基于Himmelblau算法的精餾塔故障診斷的數據濾波研究

史曉楠 田文德 武玉民

(青島科技大學化工學院，山東 青島 266042)

精餾塔是化工企業生產過程中應用廣泛的傳質設備，在化工行業有著很重要的地位[1]。因此精餾塔的故障診斷成為了化工生產的重要環節。目前，對精餾塔的診斷方法研究較多，Zhou D H和Hu Y Y將故障診斷方法整體分為定性分析方法和定量分析方法[2]。Tu Y L和He G G提出了一種基于專家系統的精餾塔故障診斷方法[3]。Darwisha N A和Hilalb N提出了一種應用Aspen Plus流程模擬軟件使用人工神經網絡方法在線診斷故障并尋找最優參數的方法[4]。田文德等提出了基于動態模擬構建精餾塔故障診斷的新方法，研究了故障檢測與診斷的具體步驟并分析了故障類型等因素對診斷結果的影響[5]。

筆者以TEP仿真流程中的汽提塔為例，在基于動態模擬故障診斷方法的基礎上提出了基于Himmelblau算法的精餾塔故障診斷數據濾波研究。該方法首先利用Himmelblau算法對化工過程大系統進行分解[6]，減少了計算量；然后利用中值濾波和提升小波分析相結合的方法去除分解后小系統的噪聲，減小了噪聲對計算結果的影響。兩種方法的結合不僅簡化了計算而且消除了噪聲在實際測量和傳輸過程中的影響。最后給出了故障診斷的結果，并進行了比較分析。

系統的分解就是將一個結構已定的系統分割成一些更小的次一級系統的方法。將系統的總目標分解成更小的系統目標，或者將階數、維數很大的系統的數學模型分解成階數、維數較小的子系統的數學模型。這種方法可以將高維的、不易求解的問題分解成若干低維的子問題，然后分別進行求解。

Himmelblau算法的步驟如下：

a. 在m×m事件矩陣M中選出非零元素最多的列k；

b. 保留M中k列內每個為零元素對應的行；k列中為1的元素所對應的行用布爾加法合并成一行排列在最后；得到新的j×m布爾矩陣記做M(0)；

c. 重復步驟b，從而得到序列{M,M(0),M(1),…,M(n)}。

最終得到矩陣M(n)，其每一列只含有一個非零元素，每一行與原方程系統中的不相關子系統對應。

2 基于中值濾波和提升小波分析的去噪方法

在過程工業中對數據信號進行實時采樣是很重要的環節，但是由于信號在傳輸過程中可能會受到高斯噪聲和粗大噪聲的影響，造成數據信號的偏差。因此，如何去除噪聲提取有用信號成為信息科學研究的焦點。筆者采用中值濾波和小波變換相結合的方法[7]，首先用中值濾波去除信號中的粗大噪聲，然后用小波變換對處理后的信號進行濾波去除高斯噪聲，得到降噪后的信號。

2.1 中值濾波

基于提升小波分析的去噪方法對去除高斯噪聲非常有效，但是對于去除粗大噪聲的效果并不理想，中值濾波可以有效地去除信號中的粗大噪聲。因此，首先用中值濾波的方法去除粗大噪聲，以增強后續去噪方法的魯棒性。

中值濾波法的定義如下：設一維窗口V的長度是l=2k+1，位于窗口中的輸入信號為xi-k,…,xi,…,xi+k，輸出為yi=media(xi-k,…,xi,…,xi+k)其中media為取中值函數。窗口的長度決定了去噪的效果，窗口長度過長會破壞原來信號的特征，太短則去噪效果不理想。

2.2 混合去噪信號處理

通過對中值濾波方法和提升小波分析方法的分析得到以下一般去噪過程：

a. 假設窗口長度為l，對窗口中的數據點進行中值濾波去除粗大噪聲。

b. 對去除了粗大噪聲的數據點用提升小波的方法分解n層。

3 基于數據去噪和系統分解的精餾塔故障診斷過程

一般對精餾塔的故障診斷是直接對DCS上采集的數據進行處理，忽略了噪聲的影響，造成結果不準確。筆者在研究了化工過程動態模擬的基礎上，結合基于中值濾波和提升小波分析的方法首先對采集來的數據進行去噪處理，然后根據Himmelblau算法對過程大系統進行分解，對分解之后的小系統進行故障診斷，并給出診斷結果。

以TEP仿真流程中的汽提塔為例進行研究。TEP中汽提塔的流程如圖1所示[8]。富含主產物G和H的液體被輸送到汽提塔的頂部，以主要含輕組分A和C的物流作為汽提流股從塔底部進入，將殘存的未反應組分A、C～E、惰性組分B和副產物F分離出來。

圖1 TEP汽提塔流程

TEP流程中共設置了21個故障，其中只有故障1、2、7、8和10與汽提塔有關[9]。系統在8h時引入故障7(物流C的壓差推動力發生階躍下降)，導致其流量大幅度下降，從而降低了汽提效果。圖2給出了故障診斷的計算結果，即物流C壓力損失系數的變化情況。

圖2 信號處理前故障7的診斷結果

圖2是沒有經過去噪過程和系統分解的診斷結果，由圖2可以看出，在8h故障發生以后，物流C的壓力損失系數開始大幅度下降，并最終穩定在0.73左右，雖然可以得出結論故障是由壓降推動力的降低所引起的，但是診斷結果并不理想。因此考慮在診斷之前進行系統分解和數據過濾。

利用Himmelblau算法對汽提塔大系統進行分解，可以得到3個不相關的系統，分別為塔頂進料部分、塔底進料部分、塔體和出料部分。其中只有塔底進料部分與進料壓強損失系數有關。因此，故障診斷過程只需對塔底進料部分的方程進行計算。這樣汽提塔大系統便得到了分解，計算過程也得到了簡化。最后，只需對分解后的小系統利用中值濾波和提升小波分析結合的方法濾波即可。圖3給出了分解濾波后的診斷結果。

圖3 信號處理后故障7的診斷結果

4 結束語

在動態模擬精餾塔故障診斷方法的基礎上，引入了基于Himmelblau算法和提升小波分析方法的精餾塔故障診斷，通過兩者的結合共同處理了TEP仿真流程中汽提塔的故障診斷問題。經兩次診斷結果對比可以看出，加了系統分解過程和去噪過程的故障診斷效果明顯較好，不僅大幅縮短了故障診斷的時間而且提高了精度，具有較好的實用性。

[1] EEMUA.Alarm Systems:a Guide to Design,Management and Procurement[M].London:Engineering Equipment and Materials Users’ Association,2007.

[2] Zhou D H，Hu Y Y.Fault Diagnosis Techniques for Dynamic Systems[J].Acta Automatica Sinica, 2009,35(6):748～756.

[3] Tu Y L, He G G.Expert System for Distillation Column Fault Diagnosis[J].Low Temperature and Specialty Gases,2006,24(5):26～29.

[4] Darwisha N A,Hilalb N.Sensitivity Analysis and Faults Diagnosis Using Artificial Neural Networks in Natural Gas TEG-dehydration Plants[J].Chemical Engineering Journal,2008,137(2):189～197.

[5] 田文德，王子平，孫素莉.基于動態模擬的精餾塔故障診斷[J].計算機與應用化學，2011,28(12):1569～1572.

[6] 鄢烈祥.化工過程分析與綜合[M].北京：化學工業出版社，2010.

[7] 高東，張貝克，吳重光.基于提升格式的過程數據在線去噪方法及其應用[J].計算機應用研究，2008,25(10):3198～3200.

[8] Venkatasubramanian V,Rengaswamy R,Yin K,et al.A Review of Process Fault Detection and Diagnosis Part I: Quantitative Model-based Methods[J].Computers and Chemical Engineering,2003,27(3):293～311.

[9] 蔣浩天.工業系統的故障檢測與診斷[M].北京：機械工業出版社，2003.