基于慢特征分析的初餾塔故障預警研究

王鶴瑩，陳夕松，遲 慧，梅 彬，段 佳

（1.東南大學自動化學院，江蘇南京 210096；2.南京富島信息工程有限公司，江蘇南京 210061）

常減壓蒸餾是煉廠龍頭裝置，而初餾塔作為常減壓蒸餾的首道工序，一旦發生故障，會對后續裝置穩定運行產生不利影響[1]，對該環節進行故障預警已引起業界高度重視。

基于數據驅動的故障預警方法近年來已成為工業過程監控中的研究熱點。以主成分分析（Principal Component Analysis，PCA）、偏最小二乘（Partial Least Square，PLS）為代表的數據驅動故障檢測方法，往往通過捕捉方差最大、變化最快的成分來檢測故障[2]。然而，實際工業過程中測量數據包含多種高頻噪聲和擾動，極易造成誤報或漏報。慢特征分析（Slow Feature Analysis，SFA）能夠通過抽象出系統緩慢的變化，將工業過程更具本質的信息表征出來[3]，非常適合于流程工業這類具有緩慢變化特征的場合。初餾塔作為典型的流程工業過程，其工況復雜，易受外界干擾。本文研究將SFA 應用于初餾塔過程的故障預警，抽取出初餾塔中最具本質的變化而非變化最劇烈的特征，并采用滾動選取訓練集的方法，以及連續多個統計量同時超限后進行預警的方式，以降低噪聲和擾動的影響，提升裝置的預警性能。

1 慢特征分析原理

SFA 是一種從矢量輸入信號中學習不變或緩慢變化特征的方法，它能夠學習并提取非相關特征，并按照其緩慢程度進行排序，提取出系統最本質的特征[4]。其基本原理概括如下：

約束條件為：

在實際的應用過程中，一般可以使用線性SFA，得到一組緩慢程度由大到小排列的特征，其中變化最慢的特征更能體現系統的本質特性，而變化最快的往往代表著噪聲信號[5]。

首先，對原始數據進行標準化處理，并對其協方差矩陣進行特征值分解，即：

令P=WQ-1，可將慢特征寫作：

接著，由式（2）、式（3）可知：

可以計算：

由式（3）可知：＜ssT＞t=I，則PPT=I，即P 為正交矩陣，且模型的目標為最小化，此時問題的求解可轉化為求解正交矩陣P，具體為對進行特征值分解，即：

最終，可以計算目標矩陣W：

由此，可以利用矩陣W 將原始數據映射為多個按照緩慢程度排列的慢特征。

2 基于SFA 的初餾塔故障預警研究

初餾塔是原油蒸餾的首道工序，受原油密度、含水量等變化，運行過程中極易發生以沖塔為代表的多種故障[6]，對該裝置進行故障及時預警對煉化后續裝置的整體穩定運行意義重大。下面以初餾塔沖塔為例，應用SFA 對其進行故障預警。

2.1 沖塔預警設計步驟

對初餾塔沖塔進行預警，首先需要建立沖塔故障預警模型，然后應用該模型進行實時監測。

其中，預警模型建立過程主要包括如下步驟：

Step1：根據初餾塔結構，分析傳感器位置，選取測量變量：x1x2…xm；

Step2：滾動選取待測時刻前一段時間正常蒸餾過程的樣本，共計N 個時刻；

對U0的每一列進行零均值和單位方差處理，得到矩陣U；

Step4：根據式（10）求取變換矩陣W；

Step5：選取前M 個慢特征，并計算控制限：

式（11）和式（12）中，M 為提取的特征數，N 為樣本總數，α 為置信度為自由度為M 的χ2分布在水平α 上的上側分位數，FM，N-M，α表示自由度為M 和NM 的F 分布在水平α 上的上側分位數。

在建立好故障預警模型后，使用該模型對初餾塔蒸餾過程進行實時監測，步驟如下：

Step1：選取當前時刻及其前2 個時刻的樣本，構造待測樣本；

甲氨蝶呤代謝酶基因多態性在類風濕關節炎治療中的研究進展……………………… 曹 智，束 慶，姚 瑤，等（2·115）

Step2：使用訓練集U0的列均值和方差對待測樣本進行預處理，得到預處理后的待測樣本；

Step3：使用W 矩陣對待測樣本進行變換并提取前M 個特征；

Step4：根據訓練集樣本計算前M 個慢特征的變化快慢程度λi（i=1，2，…M），組成對角陣Λ2=diag（λ1，λ2，…λM）；

Step5：計算初餾塔蒸餾過程中當前時刻的T2和S2統計量：

Step6：若連續多個時刻T2和S2統計量都超過控制限，則表明發生了故障，進行預警；同樣，監測到故障后，若連續多個時刻T2和S2統計量都未超過控制限，則結束預警。

2.2 應用案例研究分析

本文以某煉油企業年加工原油1 000×104t 的常減壓裝置為例來加以分析。由于該企業原油加工種類多，性質變化頻繁，沖塔故障時有發生。下面以2018 年11月18 日該企業發生的一次初餾塔沖塔故障為例，分析SFA 的預警作用。

結合該企業傳感器的安裝情況，選取與沖塔故障相關的7 個變量：初餾塔進料壓力、初餾塔進料溫度、初餾塔頂壓力、初頂冷回流量、初頂油孔板流量、初頂油氣后冷器出口溫度、初餾塔頂初頂油溫度。為避免工況變化帶來的誤報，采用滾動選取訓練集的方法，選取待測日期前4 天即11 月14 日到11 月17 日的數據，采樣間隔為1 min，共計5 759 個樣本構造訓練集。將訓練集進行標準化后求取變換矩陣W，變換后的前9個慢特征（見圖1），這些特征的變化程度由慢到快。本文中，選取前7 個慢特征用于故障監測。

設置置信度α=0.95，根據式（11）、式（12），可計算控制限：

T2和S2統計量監控結果（見圖2）。在18 時前后較長時間段，兩個統計量T2和S2都明顯超限，表明已監測到故障。為避免誤報和漏報，本例采用連續10 個時刻持續超限則開始預警的方式。由圖3 可見，在16：40時系統觸發報警，相較于17：50 時人工發現沖塔故障，該方法預警時間足足提前了70 min。如果采用PCA 方法進行分析，系統將在16：50 開始報警，即本文方法的預警時間更加提前，為及時發現故障并采取措施爭取了更多的寶貴時間（見圖3）。

可見，采用SFA 技術能夠對初餾塔沖塔這類故障起到較好的預警作用，可幫助企業及時發現潛在風險，提前采取措施，這對穩定生產、保障安全具有十分重要的意義。

圖1 前9 個慢特征變量

圖2 兩個統計量監測結果

圖3 預警結果

3 結論

本文將慢特征分析技術應用于初餾塔故障預警，并以沖塔這一典型故障為例，分析了該方法在初餾塔故障預警上的實現過程。采用滾動選取訓練集的方式，結合T2和S2兩個指標同時監測初餾塔的運行過程，并通過連續多個時刻同時越限進行預警的方式，顯著降低了誤報率。案例分析表明，該方法能夠有效預警初餾塔沖塔等這一類工業過程的故障，為初餾塔故障在線監測提供了一種解決方案。