1、隨著生產(chǎn)技術(shù)的不斷發(fā)展進步,現(xiàn)代石油煉制過程,變得越來越自動化和大型化,但同時也日益復(fù)雜化。由于人為誤操作、傳感器故障、控制器故障、工藝參數(shù)變動等因為,異常工況或故障時有發(fā)生,給企業(yè)造成巨大的經(jīng)濟損失和人員傷亡。因此當異常工況發(fā)生時,如何及時準確地確定故障源,避免更加重大的損失和更加嚴重的事故成為必須要解決的重大問題。
　　 SDG(符號有向圖)模型是一種定性模型,能夠從本質(zhì)上描述故障傳播的潛在路徑,基于SDG的故障診斷方法具有

2、完備性高、魯棒性強、能夠解釋故障劇情等優(yōu)點,近些年來,成為一個研究熱點。
　　 然而基于SDG方法存在的一些問題,限制了其在實際工業(yè)上的應(yīng)用。建模方面,目前的SDG建模方法很多,各有優(yōu)缺點,缺乏一種統(tǒng)一的方法；SDG模型屬于定性模型,只通過“+”(增量影響)和“一”(減量影響)來確定節(jié)點之間的關(guān)系,難以比較詳細地描述節(jié)點當前的狀態(tài)以及節(jié)點之間的關(guān)系；而且絕大部分模型都是初始響應(yīng)模型。使得模型只能反映初始響應(yīng)階段變量之間的關(guān)系,難

3、以反映故障發(fā)生后不同階段變量關(guān)系。
　　 以上述SDG模型的基礎(chǔ)上,在SDG故障診斷方法也存在不足。如:節(jié)點狀態(tài)難以反應(yīng)節(jié)點的變化過程,難以在故障發(fā)生早期及時診斷出故障；初始響應(yīng)模型導(dǎo)致在故障發(fā)生后不同階段診斷結(jié)論不一致,遺漏真正故障；多故障發(fā)生時,各個節(jié)點之間互相影響,節(jié)點狀態(tài)可能隨時變化,傳統(tǒng)方法難以找到真正的故障；診斷的分辨率較低等等。
　　 除此之外,之前的研究大都是集中于對SDG故障診斷某些方面的改進,如改進閾

4、值設(shè)置方法、提高分辨率等,缺乏一個基于SDG的故障診斷框架,統(tǒng)一解決目前SDG故障診斷方法存在的不足,使其能夠應(yīng)用于實際工業(yè)過程故障診斷中。
　　 針對目前SDG故障診斷方法存在的問題以及在實際的應(yīng)用中遇到的其它問題,本文展開了研究。主要的工作如下:
　　 (1)研究SDG建模問題。在前人方法的基礎(chǔ)上,提出了基于節(jié)點之間定性趨勢關(guān)系的建模方法。此方法包括了變量之間定性趨勢關(guān)系模式定義以及整個的建模流程。采用代數(shù)、微分方程

5、以及經(jīng)驗相結(jié)合方式,將節(jié)點之間關(guān)系通過趨勢模式或者模式的組合來描述,并建立到SDG模型中,代替?zhèn)鹘y(tǒng)的增量、減量影響,形成了一種新的SDG模型。使得模型不再只是初始響應(yīng)模型,而能夠更加完備地、詳細地表達節(jié)點變量之間在故障發(fā)生后各個階段的關(guān)系。為之后的故障診斷打下基礎(chǔ)。
　　 (2)提出了基于SDG的故障診斷框架。該框架以基于節(jié)點之間定性趨勢關(guān)系的SDG模型為基礎(chǔ)。主要分為數(shù)據(jù)預(yù)處理、異常狀態(tài)監(jiān)測以及故障診斷3部分。數(shù)據(jù)預(yù)處理部分采

6、用了提升小波與中值法對采集的數(shù)據(jù)進行預(yù)處理,去除其中的隨機誤差與粗大誤差,為框架提供更為可靠的數(shù)據(jù)。
　　 異常狀態(tài)監(jiān)測部分負責(zé)對系統(tǒng)進行監(jiān)測,一旦發(fā)現(xiàn)異?；蛘吖收霞皶r通知診斷部分進行診斷。采用了基于節(jié)點定性趨勢片段與傳統(tǒng)閾值相結(jié)合的方法?；诙ㄐ在厔萜蔚姆椒ú捎谩吧仙薄ⅰ跋陆怠迸c“不變”來代表節(jié)點的狀態(tài),負責(zé)在故障發(fā)生早期及時發(fā)現(xiàn)故障,為故障的早期診斷創(chuàng)造條件。當節(jié)點進入穩(wěn)態(tài)之后,采用傳統(tǒng)閾值的方法,即采用“+”、“-”以

7、及“0”來代表節(jié)點狀態(tài),保證在故障發(fā)生后的各個階段,都能有效地、準確地監(jiān)測到異常節(jié)點。
　　 診斷部分采用了SDG與定性趨勢分析結(jié)合的故障診斷方法。提出了基于滑動窗口的雙向擬合的趨勢提取、識別算法,將節(jié)點趨勢提取并識別為“上升”、“下降”或者“不變”。然后根據(jù)提出的轉(zhuǎn)換規(guī)則,將節(jié)點定性趨勢轉(zhuǎn)換為定性趨勢關(guān)系,接著根據(jù)提出的合并規(guī)則,將定性趨勢片段合并,最終得到節(jié)點之間的定性趨勢關(guān)系。采用反向推理方法,將獲取節(jié)點之間的定性趨勢關(guān)系

8、與模型中的關(guān)系相比較,根據(jù)提出的相容規(guī)則進行判斷,找到可能的故障,最后對診斷的結(jié)果進行排序,提高診斷的分辨率。
　　 該框架能夠?qū)崿F(xiàn)故障的早期診斷、不同時刻診斷出真正的故障、多故障診斷,具有較高的診斷分辨率,以及很強的魯棒性。統(tǒng)一解決了目前SDG方法存在的一些不足,為之后SDG方法在實際工業(yè)故障診斷中的應(yīng)用打下了良好基礎(chǔ)。
　　 (3)在SDG故障診斷框架的基礎(chǔ)上,研究、開發(fā)了異常工況信息指導(dǎo)系統(tǒng)并將其應(yīng)用于哈爾濱煉油廠

9、常壓蒸餾裝置故障診斷中。該系統(tǒng)提供了全流程圖形化SDG建模與組態(tài)環(huán)境、異常工況在線實時信息指導(dǎo)、多種數(shù)據(jù)采集方式以及多種去噪方式等功能。為SDG故障診斷方法的實際工業(yè)應(yīng)用提供了保證。同時針對實際應(yīng)用中碰到的具體情況,如數(shù)據(jù)采集方式、去噪方式、趨勢分析的窗口大小、采樣率問題、生產(chǎn)方案切換以及驗證方式等問題,進行了研究,并解決了問題。
　　 (4)通過案例分析以及實際中應(yīng)用的情況,表明了異常工況信息指導(dǎo)系統(tǒng)能夠?qū)崿F(xiàn)早期診斷、不同時刻