基于LOPA/SIL定級的化工設備報警系統優化設計與應用

摘 要 針對石油化工設備報警系統存在報警信息不準確、操作人員響應不及時的問題，基于保護層分析（LOPA）和SIL定級相結合的分析方法，識別已有保護措施降低風險的能力，結合實際生產提出工藝生產報警智能系統設計方案。為驗證該方案的可行性，以某工藝流程的化工設備報警功能設計和參數優化為例，表明經過優化的報警系統可以對脫乙烷塔低液位的初始事件進行修正，修正后的初始事件概率為0.13，財產損失風險降低因子（RRF）為75，SIL定級為SIL1。

關鍵詞 報警系統 化工設備 智能化 保護層分析 SIL定級

中圖分類號 TH862 " 文獻標志碼 B " 文章編號 1000-3932（2024）04-0725-05

石油化工行業的工藝流程具有復雜性和危險性［1］，因此在操作規范性方面具有較高的要求。為順應國家“十四五”計劃發展潮流，加強企業數字化到智能化的轉型，實現企業安全生產，運用智能化技術提高石油化工設備的安全性已迫在眉睫［2］。

在石油化工設備安全管理體系下，報警管理是一種降低風險以防止過程危險發生的有效方法，在維護安全方面發揮著重要作用。因此，將智能化技術應用于工藝生產報警系統中，對報警信息進行識別篩選，同時進行自動化操作以減少人員響應時間，不僅可以提高安全儀表系統（SIS）的安全完整性等級（SIL），還可以進一步滿足安全儀表功能（SIF）的完整性要求。

1 SIL定級和LOPA分析

IEC 61508和IEC 61511對SIS劃分了SIL，從低到高共分為SIL1～SIL4共4個等級［3，4］。對SIS的評估，就是對SIL的驗證。同時，SIF應具有相應的SIL。

SIL定級方法主要分為風險圖表法、風險矩陣法和保護層分析法（LOPA）。其中，LOPA是一種簡化定量風險評價方法，基于相對保守的規則對發生頻率、發生可能性以及發生后果的嚴重性進行評估，以進一步評估化工過程各種保護層的有效性，同時判斷風險是否在可接受范圍內，并根據差距確定是否采取減緩風險的措施。

在LOPA分析中，滿足一定前提條件時，關鍵報警加人員響應可作為獨立保護層，但目前存在兩個問題：一是報警的有效性得不到保證，即存在大量的無用報警信息，重要的報警信息可能被忽略，導致報警名存實亡；二是操作人員接收到報警信息后是否有足夠的響應時間，關鍵報警加人員響應可以作為獨立保護層，還需要滿足其他前提條件，例如，相關的測量儀表是否具有獨立性、有效性和可審查性，相關的執行機構是否具有獨立性、有效性和可審查性，都需要在管理層面進行評估并制定相關準則，單獨評估每個報警信息所需要的響應時間和響應方式，才能夠確定關鍵報警加人員響應能否作為獨立保護層進行LOPA分析，從而對SIL進行定級。

2 化工設備報警系統優化設計

化工設備報警智能化方案（圖1）為：通過先進傳感器、數據傳輸技術、智能算法等手段，實時監測和診斷設備的運行狀態，對工藝設備故障準確、高效地識別和處理，同時通過機器學習的方式找出故障位置、發生原因并向操作人員給出建議的解決方案來減少工藝設備的停機檢修時間，提高化工設備的利用效率和工藝的生產效率［5］。

2.1 數據獲取

建立廠區生產工藝環節數據平臺中心，利用傳感器和數據采集裝置全面采集來自工藝設備的信號，同時建立數據采集統一標準，為數據的存儲和分析奠定良好基礎。建立具有主動數據備份功能的分布式數據庫，采用目前主流的HDFS文件系統，保證數據的可讀性和可靠性［6］。

2.2 信號處理

由于噪聲干擾等影響，原始監測信號無法直接使用，需要進行信號處理，以突出故障信息。在信號降噪過程中，將時域信號轉換至其他空間，同時將不需要的信號歸零，隨后將信號轉換回時域空間，常見的方法有傅里葉變換（FT）、小波變換（WT）等。但這些方法需要預先確定奇函數，具有經驗性和局限性。

近年來，信號降噪算法得到了極大的發展，2002年，勝利油田與天津大學合作［7］開發了一種基于小波變換信號處理的負壓波泄漏檢測系統，并成功應用于臨濟線中，泄漏報警時間小于200 s，泄漏位置預測的最大誤差小于所測管長的2%；2014年，劉光曉等基于小波分析和盲源分離的方法處理聲波信號，并對比了兩種算法的降噪效果，結果表明，盲源分離降噪方法的信噪比為73.5，優于小波分析［8］。

2.3 特征提取

在對特征向量進行構造前，首先要提取敏感特征，以此區分各種故障。常用短時傅里葉變換（STFT）、WT和希爾伯特-黃變換（HHT）來分析信號本身的瞬時頻率，在最初的報警系統監測中，將采集到的參數構造成特征向量，輸入到分類器中識別故障信息［9］。在沒有噪聲的情況下，以上方法均可以識別故障信息，但當有噪聲存在時，這些方法對故障信息的識別精度并不高。近年來，故障識別常以信號的時域特征作為特征向量，包括信號的均值、方差、波形因子及脈沖因子等，除此以外，還將時域信號變換到其他空間中，以提取小波熵、EMD能量熵等特征參數。2014年，劉翠偉等基于HHT對音波信號進行了變換，并在勝利油田進行了現場試驗，通過三維平面譜得到了聲波信號的HHT特征［10］。

2.4 特征選擇

特征選擇包括數據降維和數據融合。對提取的特征向量進行降維和融合，可以方便計算實現可視化，并保留最有區分性的特征，從而提升分類效率、防止過擬合［11］。常見方法有主成分分析（PCA）、獨立成分分析（ICA）及t-分布隨機鄰域嵌入（t-SNE）等。2015年，劉嘯奔等通過提取信號方差、峰值因子等特征向量，使用PCA方法對其進行降維，再基于神經網絡的方法對調閥、停泵、啟泵和泄漏工況均進行了識別，得到了100%的識別率［12］。

2.5 故障分類

故障分類的本質是模式識別問題，可以通過機器學習的分類器加以實現，如人工神經網絡（ANN）、支持向量機（SVM）及極限學習機（ELM）等。2016年，焦敬品等結合BP神經網絡對聲信號進行了處理識別，識別率為92.5%［13］。

3 應用實例

化工設備報警系統的智能化優化方案可以篩選出錯誤報警信號，通過綜合分析各種參數，提高報警的有效性，同時利用大數據學習算法，基于歷史數據庫識別出發生的故障并給予操作人員可行的解決方案，從而降低關鍵報警加人員響應這一獨立保護層的失效概率，優化SIL定級［14］。

某煉化企業乙烷外輸干線超壓的LOPA/SIL定級分析情況見表1，其風險點為乙烷外輸干線出站高，后果為乙烷外輸干線及下游設備、管道破裂，天然氣泄漏，火災爆炸。

對于上游來氣壓力升高問題，可以使用流量計、壓力計的測量數據變化進行多模態融合，利用敏感特征判定事故發生。具體過程為：系統檢測到壓力升高，對流量參數進行判斷，同時結合上游數據判斷事故緣由，進而對操作人員進行報警，因此可以設置化工設備上游壓力高的初始事件IPL的PFD為0.1；同理，下游堵塞可以通過上下游流量差異及使用特定傳感器檢測壓力波，從而判斷下游堵塞工況，并準確無誤地對操作人員報警，因此可以設置化工設備下游堵塞或管道閥門誤關閉的初始事件IPL的PFD為0.1。作為IPL的壓力調節系統，結合智能化技術，可以通過壓力信號與其他關聯故障信號耦合，采用大數據智能分類算法判斷故障原因，從而更有效地調用壓力調節系統，因此設置化工設備壓力調節IPL的PFD為0.05。

采用優化后的化工設備報警系統對某脫乙烷塔低液位的初始事件進行修正，修正后的初始事件概率為0.13，財產損失RRF為75，定級為SIL1。報警系統優化前后的參數（初始事件概率、IPL的PFD、財產損失RRF、人員傷亡RRF、環境影響RRF和SZL定級）對比結果見表2。由表中數據可以看出，化工設備報警系統優化后，石油化工企業可以針對風險有更優化的管理，可以提高生產效率，節省管理成本。

4 結束語

LOPA分析是SIL定級的主流方法，與其他方法相比具有風險識別詳細準確的特點。在LOPA分析中，以關鍵報警加人員響應的方式作為獨立保護層，但其存在大量無用的報警信號，導致人員響應不足，進而影響其作為獨立保護層的功能。隨著智能化技術的發展，智能化方法與化工設備廣泛應用于工藝生產中。筆者基于先進傳感器、數據傳輸技術和智能算法，提出了一種化工設備報警系統優化設計方案，通過對報警數據的處理、清洗和分類，從而提高報警的有效性和人員對事故的可控性。將優化后的化工設備報警系統應用于某煉化企業乙烷外輸干線超壓的LOPA/SIL定級分析中，結果表明，該系統可對初始事件概率、SIL定級進行修正，并通過優化報警降低事故發生概率。

參 考 文 獻

［1］ 劉奎，申滿對.石油化工項目設計中初步工藝安全危害分析［J］.煉油技術與工程，2021，51（7）：69-72.

［2］ 黨昊馳.淺談石油化工智能化工廠在企業安全生產中的應用［J］.石油化工自動化，2021，57（S1）：107-110.

［3］ 鄧銳，劉美佳，平洋，等.安全儀表系統SIL定級及LOPA的應用研究［J］.石油化工自動化，2023，59（1）：57-60.

［4］ 范詠峰，唐彬.LOPA在石油化工裝置中的應用［J］.石油化工自動化，2021，57（3）：31-34.

［5］ 鄭蓉.基于測量參數的化工機械漏電故障排查方法研究［J］.化工機械，2021，48（3）：473-479.

［6］ 唐光艷.基于大數據與人工智能的大數據獲取方法研究［J］.電子技術與軟件工程，2021（11）：191-192.

［7］ 程家銘，張漢國.輸油管道負壓波法測漏原理及實現［J］.石油機械，2002，30（9）：28-30.

［8］ 劉光曉，孟令雅，劉翠偉，等.基于盲源分離技術的泄漏音波信號濾波方法分析［J］.振動與沖擊，2014，33（24）：192-199.

［9］ BELSITO S，ANDREUSSI P，BANERJEE S，et al.Leak detection in liquefied gas pipelines by artificial neural networks［J］.AIChE Journal，1998，44（12）：2675-2688.

［10］ 劉翠偉，李玉星，孟令雅，等.基于希爾伯特黃變換的輸氣管道泄漏音波時頻特性分析［J］.振動與沖擊，2014，33（16）：42-49.

［11］ 周立國，王勇，李明，等.基于多源數據融合的油氣管道診斷預警技術［J］.石油化工自動化，2022，58（5）：68-72.

［12］ 劉嘯奔，張宏，夏夢瑩，等.基于主成分分析和神經網絡的管道泄漏識別方法［J］.油氣儲運，2015，34（7）：737-740.

［13］ 焦敬品，李勇強，吳斌，等.基于BP神經網絡的管道泄漏聲信號識別方法研究［J］.儀器儀表學報，2016，37（11）：2588-2596.

［14］ 范宗海，賀文敏，冀曉舉，等.先進報警管理系統的設計實施與應用研究［J］.石油化工自動化，2018，54（1）：7-17.

（收稿日期：2023-07-17，修回日期：2024-05-31）