基于人工智能預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過程分為正常工況、非正常工況和事故工況［1］。當裝置工藝參數偏離正常運行范圍，DCS、SCADA 等工業控制系統閾值報警，提示現場人員裝置由正常工況轉變為非正常工況。若現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過人—機—過程—環境相互制約與影響［3］的復雜過程，大多數情況下都是緩慢發生的。非正常工況處置的效率和效果直接影響到裝置的平穩運行率。現有非正常工況預警技術的安全管控點，在工藝參數偏離正常范圍、控制系統報警之后，依靠操作人員綜合分析各報警參數的變化趨勢并判斷故障源，容易錯失最佳處理時間［4］。當操作人員處理安全屏障失效時，緊急停車系統啟動，甚者引發事故。

結合工業控制系統實時讀取及歷史查詢的數據庫，運用人工智能尋求一種新思路、新技術，在非正常工況初期表征、工業控制系統閾值報警關口之前，降低人為影響因素的非正常工況預警方式，推進安全管理關口前移，共同為凈化裝置的平穩運行保駕護航。

1 人工智能預警凈化裝置非正常工況的應用現狀

人工智能屬于“21 世紀三大尖端技術”［5］，隨著機器學習、神經網絡等人工智能的持續涌現與應用，實現了數據庫數據的提取、挖掘、分析、預警與決策指導，成功應用于金融、財務、醫學、食品、電力、煤礦等領域，引發了天然氣凈化企業的創新思考與探索。

近年來，國內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警研究。文獻［6］提出了脫硫塔差壓和液位特征參數構建的脫硫塔發泡模糊數學模型，比DCS 系統的報警時間提前了8min；文獻［7］提出了基于滑動窗口的脫硫塔壓差系數分析構建的發泡預警模型，實現了異常工況樣本庫相關系數值的比對預警等等。由于現有研究主要集中于人工智能的傳統模型，采用單個或兩個重要特征參數構建模型，因而存在模型特征參數未能全部涵蓋、預警誤報率高等問題。

2 基于人工智能預警目標的選取與運行分析

2.1 預警目標選取

脫硫溶液發泡是凈化裝置非正常工況最普遍發生的一種現象。胺液發泡造成脫硫處理能力下降，胺液再生不合格，產品氣凈化度不合格，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濟損失［8］。防止脫硫溶液發泡是凈化裝置面臨的主要問題之一，應該引起足夠的重視［9］。

凈化裝置DCS 控制系統，作為脫硫溶液發泡預警研究的數據庫，具有真實可靠、影響因素點位齊全、連續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、自控閥門等顯示、調節與控制的變化趨勢大多可從系統讀取。同時，操作人員崗位交接班、班組交接班記錄，對脫硫溶液發泡加注阻泡劑時間、操作處理措施、裝置恢復平穩運行時間等有相應記錄，可通過人工記錄與系統記錄兩種方式，對脫硫溶液發泡的形成與發生進行回溯與驗證。

因此選取具有代表性的脫硫溶液發泡作為非正常工況的預警目標，對磨溪天然氣凈化廠300×104m3／d凈化裝置脫硫溶液發泡進行預警應用研究。

2.2 預警目標的運行分析

凈化裝置脫硫溶液選擇性吸收原料天然氣中H2S、CH4等氣質組分，起到凈化天然氣的作用。在吸收塔、再生塔與原料氣發生氣液錯流接觸反應，產生大量且迅速破裂的氣泡，塔為氣液平衡狀態。當脫硫溶液表面產生的泡沫大量密集、細小且長時間不破裂時，一般認為脫硫溶液已經發泡［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

脫硫溶液發泡的形成是一個復雜的過程，引起發泡的主要因素有：原料氣攜帶的緩蝕劑、潤滑油脂等表面活性物質；原料氣帶入的Mg2＋、重烴類物質；裝置本身的腐蝕產物及硫化鐵、氫氧化鐵、活性炭粉末等固體顆粒；胺液降解產物和熱穩定性鹽；參數調整不平穩造成的氣液接觸速度太快、胺液攪動劇烈等［11－12］。

300×104m3／d 凈化裝置生產運行的現場經驗表明：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泡。但確認是否由于脫硫溶液發泡引起的裝置波動，需排除參數調整不平穩引起的擾動、超過裝置重力分離器分離能力，經由上游清管帶入的表面活性物質，同步查詢與觀察DCS 系統脫硫閃蒸罐閃蒸氣量增加、吸收與閃蒸液調閥閥位持續下降、酸氣流量明顯波動、再生塔頂溫度上升以及產品氣凈化度升高等歷史數據的變化趨勢，綜合分析多因素變化趨勢判斷引發原因。發泡嚴重時，裝置脫硫閃蒸氣量和閃蒸壓力急劇增加，閃蒸壓調閥閥位速增加，甚者閃蒸氣放空閥開啟降壓。當操作人員判斷溶液發泡且通過參數調整仍未能減緩發泡現象，需現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，參數回歸正常。

3 脫硫溶液發泡模型構建與應用［13］

3.1 預警模型構建

預警模型構建主要包括數據采集、數據處理、特征工程、特征選擇、算法模型等7 個方面。本文研究了5 種不同的數據預處理方法，4 種圖像化的方法，8 種數據挖掘方法，10 種標簽擴展方法，9 種特征提取方法和5 種模型算法后，形成的經過線下數據集訓練優化的理論最優模型。預警模型構建過程如圖2 所示。

圖2 預警模型構建步驟Fig.2 Steps of early warning model construction

3.1.1 數據采集、處理與挖掘

數據采集是模型構建的最重要步驟，依托于生產運行經驗、DCS 數據庫、崗位交接班等作為基礎數據。為提高大數據分析效率，篩選出與脫硫溶液發泡相關的27 維基礎數據維度，基礎數據采集維度見表1。回溯2017～2018 年崗位交接班中脫硫溶液發泡記錄，將明顯發泡且加注了阻泡劑消泡的記錄作為基礎數據，對照人工記錄的發泡時間點、人工干預點、消泡時間點回溯系統記錄，選取人工干預點前后72 h 為時間維度，從DCS 數據庫每1 s 進行一次數據采集。

表1 基礎數據采集維度Tab.1 Basic data acquisition dimension

脫硫溶液發泡是多因素融合過程，對27 維數據維度采用面向跨度為固定時長的數據窗口，分別構建三組特征，每維數據構建的三組特征參數見表2。形成窗口跨度45 min，648 維特征的新數據。

表2 每維數據構建的三組特征參數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，對上述構建的特征進行篩選。排除無關噪聲干擾及低相關性信息，最終選取89 維作為最終的訓練集進行模型訓練。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 算法模型與迭代調優

脫硫溶液發泡預警模型構建選取二元分類算法，對歷史明顯發泡且加注阻泡劑消泡的數據作為歷史樣本，采用神經網絡算法進行線下數據訓練。針對模型預警而裝置未發泡、模型未預警而裝置發泡的正負反饋模式的原因進行分析，探討裝置實際生產擾動、模型自身原因等進行權重調整、修正模型。線下模型的訓練樣本9 103 條，預測準確率97%，分類效果良好較人工記錄現場阻泡劑加注時間提前了12h 預警。線下判別結果見表4。

表4 線下判別結果Tab.4 Off－line discrimination

3.2 模型應用

脫硫溶液發泡預警模型實行實時數據監控、可視化數據顯示網頁模式，具備動態監測預警、預警跟蹤處理、趨勢展示、統計分析等功能。系統功能如圖3 所示。

圖3 脫硫溶液發泡預警系統功能Fig.3 Function on foaming of desulfurization solution system

當模型監測到影響脫硫溶液的因素有發泡趨勢時，通過網頁報警、手機推送兩種模式進行報警信息推送。授予登錄權限的操作人員，可在中控室接收到預警模型發出的預警聲音信號后，進行及時查看。操作人員、技術人員、管理人員也可在手機端接收到預警信息后，及時返回或通知在崗人員進行預警核實。操作人員通過“預警數據跟蹤處理”子模塊對預警信息進行跟蹤處理，記錄預警原因、處理過程和結果等，作為模型線上正負反饋驗證。

脫硫溶液發泡預警模型上線運行后，成功實現了4 次實時預警，實時預警發泡事件見表5。以2019 年4 月22 日成功預警事件為例：4 月22 日15：01 操作人員接收到預警系統報警信息后，加密關注再生塔、吸收塔差壓、液位，閃蒸氣量變化，閃蒸液調閥開度等參數變化趨勢；4 月23 日08：09 結合再生塔液位明顯波動、閃蒸氣量明顯增加、閃蒸液調閥開度降低等參數綜合分析，判斷溶液發泡攔液，09：43中控調整參數但趨勢無明顯變化，10：30 操作人員趕赴現場加注阻泡劑，12：39 參數回歸正常，發泡系統顯示如圖4 所示。

圖4 脫硫溶液發泡2019 年4 月22 日預警事件參數趨勢展示Fig.4 Trend display of early warning event parameters of desulfurization solution foaming on April 22，2019

表5 實時預警發泡事件Tab.5 Real time warning of foaming events

4 人工智能預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警，符合脫硫溶液發泡模型類似的多參數融合的緩慢形成過程及關聯參數數據庫等特點，凈化氣氣質不達標、脫硫溶液再生質量不達標、硫磺回收單元回壓偏高等非正常工況，可復用與遷移“脫硫溶液發泡預警模型”進行預警研究見表6。

表6 可復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濟技術與安全環保指標，如對各級轉化器的切換時間由經驗時間精準至轉化溫度控制，以提高硫磺回收單元硫收率；對主燃燒爐空氣與酸氣的經驗配風比，調節轉變為結合2：1 在線分析儀數據；尾氣灼燒爐排放數據等綜合分析控制，以降低尾氣SO2排放等，亦可借助于人工智能技術的新思路進行探索。

運用信息化和智能化服務工業生產、輔助生產決策，進一步構建“全面感知、自動操控、智能預測、輔助決策”的智能工廠。

5 結束語

運用人工智能技術，以磨溪天然氣凈化廠300萬裝置為例，構建并成功應用＂脫硫溶液發泡預警模型＂，模型對該天然氣凈化裝置的預警準確率可達97%，預警時間較工業控制系統閾值報警提前了12 h。此外，該模型應持續迭代優化，擴大溶液發泡歷史數據訓練集，強化有監督的學習反饋，進一步實現模型升級，提高預警準確率。

天然氣凈化裝置的其他非正常工況預警，符合多參數融合的緩慢形成過程、關聯參數數據庫等特點，可復用與遷移“脫硫溶液發泡預警模型”進行預警研究。天然氣凈化裝置的經濟技術指標或生產技術管理等，可借助人工智能技術新思路進行探索，進一步提升安全管理水平。