S Zorb裝置閉鎖料斗異常偵測管理系統
陶興文1，齊萬松2，李陽1，馬曉華1
(1. 北京賽普泰克技術有限公司 北京 100012)
(2. 中國石油化工股份有限公司洛陽分公司二聯合車間 河南洛陽 471012)
摘要：閉鎖料斗異常偵測管理軟件系統是基于S Zorb裝置閉鎖料斗部分的生產工藝和控制流程，建立裝置的工藝模型，結合現場操作經驗和數據診斷算法，能夠實時的對閉鎖料斗的異常工況進行預警、報警、診斷、分析，并針對異常工況提供優化操作指導。增強了閉鎖料斗安全性和可操控性，節約人力成本，提高生產效率。
關鍵詞：S Zorb;閉鎖料斗;異常偵測;智能生產;優化控制
中圖分類號：(作者本人填寫)文獻標識碼：A
Anomaly Detection Management System for Lockhopper of S Zorb Unit
Tao Xingwen 1, Qi Wansun, Li Yang, Maxiaohua 2
(1. SEPTEC Technologies Pte Ltd, Beijing, 100012, China;
2. Sinopec Luoyang Petrochemical Complex, Luoyang, 471012, China)
Abstract：An Anomaly Detection Management system has been developed for Lockhopper ofS Zorb unit to achieve optimal and safe operation.By using real-time process data from LMS system, the system provides a lot of information on process abnormal conditions and also many useful tool to get early detection on many equipment problems. Data processing technologies, fault-diagnosis technology, and process modeling technique are applied in the system. Better control of S Zorb unit, better equipment up-time were achieved.
Keywords:S Zorb;lockhopper;intelligent decision support;fault-diagnosis, process model, optimization control
1. 概 述
S Zorb催化汽油吸附脫硫裝置(簡稱S Zorb裝置)采用中國石化S Zorb專利技術，該技術基于吸附作用原理選擇性的吸附汽油中含硫化合物中的硫原子而達到脫硫目的，與選擇性加氫脫硫相比，該技術具有脫硫率高、辛烷值損失小、氫耗低、操作費用低的優點。目前中國已建成投產及正在新建的S Zorb裝置總數超過16套，能夠將催化裂化的汽油硫含量脫至10mg/kg以下，與選擇性加氫脫硫相比，S Zorb脫硫技術具有脫硫率高、辛烷值損失小、氫耗低、操作費用低的優點，已經成為中國汽油質量升級的主要技術手段，具有良好的市場競爭力和發展前景。
裝置結構如圖1所示，S Zorb裝置主要包括進料與脫硫反應、吸附劑再生、吸附劑循環和產品穩定四個部分，藝流程介紹如下：
1)催化裂化產生的汽油進入反應器，發生流化床吸附脫硫反應，脫硫后的汽油經空冷、水冷后去穩定塔產出精制汽油產品;
2)為了維持吸附劑的活性，使裝置能夠連續操作，需要將反應氫系統中吸附了汽油中硫的吸附劑(以下簡稱待生劑)通過閉鎖料斗送入低壓氧系統氧化成活性較高的吸附劑(以下簡稱再生劑)。這個流程為：吸附了汽油中硫的待生劑從反應器一側的T型口溢出，進入到反應器接收器，反應器接收器中的待生劑由于受到壓差和重力的作用，進入到閉鎖料斗中。待生劑在閉鎖料斗中經N2吹掃后進入到再生進料罐，然后進入再生器中，并與再生器中的氧氣發生氧化反應生成具有較高吸附活性的再生劑。再生器中生成的再生劑被送入到再生接收器，并通過差壓和重力的作用進入到閉鎖料斗，再生劑在閉鎖料斗內經N2吹掃后進入還原器接收器，在還原器接收器中經過H2的吹掃和調壓，最終進入到反應器內。完成一次吸附劑的循環過程[1]。
圖1 S Zorb裝置結構簡圖
閉鎖料斗是吸附劑循環的“心臟”，它控制著吸附劑在反應系統和再生系統的循環速率。并實現吸附劑在這兩個系統之間氫氧環境的隔離。閉鎖料斗的控制對S Zorb裝置的安全和正常運行至關重要，其運行步序和操作由閉鎖料斗控制系統自動控制完成。
2. 閉鎖料斗在生產中存在的問題
閉鎖料斗運行的環境工況復雜，儀表和閥門活動頻繁，可能導致閉鎖料斗運行異常的自身因素約為42個，一旦吸附劑循環系統出現問題，需要較長時間才能恢復到正常狀態，其運行工況對吸附劑活性的影響是一個長滯后的過程。此外，閉鎖料斗對S Zorb裝置控制精度和安全性要求也較高。目前閉鎖料斗在運行過程中主要存在以下幾個問題：
1)閉鎖料斗系統中使用了分析儀、壓力、溫度、流量等20多臺檢測儀表，用于監測閉鎖料斗復雜多變的工況。儀表的可靠性問題將影響到閉鎖料斗的控制與運行，嚴重時會導致連鎖停車。需要對這些儀表進行故障偵測，發現問題時，及時預警，防止不必要的誤控制操作[2]。
2)閉鎖料斗系統通過控制30多個程控閥的開和關完成吹掃、沖壓、泄壓、裝料、排料等動作。在高頻度，高苛刻度的運轉狀態下，閉鎖料斗出現故障的頻率相對較高。容易導致閉鎖料斗程序故障、管線堵塞等問題[3]。
3)工藝的變化或調節閥故障等原因可能導致關鍵控制回路的控制性能下降或參數震蕩等問題，造成潛在的操作安全隱患。
4)閉鎖料斗采用順序控制的運行方式，一共有9個運行步驟，工藝參數隨運行步驟的變化而改變，統一設定一組報警參數無法適用于所有步序下的工況。
3. 閉鎖料斗異常偵測管理系統的設計
閉鎖料斗異常偵測管理系統是針對閉鎖料斗裝置在生產中存在的問題而開發的智能化軟件系統，軟件基于windows平臺開發，采用C++語言編寫，屬于閉鎖料斗控制系統的第三方管理軟件，但不會影響DCS系統的安全和穩定。軟件的底層結構中包含OPC客戶端和實時數據庫，通過OPC技術與DCS系統進行數據交換。軟件內部編寫的工藝模型計算和數據診斷算法，能夠對閉鎖料斗控制系統進行實時的預警、報警、故障偵測，并輔助優化操作等功能。閉鎖料斗智能化操作管理系統軟件結構如圖2所示。
圖2 閉鎖料斗異常偵測管理系統結構示意圖
3.1 軟件主要功能
軟件要有7個功能模塊：儀表報警和診斷模塊、控制回路性能報警和診斷模塊、KPI偵測預警和診斷模塊、連鎖預警模塊和診斷模塊、軟儀表模塊、報警事件記錄和統計模塊、歷史數據查詢模塊。各模塊的設計原理和功能介紹如下：
3.1.1 儀表報警和診斷模塊。
軟件對閉鎖料斗28臺關鍵儀表單獨設定報警參數，操作人員可以根據儀表測量誤差和實際工況進行調節報警上下限、滯后和死區等參數。當產生報警后，程序自動在提示欄里列出導致該報警的可能原因和消除報警的方法。這些原因可以由操作人員增加、刪除和修改。
3.1.2 控制回路性能報警和診斷模塊。
該模塊主要用來評估每個運行步序的工況。程控閥是閉鎖料斗的關鍵儀器，程控閥由PID控制器控制，當程控閥出現異常或管線堵塞時，對應控制回路的性能會變差。因此，對不同工況下的控制回路的性能進行實時評估和報警監控是有必要的。評估的計算方法主要為通過計算控制器偏差累積值進行判斷，輔助計算為流量補償算法和濾波算法。當控制器偏差累積值超過報警上限后，控制器產生報警，同時提示產生報警的原因和消除報警的操作建議。
3.1.3 循環步序性能計算評估KPI模塊。
閉鎖料斗運行過程中可能出現的閥門故障、管線堵塞、授料困難等異常工況，采用單一的儀表實時測量值不容易判斷。軟件根據閉鎖料斗工藝流程，結合多臺檢測儀表的測量值計算出能夠直接表征這些異常工況的KPI計算值，當出現這些異常工況后，軟件產生KPI預警/報警提示，同時給出導致異常的原因和消除報警的操作建議。此外，軟件還增加了綜合KPI預警提示功能，通過判斷當前工況儀表測量值的“異常度”，預測并評估當前測量值是否正在變得異常，如果“異常度”超過限定值，則產生預警提示，表示當前工況正在變得異常。
3.1.4 連鎖預警。
對容易引發閉鎖料斗連鎖報警的5個地方，軟件設計了相應的KPI判斷方法。能夠在閉鎖料斗出現連鎖停車前及時得到報警信息，盡早調整裝置，避免出現重大損失。
3.1.5 報警事件記錄和統計。
軟件產生的報警事件將全部保存到數據庫中，方便操作人員離線查看和評估裝置歷史運行狀況。在軟件界面中增加了報警統計功能，可以自動統計裝置一段時間內的報警記錄，并按照報警累計時長或累計次數排列，找出一段時間報警時間最長或報警次數最多的位號。
3.1.6 軟儀表。
閉鎖料斗氣體管線由于組分的變化，氣體流量儀表測量值誤差普遍較大，通過設計在線軟儀表進行校正，能夠顯著減小測量誤差。為操作人員調節裝置提供參考。
3.1.7 歷史數據查詢。
閉鎖料斗的儀表測量值和KPI計算值都自動保存到數據庫，可以同時選擇多個位號的數據生成二維坐標圖，供操作人員進行對比分析。
3.2 智能化異常偵測技術
軟件主要基于工藝裝置機理模型的狀態觀測技術和儀表、設備、工藝的故障偵測技術而開發的先進操作管理系統。
先進異常偵測管理模塊采用了基于知識的推理技術用于管理生產中的異常工況，該模塊內嵌了常見的專家系統法、模糊診斷法、人工神經網絡法、以及基于嚴格機理動態工藝模型的異常偵測推算方法，異常偵測知識庫可以采用多種不同的方式來組織，包括故障樹、故障字典、專家系統等。
3.2.1 過程數據處理方法
在實際DCS數采過程中發現石化裝置現場儀表測量值與工藝實際值之間存在一定的偏差。部分數據既不能直接用于生產調度、計劃優化、質量管理等部門做決策數據，也不能直接用作生產車間質量跟蹤、能量管理等過程。需要發現儀表故障，進行相應數據處理，提供加工處理后的高質量數據。
過程變量采集、處理與故障檢查的過程一般是從DCS中讀取診斷系統所用過程變量，存放于實時和歷史數據庫中。并對過程變量的量程、零點、單位、流量補償等參數進行調整或換算，采用判斷數據品質、替換準則、濾波等技術手段，對過程變量進行故障檢測，提供故障信息[7]。
數據處理的目的是保證數據準確和防止測量出現誤差。測量數據存在隨機誤差和過失誤差，這些誤差大大降低了數據的有效性。隨機誤差受隨機因素的影響，如操作過程的微小波動，或者測量信號的噪聲等。過失誤差來源于非偶然因素的發生，如測量儀表的故障，校正不準，或基準漂移，測量設備失靈等。所以測量數據首先需要偵破和剔除有過失誤差的測量數據，然后采用數據處理方法如數據分類、參數估計、誤差偵破、方差估計和有序規則分類等方法得到可直接使用的高質量數據。
3.2.2 基于機理模型的狀態觀測與異常偵測
通常工藝過程中設置很多控制回路，系統中不太嚴重的工藝異常就會由于控制回路反饋的調整而顯示不出誤差的存在，因此傳統的信號偵測不能滿足越來越復雜的工業實際生產的需要。
基于機理模型的方法應用在線系統辨識技術來實時地為系統建立動態數學模型，當系統中存在故障時，該工藝機理模型的輸入輸出關系就會改變，通過觀測系統數學模型的參數變化，便能判定系統是否存在異常工況或故障。
3.2.3 基于知識的方法
對于本身結構比較復雜、工況多變、故障機理也較為復雜的系統，如果能夠通過對系統進行細致的故障機理分析并得到相應的各種異常偵測知識，則可以采用基于知識的異常偵測方法來處理。傳統的基于知識的異常偵測方法包括故障樹、故障字典、專家系統等，對于特定的應用問題，這些方法往往可以相互結合，以便獲得更好的異常偵測效果。人工神經網絡因具有非線性、容錯性和并行性等特點，為解決異常偵測專家系統存在的上述問題提供了有效的途徑。在知識獲取上，神經網絡的知識不需要由工程人員整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或范例來訓練神經網絡。神經網絡系統的知識獲取與專家系統相比，既具有更多的時間效率，又能保證更高的質量。在知識表示中，神經網絡采取隱式表示。它在知識獲取的同時，自動產生的知識由網絡的結構及權值表示，并將某一問題的若干知識表示在同一網絡中，通用性強，便于實現知識的自動獲取和并行聯想推理。
3.2.4 基于統計模型的技術
由于化工生產過程是一個非常復雜、多變的過程，生產系統在長期運行和生產負荷中會不可避免地發生各種故障，降低生產效率，導致設備損壞、生產停滯，甚至會危及操作人員的自身安全，因而過程故障監測已成為化工生產中安全保護系統的重要組成部分，主元分析方法(PCA)已廣泛應用于監視多變量過程。
主元分析法的基本思路是：尋找一組新變量來代替原變量，新變量是原變量的線性組合。從優化的角度看，新變量的個數要比原變量少，并且最大限度地攜帶原變量的有用信息，且新變量之間互不相關。其內容包括主元的定義和獲取，以及通過主元的數據重構[6]。
主元分析的主要目的是提取隱藏在變量X中的相關信息，然后用于預測變量Y的值，然后對變量Y產生預警。當一些有用變量的相關性很小時，在選取主元分析時就很容易遺漏相關性小的變量，使得最終的預測模型可靠性下降，如果要挑選出所有的相關變量又太困難，偏最小二乘回歸可以較好的解決這個問題，采用對變量X和Y都進行分解的方法，從變量X和Y中同時提取成分(通常稱為因子)，再將因子按照它們之間的相關性從大到小排列。現在要建立一個模型，只要決定選擇幾個因子參與建模就可以。
3.2.5 基于模糊邏輯FUZZY的故障診斷
模糊邏輯是建立在多值邏輯基礎上，運用模糊集合的方法來研究模糊性思維、語言形式及其規律的科學。模仿人腦的不確定性概念判斷、推理思維方式，對于模型未知或不能確定的描述系統，以及強非線性、大滯后的控制對象，應用模糊集合和模糊規則進行推理，表達過渡性界限或定性知識經驗，模擬人腦方式，實行模糊綜合判斷，推理解決常規方法難于對付的規則型模糊信息問題。模糊邏輯善于表達界限不清晰的定性知識與經驗，它借助于隸屬度函數概念，區分模糊集合，處理模糊關系，模擬人腦實施規則型推理，解決因“排中律”的邏輯破缺產生的種種不確定問題。
4功能實施效果
4.1 功能模塊展示
該軟件已經正式投用于國內多個石化公司，以下為軟件使用過程中的部分使用效果截圖。
1) 儀表的報警和診斷功能。
該功能運行界面如圖3所示。左側欄里列出了閉鎖料斗的28臺主要的儀表，儀表的報警上下限操作人員可以根據裝置的不同自行調節，欄中最后一列為報警狀態欄，當儀表測量值超過設定的區間，狀態燈由綠變紅。選中該報警后，右側欄里列出導致該報警產生的原因和對用的操作建議。檢查按鈕用于分析相關位號的歷史數據。
圖3 儀表報警診斷功能示意圖
2) 循環步序KPI性能評估和控制回路性能診斷功能。
當產生KPI報警后，狀態燈變黑，選中該報警后，在右側列出導致該報警的所有原因和操作建議。
圖4 KPI性能評估和控制回路性能診斷功能示意圖
3) 連鎖預警功能。
該功能界面的布局和圖4類似。聯鎖預警的內容包括：過濾器差壓聯鎖預警、再生器卸出線差壓聯鎖預警、反應器裝劑線差壓聯鎖預警、再生器裝劑線差壓聯鎖預警、反應器卸出線差壓聯鎖預警。聯鎖預警功能主要選取較容易引發聯鎖事件的報警點作為預警信號點。
4) 報警事件記錄和統計功能。
該功能模塊能夠記錄所有的報警歷史事件信息，統計出在設定時間內，報警發生的次數和導致報警產生的關聯位號。報警歷史事件以列表形式顯示，排列次序可以選擇按時間的先后或按報警頻次進行排列。
5) 軟儀表功能。
軟儀表主要有兩種類型，一種是在裝置中已經實際存在，但因實際的儀表在測量時存在較大誤差或有較大的滯后性，因此，采用工藝模型將這類型的儀表測量值計算出來，以供操作人員參考，比如閉鎖料斗的氣體流量軟儀表就屬于這一類。另一類是裝置中不存在，但對裝置的操作管理具有較大意義，比如待生劑或再生劑循環量、閉鎖料斗氫氣和氮氣小時累計使用量屬于這一類型。
6) 歷史數據查詢功能。
歷史數據查詢能夠查詢到軟件采集的所有位號和KPI變量的歷史數據，這些位號或KPI變量的歷史數據能夠在在同一個軟件界面上以趨勢圖的形式顯示，方便操作人員同時對多個相關變量做對比分析。
4.2閉鎖料斗頂部過濾器差壓儀表安全診斷案例
以國內某石化廠家S Zorb裝置為例，圖5是閉鎖料斗一個月內產生的所有報警歷史事件統計，從圖中可以看出閉鎖料斗頂部過濾器壓差報警發生的次數最多。從該位號的診斷提示(圖6)中可以看出引起報警的原因主要有5個：
①閉鎖料斗頂部過濾器前后的壓力測量儀有問題，導致測量值不準。
②測量差壓所在管線堵塞，導致閉鎖料斗頂部過濾器差壓前后差壓增大。
③閉鎖料斗頂部過濾器堵塞，導致差壓增大。
④管線的用氫氣和氮氣量增大，導致壓差增大。
⑤吸附劑碎化，產生較大粉塵，沉積于管線或過濾器中。
通過原因提示欄的查看功能可以調出與該原因向關聯的位號的歷史數據，分析歷史數據后，基本可以排除前4個原因，和現場的儀表工程師溝通后，確定為原因⑤。再根據原因⑤提供的操作建議，加大吸附劑細粉外排量，該問題已得到明顯改善。
圖5 閉鎖料斗報警歷史事件統計
圖6 閉鎖料斗頂部過濾器差壓預警及診斷
4.3投用效果總結
該軟件的現場實施效果得到了用戶的肯定，對整個S Zorb裝置的作用總結如下：
1)及時診斷并發現儀表/設備故障、工藝異常。
2)操作人員可以根據操作指導及時處理故障，減少事故與非正常停車。
3)量化了閉鎖料斗的氫氣/氮氣流量以及累計，為裝置物料平衡以及績效考核提供了依據，提高了生產管理水平。
4)為閉鎖料斗出口輕烴以及O2組分提供在線軟測量，分析儀出現問題時提供操作依據。軟儀表的響應速度較分析儀快速，為優化N2和H2的使用量提供了技術支撐
5)停車連鎖發生之前，及時提醒操作人員并給出原因判斷的信息，讓操作人員提前處理，減少不必要的連鎖停車
5 結束語
生產智能化、信息化、安全化是今后的流程工廠的發展方向。閉鎖料斗異常偵測管理系統通過數據識別處理方法，結合現場生產經驗和裝置的工藝流程，將海量的生產數據有效的利用起來，實現裝置的預警、報警、統計和分析功能，使裝置的監控更加簡單和安全。
閉鎖料斗異常偵測管理系統的軟儀表計算數值也可以作為操作參考和先進控制的依據。目前閉鎖料斗吸附劑循環速率控制模型和物料平衡模型已經整合到該系統中，并提高了操作人員的工作效率和裝置的安全性。同時，S Zorb裝置的吸附劑硫含量計算模型和汽油脫硫率預測動力學反應模型[4]也在積極開發中，這些功能將整合到該智能化操作管理系統中，為將來的先進控制、智能化控制提供技術支持，使S Zorb裝置的操控更加簡單，生產更加穩定高效。
參考文獻:
[1] 候曉明，莊劍. S Zorb催化汽油吸附脫硫裝置技術手冊[M]. 北京：中國石化出版社，2013.
[2]曹文磊.S Zorb裝置長周期生產低硫含量汽油的影響因素及對策[J].石油煉制與化工，2014,45(2),74-78.
[3]郭曉亮.S-Zorb裝置長周期運行影響因素及對策[J],煉油技術與工程，2013,43(1),5-9.
[4] 胡躍梁，孫啟明.S Zorb吸附脫硫裝置運行過程中存在問題分析及應對措施.石油煉制與化工，2013,44(7),69-72.
[5] 吳德飛，孫麗麗，黃澤川，袁忠勛.S Zorb技術進展與工程應用[J],石油煉制與化工，2014,44(10),1-4.
[6] 朱松青，史金飛，狀態監測與故障診斷中的主元分析法[J],機床與液壓，2007,35(1),241-243.
[7] 焦巍，項曙光，王浩，韓方煌.化工過程數據處理系統的開發[J].計算機與應用化學，2006,23(2),153-157.
[8] 王秉仁,姜小麗,張雷.基于模糊邏輯推理的汽車故障診斷的研究[J].機電工程，2005,22(10),55-57.
文章發表源：《石油化工自動化》雜志 2015年第5期 第63~66頁.
