基于大数据的电脱盐系统智能优化与影响因素分析_朱建新.pdf

第 37 卷第 1 期 高 校 化 学 工 程 学 报 No.1 Vol.37 2023 年 2 月 Journal of Chemical Engineering of Chinese Universities Feb.2023 文章编号：1003-9015(2023)01-0095-08 基于大数据的电脱盐系统智能优化与影响因素分析 朱建新1,2,周 杨1,2,乔 松1,2,袁文彬1,2,方向荣1,2,亢海洲1,2,吕宝林1,2(1.合肥通用机械研究院有限公司,安徽 合肥 230031;2.国家压力容器与管道安全工程技术研究中心,安徽 合肥 230031)摘 要：针对电脱盐系统影响因素耦合关联，脱盐后盐的质量浓度控制困难等问题，提出基于贝叶斯分类的电脱盐系统脱盐后盐的质量浓度智能预测模型，建立基于模型及线性规划的脱盐系统优化方法。利用从分布式控制系统(DCS)和实验室信息管理系统(LIMS)中获取的运行数据，筛选影响电脱盐效果的主要因素，建立基于 40 个运行参数的脱盐后盐的质量浓度智能监测模型。模型对脱盐后盐的质量浓度 1.52.0、2.03.0 mgL1和大于 3.0 mgL1的识别召回率分别达到 89.6%、84.4%和 70.0%。利用优化方法识别了脱盐罐油水界位、操作温度、混合压差及注水量等影响脱盐效果的关键因素，通过对电脱盐操作参数进行优化，显著降低了脱盐后盐的质量浓度，实现系统的优化运行。关键词：电脱盐；大数据；智能监测；影响因素；优化 中图分类号：TQ465.92 文献标志码：A DOI：10.3969/j.issn.1003-9015.2023.01.012 Intelligent optimization and analysis of an electro-desalting system based on big data ZHU Jian-xin1,2,ZHOU Yang1,2,QIAO Song1,2,YUAN Wen-bin1,2,FANG Xiang-rong1,2,KANG Hai-zhou1,2,LYU Bao-lin1,2(1.Hefei General Machinery Research Institute Co.Ltd.,Hefei 230031,China;2.National Technology Research Center for Safety Engineering of Pressure Vessels and Pipelines,Hefei 230031,China)Abstract:The performance of electro-desalting systems are affected by multiple factors,which makes it difficult in maintaining stable desalting performance.An intelligent prediction model for after-desalination salt contents based on Bayes classifier was proposed.An optimization method based on modeling and linear programming was established,and an after-desalination salt content prediction model based on 40 operating parameters was obtained using operation data obtained from the distributed control system(DCS)and the laboratory information management system(LIMS).For samples with after-desalination salt contents range from 1.5-2.0,2.0-3.0 and 3.0 mgL1,the model recall rates are 89.6%,84.4%and 70.0%,respectively.Factors including level of water-oil boundary in desalting vessel,operating temperature,mixing pressure drop of oil and demulsifier and the amount of water injected were studied.The after-desalination salt content can be significantly reduced under optimized operation following optimization suggestions.Key words:electro-desalting;big data;intelligent monitoring;influence factors;optimization 1 引 言 电脱盐是原油与含盐水分离的过程1，利用电脱盐降低原油中盐的质量浓度，可以预防和控制下游 收稿日期：2021-10-17；修订日期：2022-01-30。基金项目：国家重点研发计划(2022YFB3306401)；安徽省科技重大专项(17030901014)；国机集团重大科技专项项目(国机科2017456 号)；安徽省自然科学基金(2008085J24)。作者简介：朱建新(1976-)，男，浙江金华人，合肥通用机械研究院有限公司研究员，博士。通信联系人：朱建新，E-mail： 引用本文：朱建新,周杨,乔松,袁文彬,方向荣,亢海洲,吕宝林.基于大数据的电脱盐系统智能优化与影响因素分析 J.高校化学工程学报,2023,37(1):95-102.Citation：ZHU Jian-xin,ZHOU Yang,QIAO Song,YUAN Wen-bin,FANG Xiang-rong,KANG Hai-zhou,LYU Bao-lin.Intelligent optimization and analysis of an electro-desalting system based on big data J.Journal of Chemical Engineering of Chinese Universities,2023,37(1):95-102.96 高 校 化 学 工 程 学 报 2023 年 2 月 设备腐蚀。电脱盐是一个复杂的多因素耦合系统，受多种因素影响，如原油温度、盐的质量浓度及脱盐罐界位等2,3，工艺操作参数对脱盐效率具有重要影响3-6。传统的有关电脱盐系统影响因素及其影响规律研究方法，主要从探究因果关系出发，提出了很多定性或定量结论3。但受限于系统的复杂性，机理模型往往难以精确构建，且机理模型往往只在一定范围内发挥作用7-8。基于机理的方法通常通过简化试验条件、忽略次要因素等方法开展研究，选择典型关键因素，如原油温度、混合压差等开展研究3，但由于原油种类、脱盐工艺、破乳剂类型、操作参数不同，研究结论的普适性以及研究结果用于指导实际操作还存在较多问题5。大数据方法对全部样本数据开展分析以探究数据背后的规律，可以克服机理模型的不足，因而在工程中获得广泛应用，如复杂系统中目标函数与影响因素的相互关系分析9-12，系统能效、生产效率优化分析13-15，化学反应分析、场景优化等16-18。本研究通过获取对电脱盐有影响的因素，采用分类方法建立影响因素与脱盐效果的大数据模型，提出影响因素的关键性分析方法，在此基础上提出基于线性规划的优化技术，该方法在脱盐过程关键影响因素分析、脱盐效果智能监测、电脱盐操作参数优化中得到验证。2 基于大数据的电脱盐质量浓度智能监测与优化模型 2.1 机理模型与大数据模型 传统的机理模型研究影响因素多元、耦合关系复杂的系统，往往需要借助大量的先验经验和试验。如开展多种失效机制作用下的主导失效模式分析时，寻找主导影响因素就变得十分关键19。通过正交试验、主元分析等方法，结合机理分析在一定程度上可以弥补机理模型的不足20。大数据模型通过获取与现象相关的全部数据，采用数据分析研究背后的规律。该方法随着近年来传感技术、数据科学的发展应运而生并快速发展21-22。流程行业自动化程度高、测点丰富，数据获取具备天然条件，这为大数据技术应用提供了数据基础23-24。以电脱盐系统为例，在长期运行中分布式控制系统(distributed control system，DCS)、实验室信息管理系统(laboratory information management system,LIMS)等记录了大量数据。充分利用这些数据，建立影响因素与脱盐效果的定量关系模型，既可用于脱盐效果的实时监测，又可用于影响因素定量分析与优化，这是传统方法所不具备的。2.2 基于大数据的电脱盐装置智能监测模型 基于大数据的脱盐效果智能监测模型主要通过获取影响脱盐后盐的质量浓度的全部因素，建立影响因素与脱盐后盐的质量浓度的映射关系模型，并利用模型开展智能预测与优化分析。假设某电脱盐工艺过程受多因素共同作用，第i个工况的全部N个影响因素记为T,1,2,iiii Nxxx=X，xi,j为第i个工况中第 j 个影响因素。该工况下的脱盐后盐的质量浓度为iy，则大数据模型的目标是建立由iX到iy的映射模型22，即()iifyX (1)将大数据方法应用于电脱盐系统的优化分析时，必须依据电脱盐装置的实际情况，做出合理的判断，如考虑样本的数量与影响因素数量，影响因素之间的非线性，以及模型应用中可能存在的欠拟合及过拟合等。本研究采用多维高斯贝叶斯算法建立脱盐后盐的质量浓度智能监测模型：()()T111exp22kkkkNkPC=|XXX (2)式中：通过从 DCS 获取电脱盐操作参数，将参数代入不同盐的质量浓度分类的模型中，联合分布概率密度最大的即为最可能的分类，这样就可以利用模型对盐的质量浓度进行在线监测。kC为将脱盐后盐的质量浓度按由小到大分成若干个分类后选择其中的一类(式中记为第 k 类)，X为某一工况的影响因素(略去工况编号)，()kPCX为样本属于kC分类时影响因素的联合分布概率密度函数，T12,kN=为第 37 卷第 1 期 朱建新等：基于大数据的电脱盐系统智能优化与影响因素分析 97 kC分类中各影响因素的期望值组成的向量，k 为kC分类中各影响因素组成的协方差矩阵。采用上述模型建模时，一般要求训练的样本数量不少于参数数量的 1.5 倍。2.3 影响因素的关键性分析 从 2.2 节模型可以发现，某一工况X是否属于某一特定分类的可能性主要由其条件概率所决定，可以用概率密度的似然函数表示：()()()()T11lnlnln 22kkkkkLPCN=+XXX (3)由于特定分类的协方差矩阵行列式k 和()ln 2N均为常数，将该似然函数对各影响因素求偏导，即可求得特定工况下某一影响因素ix对特定工况的影响程度，即 TT111122kkkkkkiiiLxxx=XXXX (4)式中：当iLx取最大值时，说明参数ix对待检样本是否属于kC的 影响最大。对特定工况，可以通过式(4)识别出影响最显著的因素，为基于模型的优化指明了方向28。式(4)实质是求概率密度对影响因素的偏导数，偏导数数值反映了因素对概率密度的影响程度，符号反映了因素对概率密度变化的影响方向。若将多因素简化到单一因素，则多维高斯贝叶斯模型的概率密度转化为经典的单因素高斯分布，如图 1 所示。2.4 基于线性规划的影响因素优化分析 电脱盐装置中部分因素具有一定耦合关系(如脱盐罐原油出口温度受进口温度影响)，为减少冗余影响，通常希望影响因素1,Nxx是线