[发明专利]化工企业换热网络内漏的新型智能动态预测预警方法

说明书

本发明公开了化工企业换热网络内漏的新型智能动态预测预警方法，包括如下步骤：提出新型换热器内漏机理模型，并通过穷举法，构建两换热器串联内漏情境；搭建长短期记忆网络，运用基于内漏机理模型的动态模拟所得数据进行训练，实现对内漏量的预测；选取主成分分析法进行基于离线建模及在线监控，用T²统计量作为预警指标，得到预警限，在内漏初期可有效预警，避免了物料的浪费以及危险的发生；运用定量风险评估分析潜在危害范围和破坏力。本方法克服了传统方法的不严谨性，在机理模型及人工智能的组合下，提高了预警准确性及时效性。为厂区的工艺设备布置，事故发生后的安全疏散做出前瞻性指导，避免或减少事故发生所造成的财产及人员的伤害。

技术领域

本发明属于换热器网络内漏预测预警技术领域，尤其涉及化工企业换热网络内漏的新型智能动态预测预警方法。

背景技术

事故早期预警的基础是事故的因果关系和统计必然性，可以看作是时间趋势的重现和其他干扰因素的综合结果。因此，充分利用事故的内在机理，积累相关信息，是获得可靠预警结果的关键。

对于定量预警，需要根据历史数据推断出预警模型。线性模型在预警模型中具有突出的优势：一方面，线性模型易于理解因素之间的相关性分析，并可以有机结合现有的定性经验；另一方面，基于严格的统计分析框架，可以更好地验证理论假设。线性模型的缺点是难以表达复杂的关系，预测精度较低；相反，基于确定性形式的非线性模型可以表达复杂的相关性；但由于受实际数据量的限制，往往很难得到理想的非线性模型。

深度学习被认为是最有前途的人工智能技术之一，基于深度学习的预警和数据预测在化工过程安全分析中具有重要意义。长短期记忆网络可以解决时间序列问题，引入时间变量，且可保持其性能梯度，来预测风险变量随时间的变化趋势，因此，长短期记忆网络可以用来研究模型中变量之间关系的机理，从而在各种扰动条件下获得定量的预测结果。

传统预测预警方法在构建机理模型时，受Aspen软件功能限制，换热器的内部的泄漏特征无法详细获取，无法构建换热器内漏预警模型。

发明内容

为解决现有技术的以上缺陷，本发明提供一种化工企业换热网络内漏的新型智能动态预测预警方法，构建新型换热器内漏风险模型，并将长短期记忆网络与在线过程监控相结合，构建新型智能预测预警模型；有机结合定量风险评估技术，克服了传统预测预警模型的局限性，对换热网络内漏进行新型智能动态预测预警模型构建及应用。

本发明的技术方案如下所述：

化工企业换热网络内漏的新型智能动态预测预警方法，包括如下步骤：

步骤(1)、将单个内漏换热器进行机理拆分，构建两换热器串联内漏模型；通过该模型，获取换热器内漏后，在不同泄漏量下，其内部流量、温度、压力的变化趋势以及临界限值；

步骤(2)、将建立的换热器内漏模型，整合到稳态、动态的流程模拟中，将 Fortran语言与Aspen结合，采用穷举法，通过Fortran语句的编写，实现对两换热器串联的内漏情境全面的模拟；运用Aspen Dynamic软件，进行动态模拟，获得大量带有时间序列的数据，为下一步预测模型的训练及构建做数据支撑；

步骤(3)、先通过步骤(2)中换热器内漏模型所得带有时间序列的数据，进行长短期记忆网络的训练，对内漏流量进行单变量的预测；再基于数理统计进行过程的监控，利用主成分分析法对正常数据进行离线建模，用T²统计量作为预警指标，得到预警限，在内漏初期便可有效预警，避免了物料的浪费以及危险的发生；

步骤(4)、运用定量风险评估分析内漏导致喷射火、闪火、爆炸超压灾害的潜在危害范围和破坏力，突出了本发明提出的智能动态预测预警模型的实用性和可靠性。