天然气净化厂过程风险监测预警模型构建方法研究

阎红巧，曹瑜，吴顺成，王顺义，樊志强

(中国石油集团安全环保技术研究院有限公司，北京 102200)

0 引言

天然气作为高效的清洁能源，应用市场广阔。刚开采出的天然气通常含有硫化氢、有机硫、二氧化碳、水及其他杂质，需对其进行净化处理以满足集输要求，供用户安全使用。保证天然气净化过程的安全平稳运行，是后续天然气经营的基础。目前，天然气净化厂生产运行风险管控主要依靠DCS 和SCADA 等控制系统阈值报警，安全联锁系统(SIS)和紧急联锁系统(ESD) 联锁和人工定期巡检的方式来防范生产运行过程中的风险[1]。但这些方法存在以下问题：(1)控制系统报警泛滥，报警有效性较低，导致操作员无法及时准确响应而发生事故；(2) 消警处置和定期巡检受现场人员的专业程度、主观思维和经验影响大，易因漏检、误判、误操作、处置不及时而引发事故；(3)SIS系统、ESD 系统启动会引起非计划停机，导致生产力损失，生产运行成本增加。

生产运行风险预警是通过深层挖掘生产过程参数与事故先兆之间的关联关系，构建表征风险的预警模型，实现在装置发生事故之前甚至是发生非正常工况之前预警，及早告知操作人员及管理人员，为风险处置争取更多时间，从而极大降低安全事故的发生和连带损坏的风险，提升系统的可靠性[2]。中国石化安全工程研究院多次开展了石化装置的生产过程风险的动态监测预警技术的研究。包括基于数据驱动的异常监测预警方法和基于专家系统的异常监测预警方法[3-6]。中石油也开展了特定场景的预警技术研究，包括采用故障分类模型开展注水泵异常预警、时间序列预测模型进行溢罐与剩余应急时间预警、二元分类算法进行脱硫塔发泡预警[7-8]。但这些研究主要聚焦某一特定场景进行建模研究，缺乏整体系统的建模思路研究，或仅从工艺与设备的角度进行简单的划分后分别选择不同的建模方法，没有阐明每种方法的适用条件和原因。本文结合天然气净化厂工艺和风险特点，进行系统的阐述和分析，形成完整的建模方法体系，为天然气净化厂全流程工艺风险预警建模方法的选择提供指导，也可为类似的石化装置建模提供思路和参考。

1 天然气净化厂工艺概况

1.1 天然气净化厂工艺流程

天然气净化厂主体工艺装置包括过滤分离装置、脱硫装置、脱水装置、硫磺回收装置、尾气处理装置[9]，总体工艺过程如图1 所示。原料天然气首先通过过滤分离装置脱除原料天然气中的游离水和大部分机械杂质，再由脱硫过程脱除原料气中的硫化物和部分二氧化碳，常用化学吸收剂甲基二乙醇胺(MDEA) 脱除，然后通过脱水装置中的三甘醇溶液脱除气体中的水分，减少管道和设备腐蚀，防止水合物的形成。净化过程产生的酸性气体由硫磺回收装置进行处理和回收。最后还需尾气处理装置来净化硫磺回收装置排出的尾气，保证污染物含量达到规定排放要求。

图1 常规天然气净化厂工艺简图

1.2 天然气净化厂工艺特征分析

结合天然气净化厂工艺，分析得到天然气净化厂生产运行过程主要有以下特点[10-11]：

(1)原料气具有易燃、易爆、有毒、腐蚀性。在生产运行过程中，若发生设备异常或操作失误等问题，轻者导致产品不合格、装置停机，严重时可能发生火灾爆炸、人员中毒、伤亡等事故。

(2)净化各个工艺过程均涉及高温、高压过程。若监测及防范不到位，极易发生火灾、爆炸事故。

(3)净化工艺过程复杂，涉及的设备、工艺流程、工艺参数、原料和产品多样，整体耦合性强，一旦某处发生异常，容易导致连锁效应，引发重大安全风险。

因此，有必要探索装置异常发生前的特征和规律，建立系统性的预警建模思路，以便开展净化厂全工艺流程的异常预警，实现动态的风险感知与预测，降低事故发生可能性，提升天然气净化厂生产运行过程风险管控水平。

2 模型构建方法分类

依据对建模场景的机理知识和数据的需求程度，常用的建模手段分别为机理建模、专家经验建模、数据驱动建模和混合建模方法，下面简述这些建模方法的特点。

机理建模[12-13]是利用能量、质量、动量守恒等各种物理化学原理来描述所研究的工艺场景的规律，模型的参数均具备明确的物理含义，最终形成参数的代数方程、微分方程、状态方程等，从而明确参数之间的函数关系，过程如图2 所示。通过这些数学表达式，可以精准把控工艺流程的物理化学特性与变化规律，并且能够预测各个参数之间的变化关系。机理建模是最传统的一种建模方法，在理论研究或者工程应用方面均有广泛应用。

图2 机理模型

专家知识模型是充分获取长期从事生产运行实践的专家积累的经验知识，将其转化成数学规则，建立规则模型，可大幅降低建模难度和模型计算量，过程如图3 所示。专家知识模型适用于能获得有大量生产经验和工艺知识且在不断实践过程中被检验经验可靠的专家知识[14]。

图3 专家知识模型

随着工业信息化的发展，工厂的DCS/SCADA 等系统不断完善，产生了大量的生产运行数据。利用海量生产数据，融合统计学和机器学习等手段对数据进行利用，挖掘数据之间的关系，可建立数学驱动模型[15]，过程如图4 所示。数据驱动建模无需掌握所研究的工艺场景的内部机理知识或参数间精确的数学表达式，重点是获得研究对象的输入输出数据，进行拟合，该方法建模周期短、求解模型难度小、非线性拟合能力强。因此在解决机理、经验知识不能解决的高阶、非线性问题方面有较大的优势。数据驱动建模方法包括传统的统计学方法和机器学习方法。

图4 数据驱动模型

通过分析上述建模方法的特征，总结以上3 种建模方法的优缺点，如表1 所示。

表1 常规建模方法对比

由表1 可知，三种方法也有各自的局限性，因此混合建模方法被提出。混合建模是将机理、专家经验和数据驱动方法结合，利用先验知识建立机理或专家经验模型，再用数据驱动建模方法表达未知或难以描述的部分，集三者所长，共同完成模型构建，从而降低建模难度和过拟合风险，提高求解速度，并赋予参数物理意义，提高可解释性和外推泛化能力[16]。

3 天然气净化厂生产运行风险预警建模

根据天然气净化厂工艺概况，得到天然气净化厂生产运行预警建模面临的主要问题为：涉及多个工艺流程，物料数量、反应复杂程度差异大；现场运行专家经验水平参差不齐；通过DSC/SCADA 系统能获得大量的正常生产运行数据，但缺乏异常工况样本。

从工程实际出发，预警建模方法应按图5 所示进行选择。根据本文第2 节可知，数据驱动建模方法作为黑箱模型，是快速简单的模型构建方法，只要获取海量的数据样本，就可对任何复杂过程建模。但由于化工过程监管严格，工艺系统多数都在正常状况下运行，因此异常样本量不足，导致数据驱动模型的准确性和外推泛化能力不足，因此，需要在生产运行过程中不断的积累样本，最终实现采用数据驱动建模方法构建风险预警模型这一终极目标。目前，受制于样本量，预警建模仍以过渡阶段和主流方法为主，即采用机理建模、专家知识建模或者混合建模方法。

图5 预警建模方法

当然，机理建模、专家知识建模和混合建模方法的选择也需结合风险场景。本文结合西南油田某天然气净化厂的实际，开展净化厂生产预警方法的深入探讨和系统性分析。从保证模型构建的准确性与适用性的角度，将净化厂预警场景进行归类，分别进行预警建模方法的阐述并给出详细示例，形成适用于净化厂预警建模的方法体系，为快速开展净化厂预警模型构建提供指导，提高建模效率，最终实现风险预警技术在天然气净化厂大幅推广应用，达到整体提升净化厂的安全管理水平的目标。

3.1 机理模型应用场景—以储罐溢罐为例

储罐作为常用的存储设备，主要承担存储介质的作用，在生产运行过程中，仅存在介质的流入、流出，无其他物理化学反应。储罐常见的风险为溢罐，因为进出口流量不匹配，导致液位持续上升，而此时液位监测仪表出现故障未及时报警处理，从而发生溢罐。将液位作为特征参数来表征储罐溢罐，基于储油罐DCS 系统实时监测数据，利用流体力学理论和体积平衡原理，结合进出口流量和液位变化速率，构建机理模型，实时分析判断储罐是否发生溢罐事件。

预警模型如下：

式(1)～式(2)中：H为实时监测液位值；H’为估算理论液位值；Hy为理论值与实际液位值的允许偏差；Q1为DCS 系统中进罐实时监测体积流量值；Q2为出罐实时监测体积流量值；t为分析判断周期；S为罐体的截面积。

设储油罐进口流量误差为q1，出口流量误差为q2，液位计误差为h，理论液位值与实际监测液位的差值应将仪表误差考虑在内，因此Hy应大于远传仪表误差带来的液位变化。

预警的目的是提前发现风险，及时处置。因此，储罐溢罐的分析判断周期t应小于现场操作人员的巡检周期t0。

此外，由于仪表即液位计和流量计本身存在误差，分析判断周期也应考虑仪表误差。

根据式(1)～式(4)，得到：

通过构建上述的机理模型，当实际测量值与预估值的差值超过了仪表误差时，可进行预警，在储罐发生泄漏的初期及时发现以将事件的风险降到最低。

表2 为模型验证分析结果，结合现场液位计偏差和流量计偏差情况将阈值Hy设为5 mm，偏差小于5 mm，则认为储罐未泄漏；若偏差值大于5 mm，则认为存在泄漏风险。从表2 中可知，此时储罐处于正常运行范围内，无溢罐风险。

表2 验证分析结果表

表3 脱硫塔监测数据

对诸如储罐溢罐这类场景，主要特点有：(1)涉及物理化学反应少甚至没有理化反应；(2) 仅有一种状态的工艺介质；(3)一个特征参数就可以表征其风险。对于此类场景，则可直接采用机理建模，只需引入简单的机理方程，如质量守恒、能量守恒方程等，就可求得特征参数。在此类场景下，构建的机理模型不仅计算量小、准确度高、可解释性强，还方便模型复用，使预警模型可以大范围推广应用。

3.2 专家经验模型应用场景—以脱硫塔发泡为例

脱硫系统是天然气净化厂的核心工艺，其中脱硫塔为最核心设备之一。在生产运行过程中，脱硫塔异常发泡现象常发。根据脱硫塔的工艺可知，脱硫塔反应过程不仅包括含硫天然气、甲基二乙醇胺(MDEA)溶液两种主要的混合介质，还可能包含未除干净的固体杂质。脱硫塔设备内部结构复杂，包括多层塔板、溢流管、除沫器和溢流堰等。脱硫塔异常发泡表现为脱硫塔中的浆液发生溢流。受制于脱硫塔复杂的设备结构和化学反应，难以采用机理模型对发泡过程进行表征。但因为脱硫塔发泡现象比较常见，使现场的操作人员积累了较成熟的经验知识。当脱硫塔将要发生异常发泡时，脱硫塔差压会偏离稳定值并逐渐增大，而脱硫塔液位会偏离稳定状态并逐渐下降。因此，考虑根据获取的专家经验构建专家经验模型。

选用脱硫塔差压和液位这两个特征参数来表征脱硫塔发泡。本例采用模糊评价方法将评价指标数据化，并依据不同指标对评价对象的影响程度来分配权重，实现脱硫塔发泡过程的量化分析，构建脱硫塔异常发泡预警模型[17]。

根据特征参数对发泡的影响程度，确定偏差程度和权重。采用升半矩形分布和降半矩形分布的隶属度函数，将工况参数进行归一化处理。脱硫塔“发泡”时差压参数会偏离稳定值表现为增加趋势，设为偏大型因素，采用升半矩形分布，液位被称为偏小型因素，采用降半矩形分布。

计算偏大型因素的偏差程度的公式为：

式中：x为该参数的实测值；[xmin,xmax]为该参数的正常范围；xH为报警高限值。

计算其偏小型因素的偏差程度的公式为：

式中：x为该参数的实测值；[xmin,xmax]为该参数的正常范围；xL为报警低限值；xH为报警高限值。生产现场《化工装置操作工艺卡》中明确规定了xH和xL的设定值。

液位权重计算公式如下：

差压权重计算公式：

特征参数权重之和为1。

式(9)～式(11)中：vA为液位参数的变化速率；vB为差压参数的变化速率；εA为液位参数的权重；εB为差压参数的权重。

依据特征参数偏差程度计算，得到特征参数的偏差程度矩阵μi：

依据特征参数在设备异常状态下的变化速率，得到特征参数的权重向量εi：

根据特征参数的偏差程度矩阵μi以及特征参数间的权值向量εi，计算表征脱硫塔异常“发泡”状态预警模型为：

式中：i为某一种异常状态；c1、c2、c3分别对应优、中、差3 个等级；βi为表征某一种异常状态的量化指标，被称为异常状态置信度。

将预警模型应用于某天然气净化厂，收集异常发泡时差压和液位的监测数据，计算得到液位参数权重εA为0.27，差压参数权重εB为0.73。根据先验知识，设备异常置信度β＞0.1 时即可确定脱硫塔发生异常“发泡”。

对比DSC 系统提醒和预警提醒的时间如表4 所示，发现预警时间比DCS 系统报警时间提前8 min，可达到过程安全管理关口前移的目的。

表4 各策略异常提醒区别

因此，对类似脱硫塔异常发泡的预警场景，主要特点有：(1) 涉及物理化学反应；(2) 包含多种状态的工艺介质；(3) 风险的设备载体结构复杂；(4) 发生频率高，风险发生后，容易提炼出工艺参数的变化特征，可依赖专家经验；(5) 需要至少两个及以上的特征参数来表征其风险。对此类场景，优先考虑获取专家经验，将专家经验转化成特征参数及参数间的关系规则，构建经验模型，既保证了模型的可靠性，又减少了建模的工作量。

3.3 混合建模应用场景—以设备腐蚀预警为例

天然气净化过程中的容器、设备易因腐蚀导致器壁减薄，严重时会穿孔或失效，引发火灾爆炸风险。但腐蚀机理、原因复杂多样，受设备材质、生产运行环境、设备存储或输送的介质类型及工艺参数变化的影响，难以构建机理模型。另一方面，设备腐蚀是一个长期的过程，且在腐蚀初期，对设备的压力、温度影响不大，只能通过外观观测和设备壁厚监测来识别，即使是长期从事生产运行的专家也难以对腐蚀特征进行可靠的预测，难以获取可靠的专家经验。因此，考虑构建混合模型来开展设备腐蚀预警研究。

在设备生产运行过程中，会定期对设备的壁厚进行检测，积累了一定的壁厚检测数据。可通过这些数据，构建壁厚与时间变化的数据驱动模型，分析设备壁厚值随时间的变化规律。然后结合设备承压能力计算公式，推测设备承压能力的变化情况，当实际操作压力大于承压能力时，及时发出预警信息。通过构建壁厚预测和承压能力计算的混合模型，实现设备的腐蚀预警。

本文获取了某净化厂原料过滤器某点处的一组实际的壁厚测量值，如表5 所示，以此为例进行腐蚀预警研究。本方法是基于壁厚测量数据，未对腐蚀的各种影响因素展开分析。因此，该方法仅适用于均匀腐蚀的寿命预测，通常在容器各部位腐蚀状态差别不大的情况下选用。预测实际上就是用过去和现在的数据作为样本集，构建预测模型，对变量的未来行为状态做出科学定量的估计。

表5 原料过滤器壁厚检测数据

本文选用回归方法来构建设备壁厚预测模型，分别使用一元线性回归和指数回归方法进行建模[18]。

一元线性回归法的基本方程为：

式中：a、b分别为回归系数；x为自变量时间；y为因变量预测值。

指数回归方法的基本方程为：

使用上述方法拟合模拟设备的厚度变化趋势并与预测结果进行对比验证，选择预测误差最小的方法预测设备的厚度。然后再结合设备承压能力计算公式，进行设备的腐蚀预警。设备承压能力计算式如下：

式中：pc为计算压力(MPa)；δ为壁厚(mm)；φ为焊接接头系数；[σ]t为设计温度下圆筒或球壳的计算压力(MPa)；Di为筒体内径(mm)；P为该设备的操作压力。

当时pc＜P，进行预警，则给出降压运行或增加设备强度提醒。

取表5 中前6 组数据为计算数据，第7 组数据为验证数据。

一元线性回归法得到的预测方程为：

指数回归法得到的厚度预测方程为：

根据直线拟合厚度预测方程，可以得到2014 年4 月25 日的容器厚度应为14.195 mm；根据指数拟合得到的2014 年4 月25 日的预测值14.143 mm。显然，直线拟合的误差较低，应该采用直线拟合来预测设备的厚度。根据设备壁厚预测模型，再结合承压能力机理模型，实时计算设备的承压能力，并预测设备的失效时间，实现设备腐蚀风险预警。

因此，对类似设备腐蚀这类场景，主要特点有：(1) 涉及复杂的物理化学反应；(2) 受环境及工艺介质类型和参数变化影响大，影响风险发生的因素多，难以通过长期的运行操作经验获取风险运行规律；(3) 需要至少两个及以上的特征参数来表征风险。对于此类场景，可考虑可建立混合模型。例如使用机理或经验完成基础模型搭建，数据驱动完成辅助参数计算、优化等工作，综合机理/ 专家经验和数据驱动的优势，克服单个建模方法的不足，建立准确率高、预警效果佳的模型。

4 结语

开展生产运行风险预警研究是提高企业安全管理水平的重要手段，天然气净化厂也不例外。本文结合天然气净化厂工艺，形成覆盖净化工艺全流程的工艺风险预警建模方法体系。未来可参考本文推荐的建模思路，开展具体风险场景的预警模型构建与应用，以降低生产运行风险，提高净化厂本质安全水平。此外，还可将本文的思路应用于其他石化工艺，开展生产运行预警模型构建。当然，在涉及数据驱动建模时，仍旧存在着样本数据不足，模型的准确率具有不确定性的问题。因此，应通过持续的预警建模研究不断积累样本，并结合机器学习技术的不断发展，探索优质高效的数据驱动建模方法。