基于多尺度建模的煉油化工過程報警根源分析

胡瑾秋， 蔡　爽， 張來斌

(中國石油大學 機械與儲運工程學院， 北京 102249)

煉油化工生產過程從原料到產品的生產需要經過許多工序和復雜的加工單元，通過多次反應或分離完成。其流程復雜，工藝條件苛刻，常伴有高溫、高壓、低溫、真空、大流量、高轉速等極端條件，在煉油廠區，若某單一設備或工藝過程出現故障，極易借助系統單元之間的相互依存、相互制約關系，觸發連鎖效應，由一種擾動或故障經過一段時間傳播，從一個地域空間傳播至另一個更廣闊的地域空間，引起衍生事故，帶來難以估量的社會與環境風險，引發一系列故障鏈直至引起事故或災難。為了及時找出故障原因以有效抑制故障傳播，保證生產過程安全及產品質量，國內外學者對煉油化工過程報警根源分析方法進行了一系列的研究。

報警泛濫是工業過程報警系統中存在的主要問題之一。對過程變量報警根源進行分析，可及時抑制異常擾動的進一步傳播以減少報警泛濫現象的發生。為了辨識煉油化工過程的擾動傳播根源，基于過程知識建立過程拓撲模型有助于進一步分析報警根源，如多層流模型(Multilevel flow model，MFM)[1]，因果模型(Cause-effect model，CE)[2]，符號有向圖(Signed directed graph，SDG)[3]等。Dahlstrand[1]采用多層流方法表達過程變量間的因果關系。Wan等[2]將CE模型引入到一個邏輯和系統化的報警系統設計方法中。符號有向圖是因果圖的一種，對過程變量間的因果關系和故障傳播路徑提供了簡單和圖形化描述，并且可以在缺乏詳細過程知識的條件下根據經驗或基本定律來建立符號有向圖模型[4-7]。知識建模方法簡單實用，易于理解，但嚴重依賴于過程知識不包括定量信息；此外，模型容易受人的主觀判斷影響[8]。數據驅動方法如時滯關聯分析[9]，信息理論方法(傳遞熵，直接傳遞熵)[10-11]，貝葉斯網絡模型(Bayesian network，BN)[12]等，也可用于實現報警根源的辨識，以便從根本上抑制滋擾報警和報警泛濫現象的出現。關聯性并不一定代表因果性，但如果引入時間延遲，可找出兩時間序列間關聯系數的最大值，其對應的時間關系可以近似地反映因果關系。互相關函數(Cross-correlation function，CCF)[9]可用于估計兩報警序列間的時間延遲，通過兩序列間的時滯和關聯系數，生成對應的因果矩陣和關聯系數矩陣，結合一致性檢驗和拓撲假設，可以構建因果網絡[13]。但互相關函數會產生大量冗余時滯干擾分析結果，有時由該數據驅動方法建立的擾動傳播路徑可能與實際過程不符。因此有必要結合過程知識檢驗傳播路徑的合理性。Bauer等[11]和Gao等[14]采用信息理論計算兩變量間的傳遞熵，從本質上反映了信息傳遞所帶來的因果性。Duan等[10]提出直接傳遞熵概念來檢測兩變量間是否有一個直接的物質流或信息流，以提高因果圖的準確性。Gao等[15]提出基于解析結構模型的信息融合方法，通過構建連接矩陣和可達矩陣構建因果網絡，實現報警根源的辨識。概率符號有向圖[16]是一種基于實現最大系統可信度的報警信號挑選方法，該符號有向圖的建立使過程變量間的因果關系可視化。數據驅動方法可定量分析過程變量間存在的因果關系，但對于分析變量的挑選依然常常根據主觀經驗，對于一些復雜的大型系統，常涉及大量監控變量，主觀挑選模型變量可能遺漏某些重要原因變量，以致無法推繹出引發報警的擾動根源。

因此筆者采用多尺度建模的方法，通過對煉油化工生產系統的空間尺度進行劃分，針對不同的風險過程，分析不同尺度下的過程風險表征指標，建立多尺度下的煉油化工過程報警根源分析模型，并對不同尺度下的模型進行應用對比分析，從而選擇合適的尺度進行建模，保證煉油化工過程報警根源分析的準確性。

1　時滯分析方法基本原理

時滯分析方法可分析不同過程變量間的時滯和關聯關系，從而推斷他們固有的因果關系。

時滯分析方法采用互相關函數[9]計算過程變量間考慮時延性的關聯函數值。對于兩過程變量xi和xj的離散時間序列數據，定義互相關函數φxi,xj(k)為

(1)

n為過程變量個數，過程變量xi和xj的時間序列長度為N，其均值為μxi和μxj，標準差為σxi和σxj，xig表示標準化后的變量xi在第g個時刻的變量值，φxi,xj(k)為具有時間意義的k的單值函數。

定義φxi,xj(k)的最大值φmax和最小值φmin為

(2)

記φmax對應的k為kmax，φmin對應的k為kmin，xi、xj間的時滯λi,j表示為

(3)

時滯λi,j用于確定傳播方向。若λi,j>0，實際傳播方向為xi→xj；反之，傳播方向為xj→xi。

兩時間序列關聯系數ρi,j記為

(4)

因關聯系數由統計方法計算得到，每2個時間序列可得一確定值，但若關聯系數過小，考慮兩變量間的關聯性將沒有意義。因此有必要設置合適的閾值對關聯系數的顯著性水平進行檢驗。筆者采用如下的假設檢驗方法，通過式(5)計算閾值(ρth(N))[9]，若|ρi,j|<ρth(N)，表明關聯系數未通過顯著性檢驗，此時考慮兩變量間的關聯性將沒有意義。ρi,j的正負反映了變量間的關聯關系。若ρi,j>0，兩變量具有正相關關系，即xi的增加可能引起xj的增加。反之，若ρi,j<0, 兩變量具有負相關關系。

ρth(N)=1.85N-0.41+2.37N-0.53

(5)

然而，若φmax和φmin的大小接近，兩變量的因果關系將變得模糊，方向性難以確定。為了辨識φmax和φmin的差異性，定義方向性指數(ψ)如式(6)：

(6)

通過式(7)計算方向性指數閾值(σψ(N))[9]，若ψ≥σψ(N)，表明兩變量具有顯著的因果關系。

σψ(N)=0.46N-0.16

(7)

2　煉油化工過程報警根源分析方法

報警系統作為復雜煉油化工過程的重要組成部分，可有效監控過程的運行狀態。報警系統設置是否合理直接影響生產過程的運行。當過程設備異常運行時，將以聲光形式觸發報警。收到報警后，操作者將結合過程知識調查故障原因并采取必要措施阻止異常的進一步惡化，使設備恢復到正常運行范圍。如今，工業過程報警系統的實際問題是報警數過多。實際上，操作者每1 h可能面臨數以百計的報警，大量的報警干擾操作者的判斷，使他們浪費大量時間處理次要報警而忽視關鍵報警。因此，需要一個合理的策略進行報警根源分析，及時辨識擾動根源，避免異常風險的進一步發展。

提出一種煉油化工過程報警根源分析方法，通過對煉油化工生產系統的空間尺度進行劃分，針對不同的風險過程，分析不同尺度下的過程風險表征指標，從而通過時滯分析并結合過程知識構建擾動傳播因果圖，最后提出一種報警根源搜索方法辨識最可能的擾動傳播路徑以找出報警的根本原因。

2.1　煉油化工生產系統的空間尺度劃分

煉油廠區包含多套生產裝置，如煉油廠主要由煉油過程和輔助設備兩大部分組成，經過多個物理及化學的煉油過程將原油煉制成各種石油產品。

煉油生產裝置按生產目的可分為原油分離裝置、重油輕質化裝置、油品改質及油品精制裝置、油品調合裝置、氣體加工裝置、制氫裝置等。由于生產方案不同，煉油廠中所包含的煉油過程的種類和規模大小各不相同，或者說復雜程度都有所不同。一般來說，規模大的煉油廠其復雜程度更高。此外，輔助設施是維持煉油廠正常運轉和生產所必需的，主要的輔助設施有：供電系統、供水系統、供水蒸氣系統、原油和產品儲運系統、三廢處理系統等。這里的研究不考慮輔助設施。

煉油化工生產系統的空間尺度可定義為煉油化工生產系統空間范圍的大小。這里的空間范圍是指在一定尺度的系統中進行風險分析的范圍。根據煉油化工生產系統的規模大小，將空間尺度分為大尺度、中尺度和小尺度3種類型。

其中，大尺度主要包括生產裝置級及比其空間范圍更大的煉油化工生產系統。其研究區域的范圍小至單個生產裝置(如常減壓裝置、催化裂化裝置等)，大至整個煉油廠區。

中尺度則主要指單元級。其研究區域的范圍為生產裝置中的某一單元。

傳統分析中，單元的定義為整體中自為一組或自成系統的獨立單位。在安全生產風險管理中，為了保證風險辨識的科學性、系統性、合理性和可操作性而將研究對象整體按照某種規則劃分為相對獨立的部分。因此，這里的單元是指將某個生產裝置按照其生產功能劃分的各個相對獨立的部分。如催化裂化裝置可劃分為反應再生單元、分餾單元、吸收穩定單元等。

小尺度主要是指設備級，其研究區域的范圍為某一過程設備，這里的設備包括各種塔器、反應器、換熱器、各類儲罐等，如提升管反應器、分餾塔、回煉油罐等。

具體的尺度劃分如表1所示。

表1　煉油化工生產系統空間尺度劃分Table 1　Spatial scale division of refinery production system

2.2　多尺度風險表征指標辨識

隨著煉油化工過程工藝、技術的提高和裝置大型化發展，保證過程的安全、平穩、長周期運行成為煉油化工企業日常管理的重點，也是實現煉油企業效益最大化的有效途徑。因此，為避免發生各類非計劃停車、泄漏、火災、爆炸等事故，需對煉油化工過程風險及其風險表征指標進行辨識研究，以便準確、及時的對煉油化工過程風險進行狀態監測及報警根源診斷，有效抑制異常擾動的進一步傳播。

通過統計現場煉油化工過程采集的監控變量數據，可根據某一風險發展過程中一段時間內各變量的報警數量及其擾動變化趨勢，辨識不同尺度下與風險發展密切相關的監控變量作為過程風險表征指標。這里的多尺度風險表征指標辨識方法主要包括如下兩個步驟：

(1)統計某煉油化工企業近兩年事故記錄中每次某一風險發展過程前后的一段時間內不同尺度下各監控變量的報警數量，因報警數的多少反映了風險發生時對該變量的影響大小，因此，這里根據專家經驗選取多次統計數據的平均報警數多于5個的變量作為待選的風險表征指標。

(2)因受風險影響較大的變量必然會產生明顯的擾動，可根據其擾動變化趨勢的大小進一步確定過程風險表征指標。這里采用最小二乘線性擬合方法對上述不同尺度下的待選風險表征指標在每次風險發展過程中一段時間內的數據進行擬合，并以所求斜率的平均值作為該變量的擾動變化率，其絕對值的大小可近似反映變量的擾動變化趨勢，若擾動變化率的絕對值過小，說明該變量并未產生大的波動，即無法較好的表征風險發展過程。因此若擾動變化率的絕對值小于某一閾值(根據專家經驗設置)時，不使用相應的變量作為沖塔風險表征指標。

其中，擾動變化率定義如下：

定義1：對于某一過程變量xi，考慮以時刻κ為中心，選擇時間間隔為[κ-m,κ+m] (時間序列長度為2m+1)的變量xi的時間序列進行最小二乘線性擬合如式(8)，所求斜率ai的大小作為變量xi的擾動變化率。

令xig=aitg+bi,g=κ-m,…,κ,…,κ+m,i= 1,…,n，n為過程變量個數，xig為標準化后的變量xi在第g個時刻的變量值，最小二乘線性擬合公式如式(8)：

(8)

對變量xi的標準化公式如式(9)：

(9)

通過上述步驟，即可確定不同尺度下的過程風險表征指標。

2.3　因果圖的建立

采用時滯分析方法分析不同過程變量間的時滯和關聯關系，可推斷他們固有的因果關系，該方法適用于運行相對平穩的化工過程[9]。時滯分析的基本假設是最先引起擾動產生的變量是將風險引入整個過程的根原因。擾動變量不同于異常報警變量。最早出現的報警變量是在故障影響下最先超出預設操作范圍的變量，但它不一定是最早的擾動，也不一定是引發報警的根本原因。因此，當報警出現時，有必要通過分析擾動傳播路徑辨識報警根源從而消除報警。

變量間的時滯信息和因果關系可以通過時滯分析方法來獲得，從而構造出兩個上三角矩陣。時滯矩陣反映了受擾動影響的兩變量間在時間發展上的先后關系。其中元素的正負反映變量間的因果關系。最初受到擾動的變量是后續變量發生擾動的原因。關聯系數矩陣中元素的正負反映了變量間的正負相關關系。時滯矩陣L和關聯系數矩陣P有下面的形式：

(10)

(11)

兩過程變量間時滯λi,j和關聯系數記ρi,j分別由式(3)及式(4)求得，并根據式(6)計算兩變量的方向性指數ψi,j，根據式(5)計算關聯顯著性閾值ρth(N)，通過式(7)計算方向性指數閾值σψ(N)，若|ρi,j|<ρth(N)或ψi,j<σψ(N)，ρi,j和λi,j在式(10)和式(11)中將設為0。

基于這些特征，通過時滯分析建立過程擾動傳播因果圖，如圖1所示。因果圖由有向弧和代表過程變量xi(i=1,2,…6) 的節點組成。若λi,j>0，有向弧由xi指向xj，即由上級原因變量指向下級結果變量，反之，則傳播方向相反。虛線弧表示兩變量負相關，即ρi,j<0，實線弧表示兩變量正相關，即ρi,j>0。

圖1　擾動傳播因果圖Fig.1　Disturbance propagation causality diagramxi(i=1,2,…6) represents the ith process variable node;The dotted line indicates a negative correlation between two variables;The solid line indicates a positive correlation between two variables

但互相關函數會產生大量冗余時滯干擾分析結果。有時由該數據驅動方法建立的擾動傳播路徑可能與實際過程不符。因此有必要結合過程知識檢驗傳播路徑的合理性，對因果圖進行修正。

2.4　報警根源搜索方法

當一個報警出現時，報警可能不僅受到相鄰變量的影響，也受到傳播路徑中其他變量的影響。若變量值超出預設控制限，將觸發相應報警。但是該報警不一定是最早產生的擾動，也不一定是系統異常的根本原因。在過程中的其它變量受到擾動前發生擾動的變量，受到故障的影響最為直接，故障通過該變量在過程中不斷傳播進而影響其他變量導致報警的產生。因此找出最初擾動、確定報警的根本原因，操作人員可迅速采取有效措施處理報警。這里提出一種報警根源搜索方法，包括如下4個步驟：

步驟1：相同的報警可能由不同傳播路徑中產生的擾動引起。為了辨識報警的根本原因，當一個變量xj發生報警時，將其作為下級變量，根據2.3節所提方法建立因果圖，據此搜索與該變量直接相連的所有上級變量xi(i=1，2，…，I，I為上級變量個數)，例如，圖1中的x3報警，可搜索到其2個上級變量x2和x5。

步驟2：若變量xj在κ時刻發生報警，通過式(8)和式(9)計算xj各相關上級變量xi的擾動變化率ai，其值大小可近似反映下級變量受各相關上級變量擾動的影響大小。

步驟3：比較各相關上級變量的擾動變化率ai的絕對值大小，將ai絕對值最大值對應的上級變量作為其上級原因變量。上級變量的擾動變化率ai的絕對值越大，其對下級變量的影響越大，因此，通過ai絕對值的大小可以比較下級變量受各相關上級變量擾動的影響大小，將ai絕對值的最大值對應的上級變量作為其上級原因變量。若所求擾動變化率的絕對值過小，說明該變量的時間序列數據趨于平穩，并未產生大的擾動傳播至下級變量，因此，根據專家經驗及歷史數據統計，若ai的絕對值小于閾值C，將不考慮該上級變量。

步驟4：重復步驟2和步驟3，將搜索到的最后一個上級變量作為報警的根本原因。這里有必要確定ai所對應的上級變量變化趨勢是否與變量間的正負相關關系一致。也就是說，若兩變量負相關，一個變量的變化率為正，另一個應該為負；若兩變量正相關，一個變量的變化率為正，另一個也應該為正。因此，若對應于ai的上級變量變化趨勢與他們之間的正負相關關系一致，擾動可能由該上級變量向下級變量傳播；若不一致，根據ai值的大小依次考慮其他上級變量是否滿足要求，并重復步驟2和步驟3，將搜索到的最后一個上級變量作為報警的根本原因。

3　煉油化工過程報警根源分析方法步驟

煉油化工過程報警根源分析方法流程圖如圖2所示，具體方法步驟如下：

步驟1：對煉油化工生產系統的空間尺度進行劃分，劃分標準見2.1節；

步驟2：采用2.2節所提方法辨識不同尺度下與風險發展密切相關的監控變量作為過程風險表征指標；

步驟3：采用時滯分析方法建立過程風險擾動傳播因果圖，并結合過程知識檢驗傳播路徑的合理性，對因果圖進行修正，具體方法見2.3節；

步驟4：當某一過程變量發生報警時，采用所提報警根源搜索方法辨識報警的根本原因，具體方法見2.4節。

圖2　煉油化工過程報警根源分析方法流程圖Fig.2　Diagram of alarm root cause analysis in refinery process

4　案例分析

催化裂化裝置是將重質油轉化為輕質油的關鍵裝置，其運行狀態不僅關系到整個廠區的安全，同時也決定了產品的收率。由于催化裂化裝置是煉油廠最主要和最關鍵的裝置，保持其安全平穩長周期運行是提高催化裂化裝置的經濟效益、避免各類非計劃停車、泄漏、火災、爆炸等事故的關鍵所在。從催化裂化裝置運行情況來看，隨著摻渣比的提高，原料重質化，劣質化，反應再生系統、分餾系統結焦、分餾塔沖塔、催化劑跑損、膨脹節開裂、油漿泵磨損、儀表故障以及人為操作事故等都是導致催化裂化裝置無法安全平穩運行的主要因素。分餾單元是催化裂化生產裝置的一部分，分餾過程運行相對平穩，是一個非常復雜的物理變化過程。自反應器頂部來的高溫油氣進入分餾塔人字擋板底部，與人字擋板頂部返回的的循環油漿逆流接觸，油氣自下而上被冷卻洗滌，經分餾后得到的富氣、粗汽油、輕循環油、重循環油及油漿。沖塔故障是分餾過程中經常發生的現象之一。當汽液相負荷過大時，氣體通過塔板的壓降增大，會使降液管中液面高度增加，液相負荷增加時，出口堰上液面高度增加，當液體充滿整個降液管時，上下塔板液體連成一片，分餾完全破壞，導致沖塔的發生，嚴重影響產品質量。造成分餾塔沖塔的原因有很多，如塔盤掀翻或損壞；塔盤有臟物堵塞浮閥或升氣孔；有臟物沉淀在塔板上，使溢流堰過低，液層過薄；塔盤結鹽；換熱器故障，取熱不能滿足，導致回流溫度高引起沖塔；各種機泵故障，如一中回流泵、回煉油泵、頂循泵等故障，機泵故障由帶水會不上量(即泵抽空)及各種設備自身問題引起，包括腐蝕、磨損、機封泄漏、入口有雜物損壞葉輪、電機故障等。為了保證產品質量，避免沖塔故障的發生，這里對分餾塔沖塔風險過程報警根源分析進行多尺度建模研究，并對不同尺度下的模型進行應用對比分析，從而選擇合適的尺度進行建模以保證過程風險報警根源分析的準確性。

4.1　尺度劃分及多尺度沖塔風險表征指標辨識

就分餾塔沖塔風險而言，可主要從分餾塔本身及整個分餾單元兩個尺度進行考慮，即設備級小尺度和單元級中尺度兩個尺度。

分餾單元本身屬中尺度研究范圍，其研究區域為催化裂化生產裝置中的分餾單元如圖3所示，主要包括分餾塔、分餾塔頂油氣分離器、回煉油罐、原料油緩沖罐、輕柴油汽提塔及油漿外甩器。對分餾單元的沖塔風險表征指標進行辨識，某石油化工企業催化裂化分餾單元的主要監控變量如表2所示。

表2　分餾單元主要監控變量Table 2　Main monitoring variables of fractional distillation unit

通過統計某石油化工企業現場催化裂化過程采集的監控變量數據(采樣間隔為5 s)，可根據分餾塔沖塔風險發展過程中一段時間內各變量的報警數量及其擾動變化趨勢，辨識不同尺度下與風險發展密切相關的監控變量，作為過程風險表征指標。

統計該企業近2年事故記錄中每次分餾塔風險發展過程前、后的10 min內不同尺度下各監控變量的報警數量，如表3所示，因報警數的多少反映了風險發生時對該變量的影響大小，因此，這里根據專家經驗選取多次統計數據的平均報警數多于5個的變量作為待選的風險表征指標，如表3所示。

圖3　催化裂化分餾單元Fig.3　Fractional distillation unit

表3　待選風險表征指標Table 3　Possible risk indicators

因受風險影響較大的變量必然會產生明顯的擾動，可根據其擾動變化趨勢的大小進一步確定過程風險表征指標。這里采用最小二乘線性擬合方法對上述不同尺度下的待選風險表征指標在每次風險發展過程中前、后10 min內(采樣間隔為5 s)的數據進行擬合，并以所求斜率絕對值的平均值作為該變量的擾動變化率(計算如式(8))，如表3所示，其大小可近似反映變量的擾動變化趨勢，若擾動變化率過小，說明該變量并未產生大的波動，即無法較好的表征風險發展過程。因此若擾動變化率小于某一閾值(這里根據專家經驗設為1.5×10-3)時，不使用相應的變量作為沖塔風險表征指標。

通過上述步驟，即可確定單元級中尺度下的沖塔風險表征指標，如表4所示。

表4　小尺度及中尺度沖塔風險表征指標Table 4　Risk indicators of small scale and mesoscale

分餾塔本身屬小尺度研究范圍，若僅從小尺度考慮時，沖塔風險表征指標包括表4中的分餾塔頂壓力、分餾塔塔底液位、分餾塔塔頂溫度、分餾塔塔底攪拌蒸汽流量、分餾塔底溫度、人字擋板上溫度、重柴油側線餾出口溫度及輕柴油側線餾出口溫度。

4.2　分餾塔沖塔風險因果圖的建立

表4列出了小尺度及中尺度的沖塔風險表征指標，基于互相關函數計算并結合過程知識建立沖塔風險因果圖。

4.2.1中尺度沖塔風險因果圖的建立

首先，通過式(1)計算過程風險表征變量間考慮時延性的關聯函數值，并通過式(2)和式(3)得到過程變量間時滯以確定風險傳播方向。通過式(4)可確定兩變量間的時延關聯系數，如果關聯系數沒有通過顯著性檢驗式(5)，兩變量間的關聯性將沒有意義。此外，通過式(6)式(7)進一步確定兩變量因果關系的顯著性，從而構造出時滯矩陣L和關聯系數矩陣P：

過程變量個數n為18，時間序列長度N為300。基于時滯矩陣L和關聯系數矩陣P，建立沖塔風險過程擾動傳播因果圖，并結合過程知識檢驗傳播路徑的合理性，對因果圖進行修正，結果如圖4 所示。

圖4　中尺度沖塔風險過程擾動傳播因果圖Fig.4　Cause and effect diagram of risk disturbancepropagation in mesoscalexi(i=1,2,…18) represents the ith process variable node corresponding to the risk indicators of mesoscale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

4.2.2小尺度沖塔風險因果圖的建立

根據設備級小尺度的沖塔風險表征指標，如表4 所示，同理，基于互相關函數計算并結合過程知識建立小尺度沖塔風險過程擾動傳播因果圖，如圖5所示。

圖5　小尺度沖塔風險過程擾動傳播因果圖Fig.5　Cause and effect diagram of riskdisturbance propagation in small scalexi represents the ith process variable node corresponding to the risk indicators of small scale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

4.3　分餾塔沖塔風險報警根源搜索

以發生在某石油化工企業的分餾塔沖塔事件為例，采用所提報警根源搜索方法進行分析。2016年7月24日，某石油化工企業催化裂化分餾塔發生沖塔，經現場人員調查分析，沖塔發生原因為一中回流泵故障，引起一中回流量過低，使得分餾塔塔頂溫度升高，重柴油側線餾出口溫度升高，從而引起塔底液位發生低報警。

4.3.1中尺度沖塔風險報警根源搜索

下面首先基于單元級中尺度的沖塔風險過程擾動傳播因果圖，進行報警根源搜索分析，如圖6所示。

圖6　中尺度沖塔風險過程報警根源搜索圖Fig.6　The searching map for alarm root cause ofthe risk process in mesoscalexi(i=1,2,…18) represents the ith process variable node corresponding to the risk indicators of mesoscale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

步驟1：因分餾塔塔底液位(x7)發生報警，所以將其作為下級變量，根據因果圖搜索與其直接相連的所有上級變量包括油漿下返塔流量(x6)、油漿上返塔流量(x3)、重柴油側線餾出口溫度(x5)和分餾塔塔頂溫度(x16)。

步驟2：根據式(8)可得這些上級變量的擾動變化率如表5所示。

步驟3：通過比較各相關上級變量的擾動變化率

的絕對值，其最大值為3.5×10-3，對應x16，大于閾值C(這里根據專家經驗設為1.5×10-3)，將上級變量x16作為其可能的上級原因變量。

步驟4：進一步確定該上級變量x16的變化趨勢是否與兩變量x7和x16間的正負相關關系一致。從圖中可辨識出x7與x16負相關，因分餾塔塔底液位(x7)降低發生低報警，且所求x16的變化率為正，即分餾塔塔頂溫度升高，與兩變量間的正負相關關系一致，因此將上級變量分餾塔塔頂溫度(x16)作為上級原因變量。繼續搜索x16的上級變量包括一中回流量(x9)、分餾塔頂壓力(x14)、分餾塔頂循環油流量(x12)和分餾塔塔底攪拌蒸汽流量(x4)，根據式(8)可得這些上級變量的擾動變化率如表5所示，通過比較各相關上級變量的擾動變化率的絕對值，其最大值為3.3×10-3，對應x9，大于閾值C=1.5×10-3，因x16與x9負相關，所求x9的變化率為負，x16的變化率為正，與變量間的正負相關關系一致，因此將上級變量一中回流量(x9)作為上級原因變量，因x9無上級變量，所以一中回流量過低即為報警的根本原因，而一中回流量過低是由一中回流泵故障引起，該結論與現場人員調查分析所得的沖塔發生原因一中回流泵故障一致。

表5　各上級變量的擾動變化率Table 5　The disturbance rate of each parent variable

4.3.2小尺度沖塔風險報警根源搜索

下面基于設備級小尺度的沖塔風險過程擾動傳播因果圖，進行報警根源搜索分析，如圖7所示。

步驟1：因分餾塔塔底液位(x7)發生報警，所以將其作為下級變量，根據因果圖搜索與其直接相連的所有上級變量包括重柴油側線餾出口溫度(x5)和分餾塔塔頂溫度(x16)。

步驟2：根據式(8)可得這些上級變量的擾動變化率如表6所示：

步驟3：通過比較各相關上級變量的擾動變化率的絕對值，其最大值為3.5×10-3，對應x16，大于閾值C=1.5×10-3，將上級變量x16作為其可能的上級原因變量。

圖7　小尺度沖塔風險過程擾動傳播因果圖Fig.7　The searching map for alarm root cause ofthe risk process in small scalexi represents the ith process variable node corresponding to the risk indicators of small scale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

表6　各上級變量的擾動變化率Table 6　The disturbance rate of each parent variable

步驟4：從圖中可辨識出x7與x16負相關，因分餾塔塔底液位(x7)降低發生低報警，且所求x16的變化率為正，即分餾塔塔頂溫度升高，與變量間的正負相關關系一致，因此將上級變量分餾塔塔頂溫度(x16)作為上級原因變量，繼續搜索x16的上級變量包括分餾塔頂壓力(x14)和分餾塔塔底攪拌蒸汽流量(x4)，根據式(8)可得這些上級變量的擾動變化率如表6所示，通過比較各相關上級變量的擾動變化率的絕對值，其最大值為1.4，小于閾值C=1.5×10-3，因此該最大值對應的上級變量分餾塔塔底攪拌蒸汽流量(x4)不再被考慮，搜索終止，所以分餾塔塔頂溫度(x16)過高即為報警的根本原因，該結論與現場人員調查分析所得的沖塔發生原因一中回流泵故障并不一致，即從設備級小尺度上進行分析并未辨識出引發報警的根本原因。

5　結　論

通過對煉油化工生產系統的空間尺度進行劃分，采用多尺度建模的方法，針對分餾塔沖塔風險過程，分析其不同尺度下的過程風險表征指標，建立多尺度下的沖塔風險報警根源分析模型，并對不同尺度下的模型進行應用對比分析，從而選擇合適的尺度進行建模，保證煉油化工過程報警根源分析的準確性。

對于過程風險報警根源分析而言，需對整個風險單元進行分析，僅考慮與風險直接相關的設備可能遺漏某些重要原因變量，以致無法推繹出引發報警的擾動根源。

對于煉油化工過程風險狀態監測及故障診斷而言，選擇合適的尺度進行建模分析，同樣有助于保證過程風險狀態監測及故障診斷的準確性。

對于存在反饋控制的復雜過程，可能會出現閉環問題，未來將進一步研究存在閉環問題的煉油化工過程報警根源分析。

[1] DAHLSTRAND F. Consequence analysis theory for alarm analysis[J]. Knowledge-Based Systems, 2002, 15(1): 27-36.

[2] WAN Y, YANG F, Lü N, et al. Statistical root cause analysis of novel faults based on digraph models[J]. Chemical Engineering Research and Design, 2013, 91(1): 87-99.

[3] YANG F, SIRISH L S, XIAO D. 2010 Conference on Control and Fault-Tolerant Systems (SysTol)[C]//France：IEEE, 2010： 387-392.

[4] MAURYA M R, RENGASWAMY R, VENKATASUBRAMANIAN V. A systematic framework for the development and analysis of signed digraphs for chemical processes 1 Algorithms and analysis[J]. Industrial & Engineering Chemistry Research, 2003, 42(20): 4789-4810.

[5] MAURYA M R, RENGASWAMY R, VENKATASUBRAMANIAN V. A systematic framework for the development and analysis of signed digraphs for chemical processes 2 Control loops and flow sheet analysis[J]. Industrial & Engineering Chemistry Research, 2003, 42(20): 4811-4827.

[6] 李安峰， 夏濤， 張貝克， 等. 化工過程SDG建模方法[J].系統仿真學報， 2003, 15(10): 1364-1368. (LI Anfeng, XIA Tao, ZHANG Beike, et al. SDG modeling approach for chemical engineering process[J]. Journal of System Simulation, 2003, 15(10): 1364-1368.)

[7] 王偉， 于達仁， 趙輝， 等. 基于符號有向圖模型的故障診斷方法[J].動力工程學報， 2007, 27(5): 736-741. (WANG Wei, YU Daren, ZHAO Hui, et al. Fault diagnosis method based on sign directed graph models[J]. Journal of Power Engineering, 2007, 27(5): 736-741.)

[8] 朱群雄， 高慧慧， 劉菲菲， 等. 過程工業報警系統研究進展[J].計算機與應用化學， 2014, 31(2): 129-134. (ZHU Qunxiong, GAO Huihui, LIU Feifei, et al. Research progress of alarm systems in the process industries[J]. Computers and Applied Chemistry, 2014, 31(2): 129-134.)

[9] BAUER M, THORNHILL N F. A practical method for identifying the propagation path of plant-wide disturbances[J].Journal of Process Control, 2008, 18(7): 707-719.

[10] DUAN P, YANG F, CHEN T, et al. American Control Conference (ACC)[C]//Canada： IEEE, 2012： 3522-3527.

[11] BAUER M, COX J W, CAVENESS M H, et al. Finding the direction of disturbance propagation in a chemical process using transfer entropy[J].IEEE Transactions on Control Systems Technology, 2007, 15(1): 12-21.

[12] ABELE L, ANIC M, GUTMANN T, et al. Combining knowledge modeling and machine learning for alarm root cause analysis[J].IFAC Proceedings Volumes, 2013, 46(9): 1843-1848.

[13] HAN L, GAO H, XU Y, et al. Combining FAP, MAP and correlation analysis for multivariate alarm thresholds optimization in industrial process[J].Journal of Loss Prevention in the Process Industries, 2016, 40: 471-478.

[14] GAO J, TULSYAN A, YANG F, et al. A transfer entropy method to quantify causality in stochastic nonlinear systems[J].IFAC Proceedings Volumes, 2016, 49(7): 454-459.

[15] GAO H, XU Y, GU X, et al. Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale[J].Chinese Journal of Chemical Engineering, 2015, 23(12): 1987-1996.

[16] PENG D, GU X, XU Y, et al. Integrating probabilistic signed digraph and reliability analysis for alarm signal optimization in chemical plant[J].Journal of Loss Prevention in the Process Industries, 2015, 33: 279-288.