天然氣凈化廠過程風險監測預警模型構建方法研究

閻紅巧，曹瑜，吳順成，王順義，樊志強

(中國石油集團安全環保技術研究院有限公司，北京 102200)

0 引言

天然氣作為高效的清潔能源，應用市場廣闊。剛開采出的天然氣通常含有硫化氫、有機硫、二氧化碳、水及其他雜質，需對其進行凈化處理以滿足集輸要求，供用戶安全使用。保證天然氣凈化過程的安全平穩運行，是后續天然氣經營的基礎。目前，天然氣凈化廠生產運行風險管控主要依靠DCS 和SCADA 等控制系統閾值報警，安全聯鎖系統(SIS)和緊急聯鎖系統(ESD) 聯鎖和人工定期巡檢的方式來防范生產運行過程中的風險[1]。但這些方法存在以下問題：(1)控制系統報警泛濫，報警有效性較低，導致操作員無法及時準確響應而發生事故；(2) 消警處置和定期巡檢受現場人員的專業程度、主觀思維和經驗影響大，易因漏檢、誤判、誤操作、處置不及時而引發事故；(3)SIS系統、ESD 系統啟動會引起非計劃停機，導致生產力損失，生產運行成本增加。

生產運行風險預警是通過深層挖掘生產過程參數與事故先兆之間的關聯關系，構建表征風險的預警模型，實現在裝置發生事故之前甚至是發生非正常工況之前預警，及早告知操作人員及管理人員，為風險處置爭取更多時間，從而極大降低安全事故的發生和連帶損壞的風險，提升系統的可靠性[2]。中國石化安全工程研究院多次開展了石化裝置的生產過程風險的動態監測預警技術的研究。包括基于數據驅動的異常監測預警方法和基于專家系統的異常監測預警方法[3-6]。中石油也開展了特定場景的預警技術研究，包括采用故障分類模型開展注水泵異常預警、時間序列預測模型進行溢罐與剩余應急時間預警、二元分類算法進行脫硫塔發泡預警[7-8]。但這些研究主要聚焦某一特定場景進行建模研究，缺乏整體系統的建模思路研究，或僅從工藝與設備的角度進行簡單的劃分后分別選擇不同的建模方法，沒有闡明每種方法的適用條件和原因。本文結合天然氣凈化廠工藝和風險特點，進行系統的闡述和分析，形成完整的建模方法體系，為天然氣凈化廠全流程工藝風險預警建模方法的選擇提供指導，也可為類似的石化裝置建模提供思路和參考。

1 天然氣凈化廠工藝概況

1.1 天然氣凈化廠工藝流程

天然氣凈化廠主體工藝裝置包括過濾分離裝置、脫硫裝置、脫水裝置、硫磺回收裝置、尾氣處理裝置[9]，總體工藝過程如圖1 所示。原料天然氣首先通過過濾分離裝置脫除原料天然氣中的游離水和大部分機械雜質，再由脫硫過程脫除原料氣中的硫化物和部分二氧化碳，常用化學吸收劑甲基二乙醇胺(MDEA) 脫除，然后通過脫水裝置中的三甘醇溶液脫除氣體中的水分，減少管道和設備腐蝕，防止水合物的形成。凈化過程產生的酸性氣體由硫磺回收裝置進行處理和回收。最后還需尾氣處理裝置來凈化硫磺回收裝置排出的尾氣，保證污染物含量達到規定排放要求。

圖1 常規天然氣凈化廠工藝簡圖

1.2 天然氣凈化廠工藝特征分析

結合天然氣凈化廠工藝，分析得到天然氣凈化廠生產運行過程主要有以下特點[10-11]：

(1)原料氣具有易燃、易爆、有毒、腐蝕性。在生產運行過程中，若發生設備異常或操作失誤等問題，輕者導致產品不合格、裝置停機，嚴重時可能發生火災爆炸、人員中毒、傷亡等事故。

(2)凈化各個工藝過程均涉及高溫、高壓過程。若監測及防范不到位，極易發生火災、爆炸事故。

(3)凈化工藝過程復雜，涉及的設備、工藝流程、工藝參數、原料和產品多樣，整體耦合性強，一旦某處發生異常，容易導致連鎖效應，引發重大安全風險。

因此，有必要探索裝置異常發生前的特征和規律，建立系統性的預警建模思路，以便開展凈化廠全工藝流程的異常預警，實現動態的風險感知與預測，降低事故發生可能性，提升天然氣凈化廠生產運行過程風險管控水平。

2 模型構建方法分類

依據對建模場景的機理知識和數據的需求程度，常用的建模手段分別為機理建模、專家經驗建模、數據驅動建模和混合建模方法，下面簡述這些建模方法的特點。

機理建模[12-13]是利用能量、質量、動量守恒等各種物理化學原理來描述所研究的工藝場景的規律，模型的參數均具備明確的物理含義，最終形成參數的代數方程、微分方程、狀態方程等，從而明確參數之間的函數關系，過程如圖2 所示。通過這些數學表達式，可以精準把控工藝流程的物理化學特性與變化規律，并且能夠預測各個參數之間的變化關系。機理建模是最傳統的一種建模方法，在理論研究或者工程應用方面均有廣泛應用。

圖2 機理模型

專家知識模型是充分獲取長期從事生產運行實踐的專家積累的經驗知識，將其轉化成數學規則，建立規則模型，可大幅降低建模難度和模型計算量，過程如圖3 所示。專家知識模型適用于能獲得有大量生產經驗和工藝知識且在不斷實踐過程中被檢驗經驗可靠的專家知識[14]。

圖3 專家知識模型

隨著工業信息化的發展，工廠的DCS/SCADA 等系統不斷完善，產生了大量的生產運行數據。利用海量生產數據，融合統計學和機器學習等手段對數據進行利用，挖掘數據之間的關系，可建立數學驅動模型[15]，過程如圖4 所示。數據驅動建模無需掌握所研究的工藝場景的內部機理知識或參數間精確的數學表達式，重點是獲得研究對象的輸入輸出數據，進行擬合，該方法建模周期短、求解模型難度小、非線性擬合能力強。因此在解決機理、經驗知識不能解決的高階、非線性問題方面有較大的優勢。數據驅動建模方法包括傳統的統計學方法和機器學習方法。

圖4 數據驅動模型

通過分析上述建模方法的特征，總結以上3 種建模方法的優缺點，如表1 所示。

表1 常規建模方法對比

由表1 可知，三種方法也有各自的局限性，因此混合建模方法被提出。混合建模是將機理、專家經驗和數據驅動方法結合，利用先驗知識建立機理或專家經驗模型，再用數據驅動建模方法表達未知或難以描述的部分，集三者所長，共同完成模型構建，從而降低建模難度和過擬合風險，提高求解速度，并賦予參數物理意義，提高可解釋性和外推泛化能力[16]。

3 天然氣凈化廠生產運行風險預警建模

根據天然氣凈化廠工藝概況，得到天然氣凈化廠生產運行預警建模面臨的主要問題為：涉及多個工藝流程，物料數量、反應復雜程度差異大；現場運行專家經驗水平參差不齊；通過DSC/SCADA 系統能獲得大量的正常生產運行數據，但缺乏異常工況樣本。

從工程實際出發，預警建模方法應按圖5 所示進行選擇。根據本文第2 節可知，數據驅動建模方法作為黑箱模型，是快速簡單的模型構建方法，只要獲取海量的數據樣本，就可對任何復雜過程建模。但由于化工過程監管嚴格，工藝系統多數都在正常狀況下運行，因此異常樣本量不足，導致數據驅動模型的準確性和外推泛化能力不足，因此，需要在生產運行過程中不斷的積累樣本，最終實現采用數據驅動建模方法構建風險預警模型這一終極目標。目前，受制于樣本量，預警建模仍以過渡階段和主流方法為主，即采用機理建模、專家知識建模或者混合建模方法。

圖5 預警建模方法

當然，機理建模、專家知識建模和混合建模方法的選擇也需結合風險場景。本文結合西南油田某天然氣凈化廠的實際，開展凈化廠生產預警方法的深入探討和系統性分析。從保證模型構建的準確性與適用性的角度，將凈化廠預警場景進行歸類，分別進行預警建模方法的闡述并給出詳細示例，形成適用于凈化廠預警建模的方法體系，為快速開展凈化廠預警模型構建提供指導，提高建模效率，最終實現風險預警技術在天然氣凈化廠大幅推廣應用，達到整體提升凈化廠的安全管理水平的目標。

3.1 機理模型應用場景—以儲罐溢罐為例

儲罐作為常用的存儲設備，主要承擔存儲介質的作用，在生產運行過程中，僅存在介質的流入、流出，無其他物理化學反應。儲罐常見的風險為溢罐，因為進出口流量不匹配，導致液位持續上升，而此時液位監測儀表出現故障未及時報警處理，從而發生溢罐。將液位作為特征參數來表征儲罐溢罐，基于儲油罐DCS 系統實時監測數據，利用流體力學理論和體積平衡原理，結合進出口流量和液位變化速率，構建機理模型，實時分析判斷儲罐是否發生溢罐事件。

預警模型如下：

式(1)～式(2)中：H為實時監測液位值；H’為估算理論液位值；Hy為理論值與實際液位值的允許偏差；Q1為DCS 系統中進罐實時監測體積流量值；Q2為出罐實時監測體積流量值；t為分析判斷周期；S為罐體的截面積。

設儲油罐進口流量誤差為q1，出口流量誤差為q2，液位計誤差為h，理論液位值與實際監測液位的差值應將儀表誤差考慮在內，因此Hy應大于遠傳儀表誤差帶來的液位變化。

預警的目的是提前發現風險，及時處置。因此，儲罐溢罐的分析判斷周期t應小于現場操作人員的巡檢周期t0。

此外，由于儀表即液位計和流量計本身存在誤差，分析判斷周期也應考慮儀表誤差。

根據式(1)～式(4)，得到：

通過構建上述的機理模型，當實際測量值與預估值的差值超過了儀表誤差時，可進行預警，在儲罐發生泄漏的初期及時發現以將事件的風險降到最低。

表2 為模型驗證分析結果，結合現場液位計偏差和流量計偏差情況將閾值Hy設為5 mm，偏差小于5 mm，則認為儲罐未泄漏；若偏差值大于5 mm，則認為存在泄漏風險。從表2 中可知，此時儲罐處于正常運行范圍內，無溢罐風險。

表2 驗證分析結果表

表3 脫硫塔監測數據

對諸如儲罐溢罐這類場景，主要特點有：(1)涉及物理化學反應少甚至沒有理化反應；(2) 僅有一種狀態的工藝介質；(3)一個特征參數就可以表征其風險。對于此類場景，則可直接采用機理建模，只需引入簡單的機理方程，如質量守恒、能量守恒方程等，就可求得特征參數。在此類場景下，構建的機理模型不僅計算量小、準確度高、可解釋性強，還方便模型復用，使預警模型可以大范圍推廣應用。

3.2 專家經驗模型應用場景—以脫硫塔發泡為例

脫硫系統是天然氣凈化廠的核心工藝，其中脫硫塔為最核心設備之一。在生產運行過程中，脫硫塔異常發泡現象常發。根據脫硫塔的工藝可知，脫硫塔反應過程不僅包括含硫天然氣、甲基二乙醇胺(MDEA)溶液兩種主要的混合介質，還可能包含未除干凈的固體雜質。脫硫塔設備內部結構復雜，包括多層塔板、溢流管、除沫器和溢流堰等。脫硫塔異常發泡表現為脫硫塔中的漿液發生溢流。受制于脫硫塔復雜的設備結構和化學反應，難以采用機理模型對發泡過程進行表征。但因為脫硫塔發泡現象比較常見，使現場的操作人員積累了較成熟的經驗知識。當脫硫塔將要發生異常發泡時，脫硫塔差壓會偏離穩定值并逐漸增大，而脫硫塔液位會偏離穩定狀態并逐漸下降。因此，考慮根據獲取的專家經驗構建專家經驗模型。

選用脫硫塔差壓和液位這兩個特征參數來表征脫硫塔發泡。本例采用模糊評價方法將評價指標數據化，并依據不同指標對評價對象的影響程度來分配權重，實現脫硫塔發泡過程的量化分析，構建脫硫塔異常發泡預警模型[17]。

根據特征參數對發泡的影響程度，確定偏差程度和權重。采用升半矩形分布和降半矩形分布的隸屬度函數，將工況參數進行歸一化處理。脫硫塔“發泡”時差壓參數會偏離穩定值表現為增加趨勢，設為偏大型因素，采用升半矩形分布，液位被稱為偏小型因素，采用降半矩形分布。

計算偏大型因素的偏差程度的公式為：

式中：x為該參數的實測值；[xmin,xmax]為該參數的正常范圍；xH為報警高限值。

計算其偏小型因素的偏差程度的公式為：

式中：x為該參數的實測值；[xmin,xmax]為該參數的正常范圍；xL為報警低限值；xH為報警高限值。生產現場《化工裝置操作工藝卡》中明確規定了xH和xL的設定值。

液位權重計算公式如下：

差壓權重計算公式：

特征參數權重之和為1。

式(9)～式(11)中：vA為液位參數的變化速率；vB為差壓參數的變化速率；εA為液位參數的權重；εB為差壓參數的權重。

依據特征參數偏差程度計算，得到特征參數的偏差程度矩陣μi：

依據特征參數在設備異常狀態下的變化速率，得到特征參數的權重向量εi：

根據特征參數的偏差程度矩陣μi以及特征參數間的權值向量εi，計算表征脫硫塔異常“發泡”狀態預警模型為：

式中：i為某一種異常狀態；c1、c2、c3分別對應優、中、差3 個等級；βi為表征某一種異常狀態的量化指標，被稱為異常狀態置信度。

將預警模型應用于某天然氣凈化廠，收集異常發泡時差壓和液位的監測數據，計算得到液位參數權重εA為0.27，差壓參數權重εB為0.73。根據先驗知識，設備異常置信度β＞0.1 時即可確定脫硫塔發生異常“發泡”。

對比DSC 系統提醒和預警提醒的時間如表4 所示，發現預警時間比DCS 系統報警時間提前8 min，可達到過程安全管理關口前移的目的。

表4 各策略異常提醒區別

因此，對類似脫硫塔異常發泡的預警場景，主要特點有：(1) 涉及物理化學反應；(2) 包含多種狀態的工藝介質；(3) 風險的設備載體結構復雜；(4) 發生頻率高，風險發生后，容易提煉出工藝參數的變化特征，可依賴專家經驗；(5) 需要至少兩個及以上的特征參數來表征其風險。對此類場景，優先考慮獲取專家經驗，將專家經驗轉化成特征參數及參數間的關系規則，構建經驗模型，既保證了模型的可靠性，又減少了建模的工作量。

3.3 混合建模應用場景—以設備腐蝕預警為例

天然氣凈化過程中的容器、設備易因腐蝕導致器壁減薄，嚴重時會穿孔或失效，引發火災爆炸風險。但腐蝕機理、原因復雜多樣，受設備材質、生產運行環境、設備存儲或輸送的介質類型及工藝參數變化的影響，難以構建機理模型。另一方面，設備腐蝕是一個長期的過程，且在腐蝕初期，對設備的壓力、溫度影響不大，只能通過外觀觀測和設備壁厚監測來識別，即使是長期從事生產運行的專家也難以對腐蝕特征進行可靠的預測，難以獲取可靠的專家經驗。因此，考慮構建混合模型來開展設備腐蝕預警研究。

在設備生產運行過程中，會定期對設備的壁厚進行檢測，積累了一定的壁厚檢測數據。可通過這些數據，構建壁厚與時間變化的數據驅動模型，分析設備壁厚值隨時間的變化規律。然后結合設備承壓能力計算公式，推測設備承壓能力的變化情況，當實際操作壓力大于承壓能力時，及時發出預警信息。通過構建壁厚預測和承壓能力計算的混合模型，實現設備的腐蝕預警。

本文獲取了某凈化廠原料過濾器某點處的一組實際的壁厚測量值，如表5 所示，以此為例進行腐蝕預警研究。本方法是基于壁厚測量數據，未對腐蝕的各種影響因素展開分析。因此，該方法僅適用于均勻腐蝕的壽命預測，通常在容器各部位腐蝕狀態差別不大的情況下選用。預測實際上就是用過去和現在的數據作為樣本集，構建預測模型，對變量的未來行為狀態做出科學定量的估計。

表5 原料過濾器壁厚檢測數據

本文選用回歸方法來構建設備壁厚預測模型，分別使用一元線性回歸和指數回歸方法進行建模[18]。

一元線性回歸法的基本方程為：

式中：a、b分別為回歸系數；x為自變量時間；y為因變量預測值。

指數回歸方法的基本方程為：

使用上述方法擬合模擬設備的厚度變化趨勢并與預測結果進行對比驗證，選擇預測誤差最小的方法預測設備的厚度。然后再結合設備承壓能力計算公式，進行設備的腐蝕預警。設備承壓能力計算式如下：

式中：pc為計算壓力(MPa)；δ為壁厚(mm)；φ為焊接接頭系數；[σ]t為設計溫度下圓筒或球殼的計算壓力(MPa)；Di為筒體內徑(mm)；P為該設備的操作壓力。

當時pc＜P，進行預警，則給出降壓運行或增加設備強度提醒。

取表5 中前6 組數據為計算數據，第7 組數據為驗證數據。

一元線性回歸法得到的預測方程為：

指數回歸法得到的厚度預測方程為：

根據直線擬合厚度預測方程，可以得到2014 年4 月25 日的容器厚度應為14.195 mm；根據指數擬合得到的2014 年4 月25 日的預測值14.143 mm。顯然，直線擬合的誤差較低，應該采用直線擬合來預測設備的厚度。根據設備壁厚預測模型，再結合承壓能力機理模型，實時計算設備的承壓能力，并預測設備的失效時間，實現設備腐蝕風險預警。

因此，對類似設備腐蝕這類場景，主要特點有：(1) 涉及復雜的物理化學反應；(2) 受環境及工藝介質類型和參數變化影響大，影響風險發生的因素多，難以通過長期的運行操作經驗獲取風險運行規律；(3) 需要至少兩個及以上的特征參數來表征風險。對于此類場景，可考慮可建立混合模型。例如使用機理或經驗完成基礎模型搭建，數據驅動完成輔助參數計算、優化等工作，綜合機理/ 專家經驗和數據驅動的優勢，克服單個建模方法的不足，建立準確率高、預警效果佳的模型。

4 結語

開展生產運行風險預警研究是提高企業安全管理水平的重要手段，天然氣凈化廠也不例外。本文結合天然氣凈化廠工藝，形成覆蓋凈化工藝全流程的工藝風險預警建模方法體系。未來可參考本文推薦的建模思路，開展具體風險場景的預警模型構建與應用，以降低生產運行風險，提高凈化廠本質安全水平。此外，還可將本文的思路應用于其他石化工藝，開展生產運行預警模型構建。當然，在涉及數據驅動建模時，仍舊存在著樣本數據不足，模型的準確率具有不確定性的問題。因此，應通過持續的預警建模研究不斷積累樣本，并結合機器學習技術的不斷發展，探索優質高效的數據驅動建模方法。