FCCU反—再系统基于神经网络和SDG模型的混合故障诊断系统研究与开发

论文摘要

流化催化裂化装置（Fluidized Catalytic Cracking Unit简称FCCU）是石油加工过程中深度加工的关键装置，其工艺结构复杂，变量关联、耦合，为了实现FCCU生产过程的“安、稳、长、满、优”，系统的安全性、可靠性和有效性变得越来越重要和突出。因此，研究和开发FCCU的故障诊断技术有着非常重要的理论意义和实用价值。神经网络模型用于模拟人脑神经元活动的过程，是一种由大量简单的高度互连的神经元组成的并行计算系统，在函数逼近、模式识别、故障分类、诊断等领域，表现出强大的生命力。基于符号定向图SDG（Signed Directed Graph）的定性仿真技术采用基于深层知识模型的推理机制，是一种完备的揭示系统潜在危险以及故障在系统中传播规律的有效方法。近年来，SDG在石油化工领域中的安全评价方面取得了重大进展，基于SDG的故障诊断方法与技术也成为当今的研究热点。由于实际诊断问题的复杂性和各种诊断方法所固有的局限性，只应用一种诊断方法就完全解决实际对象的诊断问题几乎是不可能的。因此，同时应用多种方法形成混合的故障诊断系统来进行综合诊断是非常必要的。由于故障诊断进行的是过程系统在故障状态下的特殊行为特性的研究，受到工业现场连续生产不允许进行危险试验的限制，建立FCCU的动态机理数学模型、开发仿真平台、产生各种非正常及故障工况场景，是开展故障诊断技术研究的有效基础和必备条件。本文主要以催化裂化装置中最为复杂、也最为关键的反应-再生系统为研究对象，依托所建立的系统动态仿真平台，分别研究、开发了神经网络故障诊断系统、SDG定性模型及SDG故障诊断系统，并将它们集成到一起，形成了一种既高效又完备的混合故障诊断系统。主要工作和取得的成果如下：1、建立、完善了高效烧焦罐式催化裂化装置反应-再生系统的动态机理非线性数学模型，不仅精度高，而且有大范围的适应性，模型鲁棒性强，除了满足正常运行状况（稳态工作点附近）模型准确外，注入事故和非正常工况下，模型仍具有一定精度。2、利用VC++6.0的MFC类库面向对象编程，在WINDOWS操作系统下开发了系统仿真平台软件，多文档界面（MDI），消息驱动，界面规范、友好，功能丰富，操作方便。3、将FCCU反应-再生系统所可能发生的16种故障和非正常工况进行归纳分类，分为设备损坏类故障4种（如：原料油泵停等）、人为误操作类故障8种（如：雾化蒸汽量误操作减少等）和工艺异变类故障4种（如：催化剂活性降低等）。在系统仿真软件上，对16种故障和非正常工况进行了仿真实验和案例研究，制造了不同故障下的仿真“剧情”，获取了大量的故障数据，为后续的故障诊断研究作好了充分的准备。4、利用MATLAB的神经网络工具箱，研究了常用的BP算法和RBF算法，针对化工装置故障诊断的在线应用和实时应用的要求，主要研究了神经网络的快速训练和动态特性，提出了改进的算法，MATLAB仿真结果表明了改进算法的有效性和实用性。5、利用VC++和MATLAB混合编程，在VC++中启动调用MATLAB计算引擎，开发了WINDOWS操作系统下的故障诊断软件，操作界面、数据接口、算法选择、任务调度和管理等由VC++来编程实现，神经网络核心算法由MATLAB工具箱完成，充分发挥了VC++的可视化和MATLAB的矩阵计算优势。软件具有神经网络离线训练学习和在线故障诊断的功能。6、采用定量数学模型和经验知识相结合的方法，选取了64个关键变量，建立了FCCU反应-再生系统的SDG定性深层知识模型，直观充分地揭示了反应-再生系统各变量间复杂的前后影响和因果关联，模型中考虑了催化剂循环量、目标产品产量和自保联锁等因素，这在以前的文献中未见报导。7、利用计算机模拟与安全工程研究室开发的SDG故障诊断软件，对所建立的反应-再生系统的SDG故障诊断模型进行了仿真，16种案例实验结果显示了本文所建的SDG模型具有较高的完备性和实用性。8、提出并完成了一种全新的混合故障诊断系统：将FCCU反应-再生系统动态仿真平台系统、神经网络故障诊断软件和SDG故障诊断系统通过通讯接口集成到一起，形成了一种全新的混合故障诊断系统，成功地进行了大量非正常工况和故障“诱发”和实时在线故障诊断试验，对本文建立的数学模型和提出的故障诊断方法进行了有效的实验室级验证。这种集成的故障诊断技术充分发挥了SDG系统“高层”推理的优势和神经网络“低层”处理的长处，两者的有机结合保证了系统整体的高诊断性，神经网络保证了诊断的高效性，SDG系统则保证了诊断的完备性，这对于复杂系统的诊断，尤其是实时诊断是非常适用的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 国内外研究现状及存在问题
• 1.2.1 系统故障检测与诊断技术的主要方法
• 1.2.1.1 基于解析模型的方法
• 1.2.1.2 基于信号处理的方法
• 1.2.1.3 基于知识（计算智能）的方法
• 1.2.2 催化裂化装置、动态模型及其故障诊断
• 1.2.3 问题与展望
• 1.3 研究及开发内容
• 第二章 FCCU反-再系统简介及故障分类
• 2.1 FCCU反-再系统工艺流程说明及概述
• 2.1.1 流程说明
• 2.1.2 工艺概述
• 2.2 FCCU反-再系统常见故障分类
• 第三章 FCCU反应-再生系统动态机理数学模型及仿真平台开发
• 3.1 反应-再生系统的数学模型
• 3.1.1 提升管反应器动态数学模型
• 3.1.2 原料性质的影响及产率模型
• 3.1.3 高效再生器烧焦罐动态数学模型
• 3.1.4 再生二密相床动态数学模型
• 3.1.5 沉降器的动态数学模
• 3.2 关联部分的模型
• 3.2.1 催化剂循环量的计算
• 3.2.2 压力系统模型
• 3.3 系统仿真平台的开发
• 3.3.1 反-再系统仿真平台的实现
• 3.3.2 程序总体框图
• 3.3.3 系统任务调度及实时管理（消息驱动管理）
• 3.3.4 数据管理
• 3.3.5 仿真算法和步长
• 3.4 仿真实验及结果分析
• 3.4.1 改变操作条件的仿真
• 3.4.2 出现干扰的仿真
• 3.4.3 出现事故的仿真
• 第四章 基于神经网络的故障诊断
• 4.1 神经网络简介
• 4.2 前向BP网络
• 4.3 RBF网络
• 4.3.1 RBF网络结构
• 4.3.2 RBF网络的学习算法
• 4.4 BP网络算法的改进
• 4.4.1 对学习步长的改进
• 4.4.2 无约束优化线性搜索
• 4.4.3 基于Goldstein线性搜索的最优学习步长算法
• 4.4.4 对激励函数的改进
• 4.4.5 改进的BP算法实现
• 4.5 实例仿真及对比分析
• 4.5.1 新算法和普通自适应算法的比较
• 4.5.2 新算法和梯度方向比较自适应算法的比较
• 4.5.3 新算法和Goldstein算法的比较
• 4.6 利用神经网络模拟建立动态系统模型
• 4.6.1 系统的动态特性
• 4.6.2 系统的动态特性的神经网络实现
• 4.7 神经网络故障诊断软件开发及应用
• 4.7.1 输入变量的确定和样本的获取
• 4.7.2 训练样本数的确定、样本的选择与组织
• 4.7.3 BP网络隐含层的设计
• 4.7.4 BP网络的拓扑结构
• 4.7.5 实例研究
• 4.7.6 不同BP训练函数的比较
• 4.7.7 RBF网络参数设计及对比
• 4.7.8 BP与RBF网络的比较
• 4.7.9 神经网络动态特性在故障诊断中的应用
• 第五章 基于SDG的FCCU反-再系统故障诊断
• 5.1 符号定向图（SDG）
• 5.1.1 定义
• 5.1.2 SDG模型
• 5.1.3 SDG建模方法和原则
• 5.1.4 SDG的推理机制
• 5.1.5 SDG定性仿真和定量仿真的辅助关系
• 5.1.6 SDG方法的优缺点
• 5.2 FCCU反-再系统SDG故障诊断模型的建立
• 5.2.1 FCCU反-再系统SDG建模的前提条件
• 5.2.2 对SDG故障诊断模型的要求
• 5.2.3 FCCU反-再系统SDG诊断模型的建立过程
• 5.2.4 FCCU反-再系统SDG故障诊断模型
• 5.3 SDG故障诊断案例研究
• 第六章 FCCU混合故障诊断系统的建立及仿真
• 6.1 混合故障诊断系统的建立
• 6.1.1 混合故障诊断系统方案
• 6.1.2 混合故障诊断系统的建立
• 6.2 混合故障诊断系统的仿真
• 第七章 总结与展望
• 7.1 研究工作总结
• 7.2 研究工作展望
• 参考文献
• 附录1 FCCU反-再部分模型变量说明
• 附录2 FCCU仿真平台软件程序界面
• 附录3 神经网络故障诊断软件程序界面
• 致谢
• 研究成果及发表的学术论文
• 作者简介
• 导师简介
• 博士研究生学位论文答辩委员会决议书