炼油装置的腐蚀监测管理体系

李 皎,梁工谦,周三平

(1. 西安石油大学 计算机学院，西安 710065； 2. 西北工业大学 管理学院，西安 710072；3. 西安石油大学 机械工程学院，西安 710065)



应用技术

炼油装置的腐蚀监测管理体系

李 皎1,2,梁工谦2,周三平3

(1. 西安石油大学 计算机学院，西安 710065； 2. 西北工业大学 管理学院，西安 710072；3. 西安石油大学 机械工程学院，西安 710065)

为了提高腐蚀监测管理水平，有效开展装置腐蚀评价，构建了一套完整的炼油装置的腐蚀监测管理体系。先介绍了腐蚀监测点选取策略，再根据工艺流程的腐蚀机理针对不同监测点制定合适的腐蚀监测方案，然后建立腐蚀数据库保存腐蚀监测项，在此基础上设计实现腐蚀数据管理系统，并采用人工神经网络、灰色理论、马尔科夫等方法构建腐蚀评价预测系统，为制定防腐蚀策略和调整工艺参数提供决策依据。

装置腐蚀；评价预测系统；人工神经网络

随着原油质量日趋恶化，石油炼化设备的腐蚀问题越来越严重。腐蚀可引起装置失效、设备运行故障甚至引发火灾、爆炸等恶性安全事故，造成巨大的经济损失[1]。因此，炼油装置的腐蚀监测手段、腐蚀数据管理水平、腐蚀评价方法以及防腐策略制定都显得尤为重要。如何全面提高企业整体腐蚀管理水平、有效开展腐蚀状况评价，是炼油厂腐蚀管理部门的工作重点。发达国家对工业腐蚀问题一直比较重视，并已采用在线监测手段实时监测设备的腐蚀状况[2]，及建立腐蚀评级专家系统，将人工智能等信息技术应用于设备腐蚀状况评价和预测。国内在腐蚀监测管理方面起步较晚，经过数十年的发展，各大石化炼油厂也建立了腐蚀数据库并开发了腐蚀数据管理系统，并已经积累了大量的历史腐蚀数据，但对腐蚀数据的分析常采用人工经验和统计方法。该方法过多地依赖经验，容易受主观因素影响。目前，根据腐蚀数据建立的研究模型不是很多。另外，国内在腐蚀管理方面没有形成监测、收集、存储、分析、预测等一系列科学化综合研判体系，腐蚀评价能力、设备腐蚀预测及腐蚀故障即时诊断水平还有待提高。

为了实现炼油装置腐蚀监测管理的标准化、精细化、智能化,本工作按照炼油装置的腐蚀监测管理流程构建了一套完整的炼油装置腐蚀监测管理体系。该体系从腐蚀测点选取、监测方案制定、腐蚀数据管理、腐蚀评价预测、防腐标准等方面对现有炼油装置的腐蚀管理模式进行补充和完善，使之成为集腐蚀监测、数据存储、分析、评价、预测为一体的科学化防腐研判平台。本工作重点介绍了腐蚀评价中常用的腐蚀预测方法，并给出了该体系结构的应用案例。

1　炼油装置腐蚀监测管理体系的建立

首先根据不同工艺流程的腐蚀机理选取石化设备易受腐蚀的敏感部位作为监测点，针对每个监测点制定腐蚀监测方案及腐蚀监测项，将其存入腐蚀数据库中。在此基础上，设计腐蚀数据管理系统，实现腐蚀数据录入、审核、签发、浏览、综合查询、导入导出、趋势图绘制等功能，构建一个信息共享、数据流程标准化管理的信息化平台。采用人工神经网络及灰色理论等方法对积累的大量腐蚀数据实现智能分析、评价及预测，从而有效地指导腐蚀管理人员制定防腐策略和调整工艺参数。图1为炼油装置腐蚀监测管理体系。

1.1选取腐蚀监测点

选取腐蚀监测点是腐蚀监测的第一步，腐蚀监测点选取的优劣将直接影响腐蚀监测的效果。装置腐蚀表现为均匀腐蚀、坑蚀、孔蚀和应力腐蚀开裂，而决定装置使用寿命的是坑蚀、孔蚀等局部腐蚀，也就是腐蚀严重部位，应重点监测。腐蚀部位的选择随着装置工艺流程、管材、介质条件的不同而变化。因此,可根据炼油装置的腐蚀机理及原因选取石化设备易发生腐蚀的敏感部位作为监测点，例如，催化分馏塔塔顶、常减压装置塔顶、转油线上部、高压空冷器出口管道。总之，腐蚀监测点应围绕和贯穿整个工艺流程,选取生产现场腐蚀环境最苛刻、可能产生严重腐蚀的代表性部位进行监测。

1.2制定腐蚀监测方案

根据炼油装置腐蚀机理的不同，对各监测点制定合理的腐蚀监测方案，具体包括腐蚀监测方法和腐蚀监测周期的确定。现有的腐蚀监测方法有在线腐蚀探针监测、腐蚀介质监测、腐蚀挂片监测、在线旁路试验釜监测、定点测厚、腐蚀调查等[3-4]。在腐蚀监测中，单一的监测方法不能客观全面地反映设备的腐蚀状况，通常需要同时采用多种方法才能获得比较准确可靠的腐蚀监测信息。腐蚀监测周期受监测方法、被监测部位腐蚀程度及监测费用等因素制约。例如，腐蚀介质监测和在线探针监测的监测周期可以为几分钟至几天，可指定短期监测方案。而定点测厚的监测周期相对较长，一般为几天至几个月，腐蚀挂片的监测周期通常为1个月以上，可指定长期监测方案。在应用中可根据实际情况实时调整腐蚀监测方案，如果监测点的腐蚀有加剧的趋势，应该提高腐蚀监测的频率。

1.3确定腐蚀监测项

监测点在工艺流程所处的位置不同，腐蚀监测项也不尽相同。腐蚀监测项包括腐蚀影响因素、腐蚀产物、腐蚀速率、在线测厚值等。腐蚀影响因素可分为介质影响因素和腐蚀条件影响因素。环烷酸、硫化物、氯化物、氮化物、盐酸、连多硫酸及氧、重金属等为腐蚀介质影响因素。温度、水、压力、流速等为腐蚀条件影响因素。炼油装置腐蚀后，介质中往往存在过量的铁离子，可将这些过量铁离子看作腐蚀产物；另外当装置腐蚀后，管壁厚度会发生变化，在线测厚数据也能从一定程度上反映设备的腐蚀状况。

1.4建立腐蚀数据库

腐蚀数据由不同组织、不同部门各自存储容易形成信息孤岛，不利于信息共享，无法进行全面有效的腐蚀评价。要实现腐蚀数据的信息化管理首先要建立腐蚀数据库。大量积累的历史腐蚀数据是进行腐蚀评价和决策支持的宝贵资料。腐蚀数据存入数据库的方式有两种。第一种是通过人工检测得到腐蚀数据，然后通过腐蚀数据管理系统录入数据库；第二种是通过传感器实时采集并直接传入腐蚀数据库。

1.5设计实现腐蚀数据管理系统

腐蚀数据管理系统是炼油厂进行腐蚀管理的信息化平台，系统可完成腐蚀数据管理、设备管理、图形化测点管理、图形化数据浏览、腐蚀案例管理、腐蚀报表管理、报警管理、知识标准管理、公告管理和系统设置[5]。腐蚀数据管理系统的功能模块如图2所示。

1.6构建腐蚀评价预测系统

腐蚀评价预测系统可通过大量历史数据的分析对装置腐蚀程度和腐蚀形态进行评价，预测设备管道的使用寿命，并通过腐蚀失效案例的分析对腐蚀隐患进行预警提示，通过腐蚀预测值判断设备是否需要采取防护措施，有助于制定设备腐蚀检修计划，为石化企业防腐决策提供有力支持[6]。

腐蚀评价预测系统研究重点是腐蚀预测方法。目前，国内炼油厂大多采用人工经验分析腐蚀数据,并以此评价设备的腐蚀状况。例如，在常减压冷凝系统的腐蚀分析中，通常根据冷凝水中腐蚀产物Fe2+和Fe3+的含量以及腐蚀介质Cl-、H2S的含量是否超标，来判断某个部位腐蚀的类型及是否有明显腐蚀。

腐蚀预测可分为单一指标趋势预测和因果关系预测。例如,根据在线测厚值预测未来剩余壁厚属于单一指标趋势预测,而监测冷凝水中腐蚀介质和铁离子含量属于因果关系预测。信息技术在各个行业的深入应用以及人工智能的迅速发展，为腐蚀数据智能预测系统的建立提供了理论基础。腐蚀评价预测方法有人工神经网络、灰色理论、马尔科夫预测模型等。

人工神经网络根据历史积累的腐蚀数据研究腐蚀介质和腐蚀产物之间的关系，从而建立腐蚀模型，得出预测值，用于预测可能发生的腐蚀及腐蚀程度。人工神经网络常用的建模方法有BP、RBF、SVM、ELM，它们的建模过程大致相同，都分为三步：创建神经网络结构、训练神经网络模型和验证评价神经网络模型。基于人工神经网络的炼油装置腐蚀预测流程图如图3所示。具体步骤如下。

(1) 选取腐蚀影响因素。

(2) 为了提高腐蚀预测精度，对样本数据进行预处理。在炼油厂，由于腐蚀测量仪受工作环境的影响会出现噪声信号，引起腐蚀数据的波动及毛刺，通过实现腐蚀数据的平滑变化，剔除异常波动数据。

(3) 炼油厂监测到的腐蚀数据量纲不统一，为了把不同来源不同量纲的数据统一到一个参考系下，消除数据之间的数量级差别，要对样本数据进行归一化处理。

(4) 确定神经网络的网络结构，包括网络的层数、隐层层数、隐层神经元个数、隐层激励函数等。

(5) 参数初始化，包括权值和阀值、训练目标等参数。

(6) 训练神经网络，根据训练目标调整网络参数直至满足条件，即得到腐蚀预测模型。

(7) 输入测试样本得到输出值，将其反归一化得到预测值，与实际监测值进行比较，验证评价模型的有效性。

灰色理论是一种研究少数据、贫信息、不确定性问题的新方法,近年来也应用到石化装置腐蚀预测中。采用根据灰色理论改进的GM(1,1)模型对常压蒸馏塔顶换热器入口分配管弯头的壁厚进行模拟，可以对未来可能的壁厚进行区间预测[7-9]。另外，可使用灰色关联分析研究腐蚀介质因素和腐蚀产物之间变化趋势的关联程度。

马尔科夫预测模型是一种基于马尔科夫理论的预测方法，非常适合于随机波动较大的预测。文献[10]采用钢管管体的腐蚀损伤评价方法和马尔可夫链理论，通过历史数据得到状态转移概率矩阵，从而对管壁最大腐蚀深度和腐蚀状况进行预测。

表1列出各种预测方法的优缺点。在实际应用中，可根据具体情况选取合适方法，或采用多种方法综合评定，相互补充，从而为腐蚀管理人员提供防腐决策支持。

表1　各种腐蚀评价预测方法对比Tab. 1　Comparison of corrosion evaluation and prediction methods

1.7制定防腐策略和调整工艺参数

腐蚀评价的主要目的是指导炼油厂制定防腐策略和调整工艺参数，有效控制和防止石化设备腐蚀。腐蚀防护措施包括预防性防腐蚀措施及工艺防腐蚀措施。

(1) 预防性防腐蚀措施由于原油性质不稳定，对原油尽量做到“分储分炼”，当原油的酸值和含硫量已经超出了装置的设计标准时，可考虑在罐区进行原油的混掺，将不同种类的原油混合均匀，避免高酸高硫原油对设备的严重腐蚀。另外，炼油装置、管道材料要根据工艺流程装置允许达到的最大腐蚀介质(硫、酸、氯)含量，并结合现场操作环境(温度、流速、压力等)综合决定。设备材料的选择要考虑最极端条件下设备所能容忍的最大腐蚀介质。温度、流速、压力有时会促进或加剧腐蚀的产生[11]，可从局部材料选择(如材料升级)和特殊结构设计(降低流速、增加壁厚、增大流通面积)来减缓局部产生严重腐蚀。

(2) 工艺防腐措施“一脱三注”是针对炼油装置低温部位的工艺防腐蚀措施。这些措施的采取可根据腐蚀监测和腐蚀预测值来决定。腐蚀监测结果可作为“一脱三注”防腐蚀措施实施的指导依据，又可考核检验“一脱三注”防腐蚀措施实施运行效果。

2　应用案例

本工作研究的管理体系可为炼油装置的腐蚀监测管理提供理论和实践上的指导，有利于提高企业的腐蚀管理水平。目前，该体系已应用于某石化公司下属炼油厂、乙烯厂、热电厂、1 000万t炼油厂等4个厂19个车间46套装置中，通过在装置腐蚀敏感部位建立监测点，制定相应的腐蚀监测方案，建立腐蚀数据库，实现数据管理的信息化平台，通过对腐蚀趋势变化的跟踪与预测，提高了企业装置腐蚀综合管理与控制能力。

该腐蚀监测管理体系实施运行后，使用效果良好。该石化企业的腐蚀数据主要包括设备档案资料和腐蚀监测数据。设备档案资料主要包括塔类设备、容器类设备、换热器类设备以及工艺管线等基础数据,如塔类、容器类、换热器类设备的名称、设备编号、数量、型号规格、介质、操作温度、操作压力、设计温度、设计压力、材质、隔热要求、容器类别、安装日期等；工艺管线的管道名称、编号、测厚线名称、管内介质、操作压力、操作温度、管线规格、缝数量、弯头数量、管线材质、测厚点数、管线起点、管线止点、管道级别、投用日期、最新检验日期等。腐蚀监测数据主要包括油品监测数据、冷凝水监测数据、在线腐蚀速率监测数据、在线pH监测数据、电脱盐监测数据、腐蚀调查监测数据、管线测厚监测数据、原油腐蚀性数据以及循环水系统的水质分析监测数据、挂片监测数据、监测换热器数据等[1]。腐蚀监测数据是按照炼油厂、车间、装置、监测点的层级关系存入腐蚀数据库中的。

选取该炼油厂“加氢裂化装置”监测点监测到的腐蚀数据(pH、Cl-、H2S、NH3-N、Fe2+和Fe3+)作为样本数据，具体选择pH、Cl-、H2S、NH3-N等腐蚀影响因素作为样本输入，腐蚀产物Fe2+和Fe3+作为样本输出，按照5∶1将样本数据随机分为训练样本和测试样本，使用BP算法建立三层神经网络对训练样本数据进行学习，得到石化设备腐蚀预测模型，将现场监测的腐蚀数据输入预测模型，可获得Fe2+和Fe3+的腐蚀预测值，结果证明预测值与实际监测值接近，其相对误差范围在10%之内[12]。

另外，选取120万t焦化装置分馏塔部分，将重蜡油中断回流部分监测的腐蚀速率作为历史值，通过GM(1，1)模型预测未来腐蚀速率的变化趋势。在常减压装置塔顶换热器弯头处测量壁厚值，通过对历史数据的分析拟合，发现最小剩余壁厚呈指数形式变化。

3　结论与展望

随着物联网、大数据技术的迅速发展并逐渐渗透应用到工业生产中，炼油装置腐蚀监测管理向着信息化、数字化、智能化方向发展。基于物联网的腐蚀监测管理平台是炼油厂腐蚀管理发展的必然趋势。通过在炼油厂生产装置上配置信息采集传感器将实现对腐蚀数据的实时监测，并通过大数据分析，更好地了解和预测装置腐蚀状况，及时采取腐蚀防护措施，确保炼油装置能够安全、长周期运行。另外，目前炼油厂对腐蚀监测数据的分析利用还不够充分，基于大量的腐蚀监测数据，找出腐蚀产生的原因、预测腐蚀趋势、提供合理有效的防腐蚀措施是未来腐蚀科学与防护技术的一个发展方向，也是炼油厂装置腐蚀管理的重点工作之一。

[1]李一曼. 基于B/S模式的石化腐蚀数据管理系统研究开发[D]. 西安：西安石油大学,2011.

[2]HILTON N P,WILLIAMS N,VETTERS E W,et al. Refinery reduces crude overhead corrosion through analysis and online control[C]//International Corrosion Conference Series 2014. San Antonio,TX,United states:[s.n.],2014.

[3]赵敏,康强利. 炼油装置腐蚀监测体系的应用[J]. 腐蚀科学与防护技术,2013,25(1):77-78.

[4]张居生,杜月侠,兰云峰,等. 腐蚀监测技术及其适用性选择[J]. 腐蚀与防护,2011,33(1):75-78.

[5]李一曼,周三平,李涛. B/S模式石化腐蚀数据管理系统趋势图设计与开发[J]. 腐蚀与防护,2011,32(3):232-235.

[6]KOLTS J,BUCK E. Corrosion life prediction of oil and gas production processing equipment[C]//Proceedings of the ASTM Symposium on Application of Accelerated Corrosion Tests to Service Life Prediction of Materials. Miami,FL,USA:[s.n.],1992:268-281.

[7]王正方,王勇,赫庆坤. 基于灰色系统理论的常压塔顶腐蚀影响因素分析[J]. 中国石油大学学报(自然科学版),2009,33(5):119-123.

[8]王正方,王勇,刘秀华. 基于灰色系统理论的常压蒸馏装置腐蚀预测[J]. 中国石油大学学报(自然科学版),2010,34(2):114-118.

[9]李启锐,陈晓龙. 炼厂常减压装置管线腐蚀速率的灰色预测[J]. 腐蚀与防护,2014,35(8):852-855.

[10]袁赓,王树刚,黄一. 基于马尔可夫链的埋地燃气钢管管壁腐蚀预测[J]. 哈尔滨工业大学学报,2010,42(8):1328-1331.

[11]方晓君,彭伟华,李建东,等. 温度、流速及压力对原油腐蚀性的影响[J]. 腐蚀科学与防护技术,2014,26(5):431-435.

[12]LI J,LIANG G Q. Petrochemical equipment corrosion prediction based on bp artificial neural network[C]//IEEE International Conference on Mechatronics and Automation. Beijing China:[s.n.],2015:238-242.

Corrosion Monitoring Management System for Refinery Equipment

LI Jiao1,2, LIANG Gong-qian2, ZHOU San-ping3

(1. School of Computer Science, Xi′an Shiyou University, Xi′an 710065, China;2. School of Management, Northwestern Polytechnical University, Xi′an 710072, China;3. School of Mechanical Engineering, Xi′an Shiyou University, Xi′an 710065, China)

In order to improve the corrosion monitoring management level and evaluate effectively the corrosion of refinery equipment, a complete corrosion monitoring management system for refinery equipment was constructed. The selection strategy of monitoring points was introduced first, and then the corrosion monitoring schemes were worked out for different monitoring points according to their corrosion mechanism in technological processes. Then the corrosion database was established to save the corrosion data monitored, and the corrosion data management system was designed and implemented. Finally artificial neural network, grey theory, markov theory and other methods were used to construct the corrosion evaluation and prediction system to provide decision support to the adoption of anti-corrosion strategy and the adjustment of process parameters.

equipment corrosion; evaluation and prediction system; artificial neural network

10.11973/fsyfh-201610014

2015-11-04

陕西省科技厅项目(2015GY026, 2015GY102); 陕西省教育厅项目(15JK1571, 15JK1586)

李 皎(1982-)，讲师，博士研究生，从事装置腐蚀与防护研究，15029933530，lijiao@xsyu.edu.cn

TG174

B

1005-748X(2016)10-0847-05