xiàn)了異常工況樣本庫相關(guān)系數(shù)值的比對預(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，采用單個或兩個重要特征參數(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)警誤報率高等問題。

2 基于人工智能預(yù)警目標的選取與運行分析

2.1 預(yù)警目標選取

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)濟損失［8］。防止脫硫溶液發(fā)泡是凈化裝置面臨的主要問題之一，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，具有真實可靠、影響因素點位齊全、連續(xù)變化趨勢實時與歷史查詢等功能。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)與控制的變化趨勢大多可從系統(tǒng)讀取。同時，操作人員崗位交接班、班組交接班記錄，對脫硫溶液發(fā)泡加注阻泡劑時間、操作處理措施、裝置恢復(fù)平穩(wěn)運行時間等有相應(yīng)記錄，可通過人工記錄與系統(tǒng)記錄兩種方式，對脫硫溶液發(fā)泡的形成與發(fā)生進行回溯與驗證。

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，對磨溪天然氣凈化廠300×104m3／d凈化裝置脫硫溶液發(fā)泡進行預(yù)警應(yīng)用研究。

2.2 預(yù)警目標的運行分析

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、細小且長時間不破裂時，一般認為脫硫溶液已經(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)泡的形成是一個復(fù)雜的過程，引起發(fā)泡的主要因素有：原料氣攜帶的緩蝕劑、潤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、胺液攪動劇烈等［11－12］。

300×104m3／d 凈化裝置生產(chǎn)運行的現(xiàn)場經(jīng)驗表明：脫硫吸收塔、再生塔的差壓以及液位明顯波動，初步判斷脫硫溶液已發(fā)泡。但確認是否由于脫硫溶液發(fā)泡引起的裝置波動，需排除參數(shù)調(diào)整不平穩(wěn)引起的擾動、超過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、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，綜合分析多因素變化趨勢判斷引發(fā)原因。發(fā)泡嚴重時，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啟降壓。當(dāng)操作人員判斷溶液發(fā)泡且通過參數(shù)調(diào)整仍未能減緩發(fā)泡現(xiàn)象，需現(xiàn)場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 種標簽擴展方法，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)運行經(jīng)驗、DCS 數(shù)據(jù)庫、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)，對照人工記錄的發(fā)泡時間點、人工干預(yù)點、消泡時間點回溯系統(tǒng)記錄，選取人工干預(yù)點前后72 h 為時間維度，從DCS 數(shù)據(jù)庫每1 s 進行一次數(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)泡是多因素融合過程，對27 維數(shù)據(jù)維度采用面向跨度為固定時長的數(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 檢驗及卡方檢驗3 種方式，以樣本標簽為標準維度，對上述構(gòu)建的特征進行篩選。排除無關(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)練集進行模型訓(xùn)練。在3 種特征重要性評價方式下，整體評分較高的部分特征見表3。

表3 特征重要性評分較高的部分特征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)算法進行線下數(shù)據(jù)訓(xùn)練。針對模型預(yù)警而裝置未發(fā)泡、模型未預(yù)警而裝置發(fā)泡的正負反饋模式的原因進行分析，探討裝置實際生產(chǎn)擾動、模型自身原因等進行權(quán)重調(diào)整、修正模型。線下模型的訓(xùn)練樣本9 103 條，預(yù)測準確率97%，分類效果良好較人工記錄現(xiàn)場阻泡劑加注時間提前了12h 預(yù)警。線下判別結(jié)果見表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)警模型實行實時數(shù)據(jù)監(jiān)控、可視化數(shù)據(jù)顯示網(wǎng)頁模式，具備動態(tài)監(jiān)測預(yù)警、預(yù)警跟蹤處理、趨勢展示、統(tǒng)計分析等功能。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)測到影響脫硫溶液的因素有發(fā)泡趨勢時，通過網(wǎng)頁報警、手機推送兩種模式進行報警信息推送。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)警聲音信號后，進行及時查看。操作人員、技術(shù)人員、管理人員也可在手機端接收到預(yù)警信息后，及時返回或通知在崗人員進行預(yù)警核實。操作人員通過“預(yù)警數(shù)據(jù)跟蹤處理”子模塊對預(yù)警信息進行跟蹤處理，記錄預(yù)警原因、處理過程和結(jié)果等，作為模型線上正負反饋驗證。

脫硫溶液發(fā)泡預(yù)警模型上線運行后，成功實現(xiàn)了4 次實時預(yù)警，實時預(yù)警發(fā)泡事件見表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)閥開度等參數(shù)變化趨勢；4 月23 日08：09 結(jié)合再生塔液位明顯波動、閃蒸氣量明顯增加、閃蒸液調(diào)閥開度降低等參數(shù)綜合分析，判斷溶液發(fā)泡攔液，09：43中控調(diào)整參數(shù)但趨勢無明顯變化，10：30 操作人員趕赴現(xiàn)場加注阻泡劑，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)趨勢展示Fig.4 Trend display of early warning event parameters of desulfurization solution foaming on April 22，2019

表5 實時預(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)融合的緩慢形成過程及關(guān)聯(lián)參數(shù)數(shù)據(jù)庫等特點，凈化氣氣質(zhì)不達標、脫硫溶液再生質(zhì)量不達標、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”進行預(yù)警研究見表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舉例Tab.6 Reusable and transferable of other abnormal situation of natural gas purification plant

同時，擬進一步提升裝置的經(jīng)濟技術(shù)與安全環(huán)保指標，如對各級轉(zhuǎn)化器的切換時間由經(jīng)驗時間精準至轉(zhuǎn)化溫度控制，以提高硫磺回收單元硫收率；對主燃燒爐空氣與酸氣的經(jīng)驗配風(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)的新思路進行探索。

運用信息化和智能化服務(wù)工業(yè)生產(chǎn)、輔助生產(chǎn)決策，進一步構(gòu)建“全面感知、自動操控、智能預(yù)測、輔助決策”的智能工廠。

5 結(jié)束語

運用人工智能技術(shù)，以磨溪天然氣凈化廠300萬裝置為例，構(gòu)建并成功應(yīng)用＂脫硫溶液發(fā)泡預(yù)警模型＂，模型對該天然氣凈化裝置的預(yù)警準確率可達97%，預(yù)警時間較工業(yè)控制系統(tǒng)閾值報警提前了12 h。此外，該模型應(yīng)持續(xù)迭代優(yōu)化，擴大溶液發(fā)泡歷史數(shù)據(jù)訓(xùn)練集，強化有監(jiān)督的學(xué)習(xí)反饋，進一步實現(xiàn)模型升級，提高預(yù)警準確率。

天然氣凈化裝置的其他非正常工況預(yù)警，符合多參數(shù)融合的緩慢形成過程、關(guān)聯(lián)參數(shù)數(shù)據(jù)庫等特點，可復(fù)用與遷移“脫硫溶液發(fā)泡預(yù)警模型”進行預(yù)警研究。天然氣凈化裝置的經(jīng)濟技術(shù)指標或生產(chǎn)技術(shù)管理等，可借助人工智能技術(shù)新思路進行探索，進一步提升安全管理水平。