李传坤

(中国石化青岛安全工程研究院化学品安全控制国家重点实验室，山东青岛 266104)

1 研究背景

催化裂化装置工艺原理复杂、生产环境苛刻，致使安全事故多发。据统计，中国石化所属炼油装置中，37%以上的报警数来自于催化裂化，远超其他装置；非计划停车事件中，53%发生于催化裂化装置，停车时长更是占所有装置非计划停车总时长的72%以上。

催化裂化装置安全问题频发，根本原因是多种不利因素相互耦合作用：①工艺条件苛刻，风险感知不足；②操作过于依赖经验，有待精细优化；③缺少动态精确的运行模拟与状态预测工具，缺少融合与协同分析，难以支撑科学决策。因此，亟需研发相关监测预警技术，解决上述问题。

近年来，对石化装置等复杂流程故障监测与诊断的方法大致分为基于定量数学模型的方法、基于知识的方法和基于数据驱动的方法。相对于基于定量数学模型和基于知识的方法，基于数据驱动的方法只需要数据信息即可完成建模，可有效面对石化过程机理复杂、非线性和时变性强等特性，特别适合催化裂化等复杂石化过程的异常模式识别。目前，基于数据驱动的方法主要分为三大类：①机器学习类方法，包括人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine，SVM)等；②多元统计分析类方法，包括主元分析(Principal Component Analysis，PCA)、偏最小二乘(Partial Least Squares，PLS)及Fisher判别分析方法(Fisher Discrimination Analysis，FDA)等；③模式识别与聚类方法，包括高斯混合模型(Gaussian Mixture Model，GMM)、隐马尔科夫模型(Hidden Markov Model，HMM)等。其中，主元分析方法以其降维效果好、鲁棒性强而被广泛应用于故障诊断领域。……