基于人工智能预警天然气净化装置非正常工况

周斯雅，代 娟，曾思逊，任 挺，李 涛，王玉琼

（1.中国石油西南油气田公司 川中油气矿净化科，四川 遂宁 629000；2.中国石油西南油气田公司 川中油气矿科技科，四川 遂宁 629000；3.中国石油西南油气田公司 川中油气矿磨溪天然净化厂，四川 遂宁 629000；4.中国石油西南油气田公司 川中油气矿信息管理部，四川 遂宁 629000）

0 引言

天然气净化装置的生产过程分为正常工况、非正常工况和事故工况［1］。当装置工艺参数偏离正常运行范围，DCS、SCADA 等工业控制系统阈值报警，提示现场人员装置由正常工况转变为非正常工况。若现场人员对非正常工况故障源分析或操作处置不及时、不正确时，将有可能演变成事故工况，造成不可挽回的后果。实践证实，70%的事故是由人为因素造成的［2］。

天然气净化装置非正常工况的形成是经过人—机—过程—环境相互制约与影响［3］的复杂过程，大多数情况下都是缓慢发生的。非正常工况处置的效率和效果直接影响到装置的平稳运行率。现有非正常工况预警技术的安全管控点，在工艺参数偏离正常范围、控制系统报警之后，依靠操作人员综合分析各报警参数的变化趋势并判断故障源，容易错失最佳处理时间［4］。当操作人员处理安全屏障失效时，紧急停车系统启动，甚者引发事故。

结合工业控制系统实时读取及历史查询的数据库，运用人工智能寻求一种新思路、新技术，在非正常工况初期表征、工业控制系统阈值报警关口之前，降低人为影响因素的非正常工况预警方式，推进安全管理关口前移，共同为净化装置的平稳运行保驾护航。

1 人工智能预警净化装置非正常工况的应用现状

人工智能属于“21 世纪三大尖端技术”［5］，随着机器学习、神经网络等人工智能的持续涌现与应用，实现了数据库数据的提取、挖掘、分析、预警与决策指导，成功应用于金融、财务、医学、食品、电力、煤矿等领域，引发了天然气净化企业的创新思考与探索。

近年来，国内研究者运用人工智能，对天然气净化装置非正常工况开展了预警研究。文献［6］提出了脱硫塔差压和液位特征参数构建的脱硫塔发泡模糊数学模型，比DCS 系统的报警时间提前了8min；文献［7］提出了基于滑动窗口的脱硫塔压差系数分析构建的发泡预警模型，实现了异常工况样本库相关系数值的比对预警等等。由于现有研究主要集中于人工智能的传统模型，采用单个或两个重要特征参数构建模型，因而存在模型特征参数未能全部涵盖、预警误报率高等问题。

2 基于人工智能预警目标的选取与运行分析

2.1 预警目标选取

脱硫溶液发泡是净化装置非正常工况最普遍发生的一种现象。胺液发泡造成脱硫处理能力下降，胺液再生不合格，产品气净化度不合格，同时引起雾沫夹带，大量醇胺溶液随气流被带走，造成一定的溶剂损耗和经济损失［8］。防止脱硫溶液发泡是净化装置面临的主要问题之一，应该引起足够的重视［9］。

净化装置DCS 控制系统，作为脱硫溶液发泡预警研究的数据库，具有真实可靠、影响因素点位齐全、连续变化趋势实时与历史查询等功能。工艺流程涉及到的主要工艺参数、自控阀门等显示、调节与控制的变化趋势大多可从系统读取。同时，操作人员岗位交接班、班组交接班记录，对脱硫溶液发泡加注阻泡剂时间、操作处理措施、装置恢复平稳运行时间等有相应记录，可通过人工记录与系统记录两种方式，对脱硫溶液发泡的形成与发生进行回溯与验证。

因此选取具有代表性的脱硫溶液发泡作为非正常工况的预警目标，对磨溪天然气净化厂300×104m3／d净化装置脱硫溶液发泡进行预警应用研究。

2.2 预警目标的运行分析

净化装置脱硫溶液选择性吸收原料天然气中H2S、CH4等气质组分，起到净化天然气的作用。在吸收塔、再生塔与原料气发生气液错流接触反应，产生大量且迅速破裂的气泡，塔为气液平衡状态。当脱硫溶液表面产生的泡沫大量密集、细小且长时间不破裂时，一般认为脱硫溶液已经发泡［10］。300×104m3／d 装置脱硫单元工艺流程如图1 所示。

图1 300×104m3／d 装置脱硫单元工艺流程图Fig.1 Process flow diagram of fesulfurization unit of Purification plant

脱硫溶液发泡的形成是一个复杂的过程，引起发泡的主要因素有：原料气携带的缓蚀剂、润滑油脂等表面活性物质；原料气带入的Mg2＋、重烃类物质；装置本身的腐蚀产物及硫化铁、氢氧化铁、活性炭粉末等固体颗粒；胺液降解产物和热稳定性盐；参数调整不平稳造成的气液接触速度太快、胺液搅动剧烈等［11－12］。

300×104m3／d 净化装置生产运行的现场经验表明：脱硫吸收塔、再生塔的差压以及液位明显波动，初步判断脱硫溶液已发泡。但确认是否由于脱硫溶液发泡引起的装置波动，需排除参数调整不平稳引起的扰动、超过装置重力分离器分离能力，经由上游清管带入的表面活性物质，同步查询与观察DCS 系统脱硫闪蒸罐闪蒸气量增加、吸收与闪蒸液调阀阀位持续下降、酸气流量明显波动、再生塔顶温度上升以及产品气净化度升高等历史数据的变化趋势，综合分析多因素变化趋势判断引发原因。发泡严重时，装置脱硫闪蒸气量和闪蒸压力急剧增加，闪蒸压调阀阀位速增加，甚者闪蒸气放空阀开启降压。当操作人员判断溶液发泡且通过参数调整仍未能减缓发泡现象，需现场加注适量阻泡剂消泡，一般加注后10～20 min 左右消泡效果明显，参数回归正常。

3 脱硫溶液发泡模型构建与应用［13］

3.1 预警模型构建

预警模型构建主要包括数据采集、数据处理、特征工程、特征选择、算法模型等7 个方面。本文研究了5 种不同的数据预处理方法，4 种图像化的方法，8 种数据挖掘方法，10 种标签扩展方法，9 种特征提取方法和5 种模型算法后，形成的经过线下数据集训练优化的理论最优模型。预警模型构建过程如图2 所示。

图2 预警模型构建步骤Fig.2 Steps of early warning model construction

3.1.1 数据采集、处理与挖掘

数据采集是模型构建的最重要步骤，依托于生产运行经验、DCS 数据库、岗位交接班等作为基础数据。为提高大数据分析效率，筛选出与脱硫溶液发泡相关的27 维基础数据维度，基础数据采集维度见表1。回溯2017～2018 年岗位交接班中脱硫溶液发泡记录，将明显发泡且加注了阻泡剂消泡的记录作为基础数据，对照人工记录的发泡时间点、人工干预点、消泡时间点回溯系统记录，选取人工干预点前后72 h 为时间维度，从DCS 数据库每1 s 进行一次数据采集。

表1 基础数据采集维度Tab.1 Basic data acquisition dimension

脱硫溶液发泡是多因素融合过程，对27 维数据维度采用面向跨度为固定时长的数据窗口，分别构建三组特征，每维数据构建的三组特征参数见表2。形成窗口跨度45 min，648 维特征的新数据。

表2 每维数据构建的三组特征参数Tab.2 Three sets of characteristic parameters constructed via each dimensional data

3.1.2 特征工程与特征选择

采用pearson 相关度、f 检验及卡方检验3 种方式，以样本标签为标准维度，对上述构建的特征进行筛选。排除无关噪声干扰及低相关性信息，最终选取89 维作为最终的训练集进行模型训练。在3 种特征重要性评价方式下，整体评分较高的部分特征见表3。

表3 特征重要性评分较高的部分特征Tab.3 The high importance score of features

3.1.3 算法模型与迭代调优

脱硫溶液发泡预警模型构建选取二元分类算法，对历史明显发泡且加注阻泡剂消泡的数据作为历史样本，采用神经网络算法进行线下数据训练。针对模型预警而装置未发泡、模型未预警而装置发泡的正负反馈模式的原因进行分析，探讨装置实际生产扰动、模型自身原因等进行权重调整、修正模型。线下模型的训练样本9 103 条，预测准确率97%，分类效果良好较人工记录现场阻泡剂加注时间提前了12h 预警。线下判别结果见表4。

表4 线下判别结果Tab.4 Off－line discrimination

3.2 模型应用

脱硫溶液发泡预警模型实行实时数据监控、可视化数据显示网页模式，具备动态监测预警、预警跟踪处理、趋势展示、统计分析等功能。系统功能如图3 所示。

图3 脱硫溶液发泡预警系统功能Fig.3 Function on foaming of desulfurization solution system

当模型监测到影响脱硫溶液的因素有发泡趋势时，通过网页报警、手机推送两种模式进行报警信息推送。授予登录权限的操作人员，可在中控室接收到预警模型发出的预警声音信号后，进行及时查看。操作人员、技术人员、管理人员也可在手机端接收到预警信息后，及时返回或通知在岗人员进行预警核实。操作人员通过“预警数据跟踪处理”子模块对预警信息进行跟踪处理，记录预警原因、处理过程和结果等，作为模型线上正负反馈验证。

脱硫溶液发泡预警模型上线运行后，成功实现了4 次实时预警，实时预警发泡事件见表5。以2019 年4 月22 日成功预警事件为例：4 月22 日15：01 操作人员接收到预警系统报警信息后，加密关注再生塔、吸收塔差压、液位，闪蒸气量变化，闪蒸液调阀开度等参数变化趋势；4 月23 日08：09 结合再生塔液位明显波动、闪蒸气量明显增加、闪蒸液调阀开度降低等参数综合分析，判断溶液发泡拦液，09：43中控调整参数但趋势无明显变化，10：30 操作人员赶赴现场加注阻泡剂，12：39 参数回归正常，发泡系统显示如图4 所示。

图4 脱硫溶液发泡2019 年4 月22 日预警事件参数趋势展示Fig.4 Trend display of early warning event parameters of desulfurization solution foaming on April 22，2019

表5 实时预警发泡事件Tab.5 Real time warning of foaming events

4 人工智能预警非正常工况的意义及方向

天然气净化装置的其它非正常工况预警，符合脱硫溶液发泡模型类似的多参数融合的缓慢形成过程及关联参数数据库等特点，净化气气质不达标、脱硫溶液再生质量不达标、硫磺回收单元回压偏高等非正常工况，可复用与迁移“脱硫溶液发泡预警模型”进行预警研究见表6。

表6 可复用与迁移的净化装置其它非正常工况与指标举例Tab.6 Reusable and transferable of other abnormal situation of natural gas purification plant

同时，拟进一步提升装置的经济技术与安全环保指标，如对各级转化器的切换时间由经验时间精准至转化温度控制，以提高硫磺回收单元硫收率；对主燃烧炉空气与酸气的经验配风比，调节转变为结合2：1 在线分析仪数据；尾气灼烧炉排放数据等综合分析控制，以降低尾气SO2排放等，亦可借助于人工智能技术的新思路进行探索。

运用信息化和智能化服务工业生产、辅助生产决策，进一步构建“全面感知、自动操控、智能预测、辅助决策”的智能工厂。

5 结束语

运用人工智能技术，以磨溪天然气净化厂300万装置为例，构建并成功应用＂脱硫溶液发泡预警模型＂，模型对该天然气净化装置的预警准确率可达97%，预警时间较工业控制系统阈值报警提前了12 h。此外，该模型应持续迭代优化，扩大溶液发泡历史数据训练集，强化有监督的学习反馈，进一步实现模型升级，提高预警准确率。

天然气净化装置的其他非正常工况预警，符合多参数融合的缓慢形成过程、关联参数数据库等特点，可复用与迁移“脱硫溶液发泡预警模型”进行预警研究。天然气净化装置的经济技术指标或生产技术管理等，可借助人工智能技术新思路进行探索，进一步提升安全管理水平。