一種石油煉化生產過程故障診斷和預警系統及其建立方法

2023-06-01 11:48:16 4

一種石油煉化生產過程故障診斷和預警系統及其建立方法
【專利摘要】本發明提供一種石油煉化生產過程故障診斷和預警系統及其建立方法，包括：建立石油煉化生產過程的多級流模型；確定故障傳播路徑；對石油煉化生產過程進行危險與可操作性HAZOP分析；確定多個靜態節點和多個動態節點，確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型；採用動態貝葉斯網絡結構評分機制對所述至少一個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型；確定所述故障多級關聯模型中靜態節點與動態節點之間的條件概率關係；建立故障診斷和預警模塊。本發明所建的故障多級關聯模型及故障診斷和預警模塊具有較強的故障傳播及故障溯源推理能力，能夠實現對石油煉化生產過程故障的準確診斷與及時預警。
【專利說明】一種石油煉化生產過程故障診斷和預警系統及其建立方法

【技術領域】
[0001] 本發明涉及故障智能診斷【技術領域】，具體地，涉及一種石油煉化生產過程故障診 斷和預警系統及其建立方法。

【背景技術】
[0002] 石油煉化生產屬於典型的流程工業，生產裝置由靜設備、動設備、電氣設備、儀器 儀表和工藝管道構成，布局緊湊，組成一個功能完備的生產體系；廠區內生產和儲運的易 燃、易爆物質以及生產設備的數量較多，事故風險高，安全生產控制難度大。同時石油煉化 工藝過程具有易燃易爆、腐蝕嚴重、毒害性大、高溫高壓以及生產連續性強等特點，煉化裝 置運行狀況的好壞，將直接影響煉化工藝的連續性、穩定性和安全性，而生產的特殊性使整 個裝置設備也存在許多不安全因素。煉化裝置一旦發生事故，將危及人民群眾的生命財產 安全，並造成巨大的停產損失。
[0003] 因此，建立完善的煉化裝置預警體系，從大量關聯的設備單元中及時發掘事故徵 兆，找出危險因素根源，並在事故發生之前預先警告可能的後果，給出相應的安全措施，是 十分迫切的問題。
[0004] 目前，針對石油化工生產過程的故障診斷、預測，應用較好的方法包括多元統計法 (PCA、FDA、PLS、ICA等）、解析模型法（參數估計法、狀態估計法、等價空間法等）、基於信 號處理方法（小波變換法、相關分析法、譜分析法等）、專家系統法（ΙΡ0Μ、AMS等），以及更 為新穎的基於基因表達式編程的過程故障知識抽取法等。另外，人工神經網絡理論由於其 容錯、聯想、記憶、自組織、自學習和處理多模式的功能，為非線性系統的故障診斷開闢了新 的途徑，成為故障診斷領域中的研究熱點之一。用於故障診斷的神經網絡有：多層感知器 (Multi-Layer Perception，MLP)神經網絡、徑向基函數（Radial Basis Function，RBF)和 自組織神經網絡等，其中應用最多且較成熟的是BP網。
[0005] 在知識獲取上，神經網絡只需要利用領域專家解決問題的實例或範例來訓練網 絡，與專家系統相比，既具有更多的時間效率，又能保證更高的質量。在知識表示中，神經網 絡採用隱式表示，自動產生的知識由網絡的結構及權值表示，並將某一問題的多個知識在 同一網絡中表示，通用性強，便於實現知識的自動獲取和並行聯想推理；在知識推理方面， 網絡是通過神經元之間的相互作用實現的，推理是並行的且速度快。神經網絡也存在一些 自身不可避免的缺陷，不足之處在於：缺乏特殊領域專家的診斷知識；不能自動獲取大量 知識，只能用一些明確的故障診斷事例；需要有足夠的學習樣本，才能保證診斷的可靠性， 訓練樣本獲取困難；網絡權值的含義不明確，對診斷推理過程和診斷結果不能夠解釋，缺乏 透明度。
[0006] 另一個研究熱點及基於圖論模型的故障診斷方法，具有代表性的包括SDG法、LDG 法、Petri網絡法、因果圖法以及小世界網絡法。基於圖論的方法已經部分接近故障自身演 化、傳播規律，但是表達內容不全面，推理方法單調。應用SDG、LDG模型只能定性或半定量 分析，且適用於連續系統，同時模型節點局限於具體參數，表達能力有限。基於小世界聚類 特性的故障傳播模型可以在無法準確獲得故障之間的因果邏輯關係情況下（大部分實際 情況確實如此），分析故障發生、傳播和放大的根本原因，計算擴散強度，找出系統中的脆弱 點。該模型在電力系統故障分析中應用良好，而在其他工業領域鮮有提及，其原因是電力系 統自身具有明確的拓撲結構特性，可以方便的轉化為小世界網絡，而油氣生產加工等多數 複雜系統自身故障傳播的結構特點不明確，具有較大隨機性，且其故障傳播是否具有小世 界特性至今尚未得到證明。動態因果圖法基於傳統的信度網和故障樹分析技術，該方法通 過引入布爾邏輯運算的方法，克服了當前所流行的信度網絡知識表達方法之不足，較好地 繼承了兩者的優點，適合於複雜工業系統的故障診斷領域的應用，但其節點間因果影響強 度的確定僅僅依賴專家知識，忽略了具體情況下因果關係的差異。
[0007] 綜上所述，現有的故障診斷方法在煉化過程故障傳播及診斷準確性上存在不足。


【發明內容】

[0008] 本發明實施例的主要目的在於提供一種石油煉化生產過程故障診斷和預警系統 及其建立方法，以解決現有的故障診斷方法在煉化過程故障傳播及診斷準確性上存在不足 的問題。
[0009] 為了實現上述目的，本發明實施例提供一種石油煉化生產過程故障診斷和預警系 統的建立方法，包括：
[0010] 根據石油煉化生產過程涉及的各種設備確定多個功能節點，根據所述各種設備之 間物質和能量的轉化及傳遞關係確定所述多個功能節點的連接關係，建立包含所述多個功 能節點及其連接關係的多級流模型；
[0011] 根據石油煉化生產過程的工藝特點以及所述多級流模型中各功能節點之間的連 接關係，確定故障傳播路徑；
[0012] 通過對石油煉化生產過程進行危險與可操作性HAZOP分析，確定多個監測變量、 每種監測變量的狀態偏差及其產生原因和可能後果；
[0013] 根據所述多個監測變量確定多個靜態節點，根據所述多級流模型包含的功能節點 確定多個動態節點，根據所述故障傳播路徑、所述每種監測變量的狀態偏差及其產生原因 和可能後果確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型，每個備選 模型包含所述靜態節點和動態節點及其一種連接關係；所述至少一個備選模型與所述靜態 節點和動態節點的至少一種連接關係分別對應；
[0014] 結合石油煉化生產過程的歷史數據，採用動態貝葉斯網絡結構評分機制對所述至 少一個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型；
[0015] 結合石油煉化生產過程的歷史數據和專家經驗，確定所述故障多級關聯模型中靜 態節點與動態節點之間的條件概率關係；
[0016] 建立故障診斷和預警模塊，所述故障診斷和預警模塊用於採用貝葉斯網絡推理規 則和隱馬爾可夫算法，利用所述故障多級關聯模型和所述監測變量的實時數據診斷已發生 故障產生的原因及預測可能發生的故障。
[0017] 相應的，本發明還提供一種石油煉化生產過程故障診斷和預警系統，包括：故障多 級關聯模型和故障診斷和預警模塊；其中，
[0018] 所述故障多級關聯模型採用如下方法建立：
[0019] 根據石油煉化生產過程涉及的各種設備確定多個功能節點，根據所述各種設備之 間物質和能量的轉化及傳遞關係確定所述多個功能節點的連接關係，建立包含所述多個功 能節點及其連接關係的多級流模型；
[0020] 根據石油煉化生產過程的工藝特點以及所述多級流模型中各功能節點之間的連 接關係，確定故障傳播路徑；
[0021] 通過對石油煉化生產過程進行危險與可操作性HAZOP分析，確定多個監測變量、 每種監測變量的狀態偏差及其產生原因和可能後果；
[0022] 根據所述多個監測變量確定多個靜態節點，根據所述多級流模型包含的功能節點 確定多個動態節點，根據所述故障傳播路徑、所述每種監測變量的狀態偏差及其產生原因 和可能後果確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型，每個備選 模型包含所述靜態節點和動態節點及其一種連接關係；所述至少一個備選模型與所述靜態 節點和動態節點的至少一種連接關係分別對應；
[0023] 結合石油煉化生產過程的歷史數據，採用動態貝葉斯網絡結構評分機制對所述至 少一個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型；
[0024] 結合石油煉化生產過程的歷史數據和專家經驗，確定所述故障多級關聯模型中靜 態節點與動態節點之間的條件概率關係；
[0025] 所述故障診斷和預警模塊用於採用貝葉斯網絡推理規則和隱馬爾可夫算法，利用 所述故障多級關聯模型和所述監測變量的實時數據診斷已發生故障產生的原因及預測可 能發生的故障。
[0026] 藉助於上述技術方案，本發明充分考慮了石油煉化生產過程中工藝參數之間關聯 程度高、耦合性強，任何子系統或子部件發生故障易引發鏈式效應，導致其他故障發生的特 點，首先針對石油煉化生產過程建立多級流模型，在此基礎上，基於動態貝葉斯網絡構建故 障多級關聯模型，其能夠很好地表現石油煉化生產過程所涉及裝置、工藝參數之間以及故 障模式之間的影響關係，進而揭示故障傳播路徑，在此基礎上實現石油煉化生產過程故障 的診斷、根原因的深度推理，以及故障後果發展情況的逐級預測。相比於現有技術，本發明 所建的故障多級關聯模型及故障診斷和預警模塊具有較強的故障傳播及故障溯源推理能 力，能夠實現對石油煉化生產過程故障的準確診斷與及時預警。

【專利附圖】

【附圖說明】
[0027] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例描述 中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些 實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些 附圖獲得其他的附圖。
[0028] 圖1是本發明提供的石油煉化生產過程故障診斷和預警系統的建立方法流程示 意圖；
[0029] 圖2是本發明提供的石油煉化生產過程故障診斷和預警系統結構框圖；
[0030] 圖3是本發明實施例一提供的吸收穩定單元的工藝流程圖；
[0031] 圖4是本發明實施例一提供的吸收穩定單元的多級流模型；
[0032] 圖5是本發明實施例一提供的吸收穩定單元故障傳播路徑圖示；
[0033] 圖6是本發明實施例一提供的吸收塔塔底液位高故障傳播路徑圖示；
[0034]圖7是本發明實施例一提供的吸收塔頂回流罐備選模型的評分值；
[0035] 圖8是本發明實施例一提供的吸收塔頂回流罐的故障多級關聯模型；
[0036] 圖9是本發明實施例一提供的D4_l節點狀態分布變化；
[0037] 圖10是本發明實施例一提供的D4_2節點狀態分布變化；
[0038] 圖11是本發明實施例一提供的動態節點的狀態推理結果；
[0039] 圖12是本發明實施例一提供的回流罐壓力和回流罐液位的變化狀態歷史數據；
[0040] 圖13是本發明實施例一提供的靜態節點的狀態推理結果；
[0041] 圖14是本發明提供的MFM標準化圖形符號；
[0042] 圖15 (a)、圖15 (b)、圖15 (c)是本發明提供的MFM標準化圖形符號相關概念定義。

【具體實施方式】
[0043] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於 本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬於本發明保護的範圍。
[0044] 本發明提供一種石油煉化生產過程故障診斷和預警系統的建立方法，如圖1所 示，包括如下步驟：
[0045] 步驟S1，根據石油煉化生產過程涉及的各種裝置確定多個功能節點，根據所述各 種裝置之間物質和能量的轉化及傳遞關係確定所述多個功能節點的連接關係，建立包含所 述多個功能節點及其連接關係的多級流模型。
[0046] 考慮到石油煉化生產過程中設備單元與操作關聯程度高，危險因素耦合性強，因 此在本發明引入MFM(Multilevel Flow Model，多級流模型）思想，建立石油煉化生產過程 的多級流模型，分析生產過程及設備的耦合規律，揭示生產過程的故障傳播機理，明確故障 在生產系統內的發生及發展規律。
[0047] 建立石油煉化生產過程的MFM，即整個生產過程抽象成廣義的"流"。首先把具有 一定功能的設備（或裝置）用功能節點表示，然後根據物質或能量的轉化、轉換、傳遞過程， 用功能節點組成相對應的物質流或能量流。這樣，應用MFM可以展示出生產過程中單元部 件之間及變量參數之間的關係，明確故障傳播的路徑，根據系統物質流、能量流等的變化可 以診斷生產過程中的危險因素和故障。
[0048] MFM建模方法包括三個層次：即目標、功能以及設備元件。如圖2所示為MFM的建 模流程圖，首先，全面分析系統工藝過程，確定分析的範圍並將系統分解為若干個子系統； 其次，分析系統（或子系統）會達成的目標，例如，系統所達成的生產目標、經濟目標或安全 目標等；再次，列出每個子系統內元件的功能，從功能符號中選取表達流功能，用連接關係 內部連接流功能；最後，以達成關係、條件關係等連接目標與流功能，形成MFM。
[0049] MFM的標準化圖形符號如圖14所示。
[0050] 部分圖形符號的概念定義如圖15 (a)、圖15(b)、圖15(c)所示。
[0051] 步驟S2,根據石油煉化生產過程的工藝特點以及所述MFM中各功能節點之間的連 接關係，確定故障傳播路徑。
[0052] 在建立石油煉化生產過程的MFM之後，MFM不僅為從大量的局部警報中搜尋根本 原因提供了良好的基礎，還可提供一套蘊涵推理規則的可視化圖形符號，運行人員可採用 符號分析的方法進行推理和判斷，確定MFM中不同功能節點之間的狀態傳遞關係；另外，再 結合石油煉化生產過程的工藝特點（例如，生產過程及設備的耦合規律，物質或能量的轉 化、轉換、傳遞過程），可確定出MFM的告警傳遞規則，進而基於告警傳遞規則確定故障傳播 路徑。
[0053] 以下為常見石油煉化生產過程的MFM告警傳遞規則：
[0054] ①傳送節點的高（低）流量報警會導致其上遊的存儲節點的低（高）容量報警， 導致其下遊的存儲節點高（低）容量報警。反之，存儲節點的高（低）容量報警將導致其 上遊的傳送節點的低（高）流量報警，導致其下遊高（低）流量報警。
[0055] ②傳送節點的高流量報警會導致與它相連的上遊的源節點產生低容量報警。匯節 點的低容量報警將會迫使與其相連的上遊的傳送節點的高流量報警。
[0056] ③平衡節點的洩漏將會導致與它的輸出端相連的傳送節點的低流量報警，與它的 輸入端相連的傳送節點的高流量報警。平衡節點的填充將會導致與它的輸出端相連的傳送 節點的高流量報警，與它的輸入端相連的傳送節點的低流量報警。
[0057] 針對不同的故障，根據上述告警傳遞規則確定故障傳播路徑。
[0058] 步驟S3,通過對石油煉化生產過程進行HAZOP(Hazard and Operability,危險與 可操作性）分析，確定多個監測變量、每種監測變量的狀態偏差及其產生原因和可能後果。
[0059] 本發明進行的HAZOP分析是採用科學的程序和方法，按照石油煉化生產過程的工 藝流程，結合工藝參數，分析正常/非正常時可能出現的問題、產生的原因、可能導致的後 果以及應採取的措施。具體的，HAZOP分析針對石油煉化生產過程涉及的各種設備元件，確 定需要監測的工藝參數（即監測變量），針對每一種監測變量確定其可能出現的各種非正 常狀態（即監測變量的狀態偏差，如溫度過高\過低、壓力過高\過低等），進一步確定產生 每一種狀態偏差的原因以及這種狀態偏差可能會導致的後果。
[0060] 1)分析之前的準備
[0061] 準備工作主要完成以下任務：確定HAZOP分析的對象、目的和範圍；完成資料（包 括工藝流程PID圖、裝置操作規程、管道儀表流程圖、裝置平面布置圖、事故統計報告等） 的準備工作；成立HAZOP分析小組；安排會議次數及時間。
[0062] 2) HAZOP分析會議並完成分析
[0063] 小組成員以HAZOP分析會議的形式，分析並確定出石油煉化生產過程中對故障產 生或傳遞有影響的工藝參數，即監測變量，例如溫度、壓力、液位等；進一步的，分析這些監 測變量的可能狀態，確定每種監測變量的狀態偏差，例如溫度高\低、壓力高\低、液位高 \低等；然後，對工藝過程的危險和操作性問題進行分析，分析導致狀態偏差的全部原因， 不同狀態偏差可能導致的危害後果，已有的安全措施是否充足，提出需要添加的安全措施。
[0064] 3)根據HAZOP分析的記錄編寫結果報告
[0065] 分析記錄是HAZOP分析的一個重要組成部分，也是後期編制分析報告的直接依 據。會議記錄員應根據分析結果討論過程提煉出恰當的結果，將所有重要的意見全部記錄 下來，並應當將記錄內容及時與分析組人員溝通，以避免遺漏和誤解。HAZOP分析會議以表 格形式記錄。
[0066] 4)分析結果的追蹤和完善
[0067] HAZOP建議措施需要進行審核和實施，需要針對每一項建議制定一個行動方案， 所採取的措施要有完整的文件記錄才能關閉，適當的實施措施和行動計劃需要包括以下內 容：
[0068] ①同意採納建議、接受研究、不接受不同方案或拒絕的聲明；
[0069] ②接受建議後方案責任的落實；
[0070] ③擬採取措施的簡短描述；
[0071] ④實施建議措施所需要做的工作。
[0072] 步驟S4,根據所述多個監測變量確定多個靜態節點，根據所述多級流模型包含的 功能節點確定多個動態節點，根據所述故障傳播路徑、所述每種監測變量的狀態偏差及其 產生原因和可能後果確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型， 每個備選模型包含所述靜態節點和動態節點及其一種連接關係；所述至少一個備選模型與 所述靜態節點和動態節點的至少一種連接關係分別對應。
[0073] 該步驟是在已經建立的MFM以及故障傳播路徑分析、HAZOP分析基礎上，研究石油 煉化生產過程所涉及的設備元件、工藝參數之間的影響關係，並建立符合這種影響關係的 模型，即備選模型。由於設備元件之間的關聯關係複雜，工藝參數之間相互作用、相互影響 的關係也相當複雜，因此，該步驟得出的符合石油煉化生產工藝與設備元件、工藝參數影響 關係的備選模型有時並不唯一，也就是說，該步驟可能會得出多個滿足要求的備選模型，但 最優的網絡結構需要進一步分析選擇。
[0074] 建立備選模型，首先要確定其組成節點：靜態節點和動態節點。其中，靜態節點代 表石油煉化生產過程涉及的各種工藝參數，與HAZOP分析過程中的監測變量相對應，靜態 節點的狀態（如工藝參數是否正常、偏離正常的嚴重程度等）由監測變量的實時數據（由 石油煉化生產現場的傳感器進行採集）與預設安全區間的比較結果決定；動態節點代表石 油煉化生產過程涉及的設備元件，與已建立的MFM中的功能節點相對應，動態節點的狀態 (如設備元件的故障模式、故障程度或功能退化程度等）需要通過分析推理靜態節點的狀 態之後才能確定。
[0075] 節點確定之後，需要繼續確定備選模型的網絡結構，即靜態節點與動態節點的連 接關係。通過對步驟S2中確定的故障傳播路徑，以及步驟S3中確定的每種監測變量的狀態 偏差及其產生原因和可能後果進行分析，可以得出石油煉化生產過程所涉及的設備元件、 工藝參數之間的影響關係，將這種影響關係轉換至靜態節點和動態節點中，即得到靜態節 點與動態節點的連接關係。
[0076] 步驟S5,結合石油煉化生產過程的歷史數據，採用動態貝葉斯網絡結構評分機制 對所述至少一個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型。
[0077] 具體的，石油煉化生產過程的歷史數據包含了監測變量在各個時刻的狀態數據， 將這些歷史數據運用至每一個備選模型，選擇出推理結果準確度最高、路徑最優化、推理速 度最快的模型，作為最終的故障多級關聯模型。
[0078] 針對每一個備選模型，該步驟可採用如下函數進行評分：

【權利要求】
1. 一種石油煉化生產過程故障診斷和預警系統的建立方法，其特徵在於，包括： 根據石油煉化生產過程涉及的各種設備確定多個功能節點，根據所述各種設備之間物 質和能量的轉化及傳遞關係確定所述多個功能節點的連接關係，建立包含所述多個功能節 點及其連接關係的多級流模型； 根據石油煉化生產過程的工藝特點以及所述多級流模型中各功能節點之間的連接關 系，確定故障傳播路徑； 通過對石油煉化生產過程進行危險與可操作性HAZOP分析，確定多個監測變量、每種 監測變量的狀態偏差及其產生原因和可能後果； 根據所述多個監測變量確定多個靜態節點，根據所述多級流模型包含的功能節點確定 多個動態節點，根據所述故障傳播路徑、所述每種監測變量的狀態偏差及其產生原因和可 能後果確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型，每個備選模型 包含所述靜態節點和動態節點及其一種連接關係；所述至少一個備選模型與所述靜態節點 和動態節點的至少一種連接關係分別對應； 結合石油煉化生產過程的歷史數據，採用動態貝葉斯網絡結構評分機制對所述至少一 個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型； 結合石油煉化生產過程的歷史數據和專家經驗，確定所述故障多級關聯模型中靜態節 點與動態節點之間的條件概率關係； 建立故障診斷和預警模塊，所述故障診斷和預警模塊用於採用貝葉斯網絡推理規則和 隱馬爾可夫算法，利用所述故障多級關聯模型和所述監測變量的實時數據診斷已發生故障 產生的原因及預測可能發生的故障。
2. 根據權利要求1所述的方法，其特徵在於，所述的採用動態貝葉斯網絡結構評分機 制對所述至少一個備選模型評分過程中所採用的評分函數為：
其中，BIC為評分值；ξ為備選模型的模型結構X=(X1,X2，…，Xi,…，XJ，由η個節點Xi組成；節點Xi有Si個取值（1，2,…，Si)，節點Xi的父節點^七有ti個取值Q，2,…，; D為石油煉化生產過程的歷史數據集；表示數據集D內Xi =Xi,Π& 的概 率；/φ'/k、.J表示節點Xi父節點Πχ;狀態為' 的前提下、節點狀態為Xi的概率；N為數據 條數。
3. 根據權利要求2所述的方法，其特徵在於，所述故障多級關聯模型中靜態節點與動 態節點之間的條件概率關係包括： 動態節點初始狀態分布T=ill% ; 動態節點狀態轉移概率分布j= ; aa 靜態節點狀態轉移概率分布$ = ; 其中，na為動態節點的數目，nb為靜態節點的數目。
4. 根據權利要求3所述的方法，其特徵在於，所述故障診斷和預警模塊診斷已發生故 障產生的原因時採用如下公式： δ!(i) =Ji ^i(Y1),I^i^η Δ,(?)=O χν
' ?^?^η - - 其中，λ= (Α，Β，π)為故障多級關聯模型中靜態節點與動態節點之間的條件概率關 系；SJi)對應各狀態產生輸出y(l的概率，AtlQ)表示該時刻動態節點序列的狀態，δt(i) 表示在t時刻到達狀態j時產生對應輸出序列y(l的概率，At (i)表示t-1時刻前的動態節 點的序列。
5. 根據權利要求3所述的方法，其特徵在於，所述故障診斷和預警模塊預測可能發生 的故障時採用如下公式：
其中at(i) =P(Xt =i|y1:t)表示動態節點y在時間段[1，t]的所有取值時，靜態節 點X在時刻t取值為狀態i的概率；P(xt+1 |xt)表示已知靜態節點X當前時刻的狀態時，未 來下一時刻該靜態節點出現該狀態的概率。
6. -種石油煉化生產過程故障診斷和預警系統，其特徵在於，包括：故障多級關聯模 型和故障診斷和預警模塊；其中， 所述故障多級關聯模型採用如下方法建立： 根據石油煉化生產過程涉及的各種設備確定多個功能節點，根據所述各種設備之間物 質和能量的轉化及傳遞關係確定所述多個功能節點的連接關係，建立包含所述多個功能節 點及其連接關係的多級流模型； 根據石油煉化生產過程的工藝特點以及所述多級流模型中各功能節點之間的連接關 系，確定故障傳播路徑； 通過對石油煉化生產過程進行危險與可操作性HAZOP分析，確定多個監測變量、每種 監測變量的狀態偏差及其產生原因和可能後果； 根據所述多個監測變量確定多個靜態節點，根據所述多級流模型包含的功能節點確定 多個動態節點，根據所述故障傳播路徑、所述每種監測變量的狀態偏差及其產生原因和可 能後果確定所述靜態節點和動態節點的連接關係，建立至少一個備選模型，每個備選模型 包含所述靜態節點和動態節點及其一種連接關係；所述至少一個備選模型與所述靜態節點 和動態節點的至少一種連接關係分別對應； 結合石油煉化生產過程的歷史數據，採用動態貝葉斯網絡結構評分機制對所述至少一 個備選模型評分，將評分值最高的備選模型確定為故障多級關聯模型； 結合石油煉化生產過程的歷史數據和專家經驗，確定所述故障多級關聯模型中靜態節 點與動態節點之間的條件概率關係； 所述故障診斷和預警模塊用於採用貝葉斯網絡推理規則和隱馬爾可夫算法，利用所述 故障多級關聯模型和所述監測變量的實時數據診斷已發生故障產生的原因及預測可能發 生的故障。
【文檔編號】G05B23/02GK104238545SQ201410327722
【公開日】2014年12月24日 申請日期:2014年7月10日 優先權日:2014年7月10日
【發明者】胡瑾秋, 張來斌, 蔡戰勝, 王宇, 王安琪 申請人:中國石油大學(北京), 中海石油中捷石化有限公司