英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
天然气加工厂的报警管理实践
Viniacute;cius Barroso Soaresa , Joseacute; Carlos Pintoa , Mauriacute;cio Bezerra de Souza Jr.b,*
a化学工程专业/ COPPE，大学城里约热内卢联邦大学，CP: 68502，里约热内卢，21941-972 RJ，巴西
b化学工程系/里约热内卢联邦大学化学学院，大学城里约热内卢联邦大学，21941-909 RJ，巴西
摘要 在工业数据集中，变量组通常一起移动。监视所有这些变量可能会导致许多干扰警报。但是，可以利用冗余信息来设计和减小报警集的大小。目前的工作阐述了在三年内针对三个大型天然气处理厂，基于报警优先级的报警管理协议的应用，并研究了使用不同的相关分析技术作为工具来协助进一步减少数量警报。结果表明所采用的实践方法可以减少警报。
1.引言
一个报警系统是硬件和软件的集合，可以提供报警状态，将它们传达给操作员并记录状态变化。报警系统对于现代工业厂房（包括炼油厂，石化设施和发电厂）的安全和高效运行至关重要（Bransby amp; Jenkinson, 1997; Rothenberg, 2009）。这些系统主要用作检测接近未命中的工具，可以将其定义为偏离正常运行范围，随后返回到所需的过程操作条件（Pariyani, Seider, Oktem, amp; Soroush, 2010）。因此，这些系统的确是防止未遂事件恶化成事故的保障措施。对大量事故进行的回顾性调查支撑了报警系统在过程操作中发挥的重要作用（Venkatasubramanian, Rengaswamy, Yin, amp; Kavuri, 2003）。
报警系统在维持工厂运行的高效运行方面也发挥着重要作用。众所周知，过程变量与正常/最佳操作区域的偏差通常意味着对进程性能的负面影响。例如导致不合格产品和原材料和能源的过度消耗。尽管如此，当操作员必须处理太多警报时，这些系统的性能可能会很差（EEMUA, 2013）。综上所述，工业报警系统越来越受到工业界和学术界的关注。
这个问题在工业领域的重要性可以通过工业协会和专业组织出版的关于警报系统设计和使用的大量标准和参考来衡量，包括核管理委员会，工程设备和材料用户协会，化学工业测量和控制标准化协会，电力研究所，异常情况管理联盟，国际自动化学会，国际电工委员会，美国石油学会等。（Wang, Fan, Chen, amp; Shah, 2015a）。
所有这些标准和参考都对报警系统的性能提出了具体要求，并建议使用频率分析，报警率，模式分布，操作员反应时间，响应时间等指标（ISA, 2009; EEMUA, 2013）。
报警可分为两大类：正确报警和误报警。正确警报表明进程中的异常情况或设备需要在有限时间内动作。误警报不需要操作员的特定操作或响应，因为它不会影响过程操作（Rothenberg, 2009）。因此，区分正确报警和误报警的关键点在于对操作员响应的要求（EEMUA, 2013）。与误报警相反，正确警报需要操作员注意或迅速采取行动；否则，与正确警报相关的异常情况将对操作安全性和/或效率产生负面影响。抖动警报是主要遇到的误报警，可能占警报发生率的70% （Rothenberg, 2009; Hollifield amp; Habibi, 2010）。抖动警报可以定义为警报状态和正常状态之间转换的警报，具有不期望高频或恒定的时间段。这些类型的警报通常由随机噪声和/或过程变量中的频繁干扰产生，尤其是当进程在警报设定点附近运行时。抖动警报也可以由差调控制回路的重复开关动作引起（Bransby amp; Jenkinson, 1998; ISA, 2009; Wang amp; Chen, 2013; Wang amp; Chen, 2014）。
误报警通常会导致报警过载。同时，发生大量真实报警也可能导致报警泛滥。报警超载的发生可能对报警系统的可靠性和实用性极为不利。首先，如果将大量警报视为妨害，警报系统可能不会提供有用信息，只会分散工厂操作员的注意力，那么正确报警可能会被进程操作员在许多主动误报警中忽略。其次，即使所有主动警报都是正确的，警报率也可能过高而无法由操作员管理。当警报率过高时，操作员可能别无选择，只能忽略某些主动警报。在这种情况下，警报系统的设计功能可能完全失效（Hollifield amp; Habibi, 2010; ISA, 2009; Yang, Duan, Shah, amp; Chen, 2014）。
许多不同的技术可用于提高报警系统性能，包括：（自动）调整设定点和死区；使用滤波，暂态抑制和去抖定时器来重复报警；冗余警报器组合和简化；多级警报遮蔽（例如高和高-高）；计数器和自动搁板应用于重复警报；动态警报重新排序；需要类似操作员响应的警报分组；根据工厂的运行模式自动抑制报警；对于最重要警报识别的智能逻辑开发等等（EEMUA, 2013）。然而，尽管有人可能会说已经设计了许多策略来提高报警系统的性能，但为减少工业工厂中配置的报警数量而提出的策略却很少。或许这可以与保守的操作方法联系起来，因为人们经常认为警报数量的减少会以某种方式损害进程操作的安全性。
科技文献表明不同的技术可以用来研究变量之间的相关性（EEMUA, 2013）。然而当人们专注于警报状态的行为时，对不同变量相关方式的分析和比较似乎很少。当人们有兴趣在真正的工业工厂中减少报警激活的次数作为报警管理的工具时，这一点尤其正确。谢等人（2006a，2006b）提出了一种多变量统计方法来检测和诊断具有复杂动力的工业工厂的缺陷。他们的工作指出了关于监测相关变量的困难。Lieftucht, Kruger, and Irwin（2006）提出了多变量统计方法来消除变量之间的自相关和互相关，减少了错误警报的数量。
天然气处理厂是在严苛压力（通常高于9000kPa）和温度（-70℃到300℃之间）下运行的处理厂（通常高于9000kPa），其产品大多易燃易爆。这一过程是动态的，并且可以根据所处理的气体成分而显着改变。此外，它们通常是生产/运营领域的“瓶颈”，因此它们停产可能意味着海上（离岸）或地面（在岸）油田的活动完全丧失，造成巨大的经济损失。综上所述，对这些单元中的进程进行监控至关重要。本文旨在通过将理论统计框架与长期工业实施相结合，为报警管理实践做出贡献。为此，给出了基于报警优先级的3个相同天然气处理厂的长期（3年）报警管理程序的结果。 此外，相关方法-即相关分析（Yang, Shah, amp; Xiao, 2010），聚类分析（Higuchi, Yamamoto, Takai, Noda, amp; Nishitani, 2009; Yang, Shah, Xiao, amp; Chen, 2012; Kondaveeti, Izadi, Shaha, Black, amp; Chen, 2012）和主成分分析（Izadi, Shah, Shook, amp; Chen, 2009; Chen, 2010）-的应用，比较和研究，旨在进一步减少报警数量。提出了该分析产生的对工业应用的见解和重新评价。
本文结构如下：第2节介绍了相关性分析的基础知识；第3节介绍和讨论了所提出的报警管理协议和相关性分析的工业应用结果；结论在第4节中指出。
-
基础知识
- 相关分析
报警可以用0和1的二进制序列表示，其中0表示没有报警或没有信息，1表示报警。因此，每个警报标签名由给定时间段内采样的0和1的序列表示。除了向操作员发出警报的时刻外，二进制序列的大部分都用0填充（Chen, 2010; Kondaveeti et al., 2012; Wang, Li, Huang, amp; Chong, 2015b）。这可以用数学公式表示，
（1）
报警序列可以进行统计分析。通常用两个数字来概括随机变量X的概率分布。平均值（mu;X）是概率分布的中心或中间的量度，方差（sigma;2XX）是分布的量度，或分布的可变程度。这两种衡量标准并不能唯一地识别概率分布; 也就是说，两种不同的分布可以具有相同的均值和方差。尽管如此，这些措施仍然是X概率分布的简单有用的总结（Montgomery, 2005）。由于方差单位是可变单位的平方，标准偏差通常用来表征数据散度（sigma;X）。
（2）
（3）
（4）
当在概率空间上定义两个或更多个随机变量时，描述它们如何一起变化是有用的；也就是说，测量变量之间的关系很有用。衡量两个随机变量之间关系的常用度量是协方差（Martin amp; Crowley, 1995; Arts, Irwan, Janssen, amp; Augustus, 2002; Montgomery, 2005）。术语相关性具有统计意义，类似于通常理解的关联概念。 具体而言，它指的是两个（或更多）配对数据集之间的相似性的度量。考虑过程变量x和y的平均值mu;x和mu;y以及标准偏差sigma;x和sigma;y（Smith, 2014）。皮尔逊相关系数（rho;xy）为
（5）
（6）
协方差总是在二维中测量。如果数集的维数超过二维，则可以计算出多个协方差值。例如，对于三维数集（维x，y，z），cov（x, y），cov（x, z）和cov（y, z）可以计算出来。求出所有不同维度之间所有可能的协方差值的一个有用方法是算出所有协方差值，并将它们放入协方差矩阵C中。
（7）
基本上，如果相关系数的绝对值足够趋近于1，那么所分析的变量就可以看作是多余的，并描述单个实验效果，从而允许使用单个变量进行过程监控。换句话说，如果两个警报状态联系紧密，那么其中一个警报可能会在工厂现场被丢弃。 因此，相关变量的存在可以帮助减少工业工厂中警报点的数量。
2.2主成分分析
当过程数集包含大量变量时，变量组通常会一起波动。这种典型行为的一个原因是不止一个变量会响应控制过程轨迹的相似驱动力。 此外，在许多实际工业系统中，只有很少的驱动力影响系统，而许多不同的设备可以同时用于监控过程操作。这种情况发生时，原则上至少可以用一个新的过程变量替换一个多变量组来监控真正的驱动力。主成分分析是实现这一目标的严格定量方法。特别地，该方法生成一组新的变量，称为主成分或可用过程数据的协方差矩阵的特征向量上的投影，这是原始变量的线性组合。重要的是要强调主要部件彼此正交，以便所有过程中冗余信息都能被每个主要组件捕捉到（Mathworks, 2003）。
在PCA计算期间使用的概念涉及标准差，协方差矩阵，特征向量和特征值。一般来说，一种方法是：1）选择数集；2）计算每个维度的平均值和标准差；3）减去平均值，并将结果除以标准差从而使标准化数据波动并去除测量单位；4）计算协方差矩阵；5）计算该矩阵的特征向量和特征值。主成分的方差是该矩阵的特征值。假设特征值按lambda;1 gt; lambda;2 gt; ... gt; lambda;n排序，那么与第i个特征值相关联的特征向量是第i个特征值的主要分量（Smith, 2002）。
使用PCA分析变量冗余特别有用，因为标准相关分析是双参数的，而主成分分析是多参数的。然而，标准主成分分析需要被分析数集的线性和正常行为，这会成为许多应用中的限制因素。尽管如此，在文献中已经提出了标准主成分技术的非线性和非正常版本，以用于更多应用（Feital, Kruger, Dutra, Pinto, amp; Lima, 2013）。由于每个特征值表征沿特定方向（或驱动力或特征向量或新过程变量）的过程变化，这些必须用于捕获所需的过程变量（Jolliffe, 1986; Jackson, 1991; M
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[17974]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
