基于LOPA/SIL定级的化工设备报警系统优化设计与应用

摘 要 针对石油化工设备报警系统存在报警信息不准确、操作人员响应不及时的问题，基于保护层分析（LOPA）和SIL定级相结合的分析方法，识别已有保护措施降低风险的能力，结合实际生产提出工艺生产报警智能系统设计方案。为验证该方案的可行性，以某工艺流程的化工设备报警功能设计和参数优化为例，表明经过优化的报警系统可以对脱乙烷塔低液位的初始事件进行修正，修正后的初始事件概率为0.13，财产损失风险降低因子（RRF）为75，SIL定级为SIL1。

关键词 报警系统 化工设备 智能化 保护层分析 SIL定级

中图分类号 TH862 " 文献标志码 B " 文章编号 1000-3932（2024）04-0725-05

石油化工行业的工艺流程具有复杂性和危险性［1］，因此在操作规范性方面具有较高的要求。为顺应国家“十四五”计划发展潮流，加强企业数字化到智能化的转型，实现企业安全生产，运用智能化技术提高石油化工设备的安全性已迫在眉睫［2］。

在石油化工设备安全管理体系下，报警管理是一种降低风险以防止过程危险发生的有效方法，在维护安全方面发挥着重要作用。因此，将智能化技术应用于工艺生产报警系统中，对报警信息进行识别筛选，同时进行自动化操作以减少人员响应时间，不仅可以提高安全仪表系统（SIS）的安全完整性等级（SIL），还可以进一步满足安全仪表功能（SIF）的完整性要求。

1 SIL定级和LOPA分析

IEC 61508和IEC 61511对SIS划分了SIL，从低到高共分为SIL1～SIL4共4个等级［3，4］。对SIS的评估，就是对SIL的验证。同时，SIF应具有相应的SIL。

SIL定级方法主要分为风险图表法、风险矩阵法和保护层分析法（LOPA）。其中，LOPA是一种简化定量风险评价方法，基于相对保守的规则对发生频率、发生可能性以及发生后果的严重性进行评估，以进一步评估化工过程各种保护层的有效性，同时判断风险是否在可接受范围内，并根据差距确定是否采取减缓风险的措施。

在LOPA分析中，满足一定前提条件时，关键报警加人员响应可作为独立保护层，但目前存在两个问题：一是报警的有效性得不到保证，即存在大量的无用报警信息，重要的报警信息可能被忽略，导致报警名存实亡；二是操作人员接收到报警信息后是否有足够的响应时间，关键报警加人员响应可以作为独立保护层，还需要满足其他前提条件，例如，相关的测量仪表是否具有独立性、有效性和可审查性，相关的执行机构是否具有独立性、有效性和可审查性，都需要在管理层面进行评估并制定相关准则，单独评估每个报警信息所需要的响应时间和响应方式，才能够确定关键报警加人员响应能否作为独立保护层进行LOPA分析，从而对SIL进行定级。

2 化工设备报警系统优化设计

化工设备报警智能化方案（图1）为：通过先进传感器、数据传输技术、智能算法等手段，实时监测和诊断设备的运行状态，对工艺设备故障准确、高效地识别和处理，同时通过机器学习的方式找出故障位置、发生原因并向操作人员给出建议的解决方案来减少工艺设备的停机检修时间，提高化工设备的利用效率和工艺的生产效率［5］。

2.1 数据获取

建立厂区生产工艺环节数据平台中心，利用传感器和数据采集装置全面采集来自工艺设备的信号，同时建立数据采集统一标准，为数据的存储和分析奠定良好基础。建立具有主动数据备份功能的分布式数据库，采用目前主流的HDFS文件系统，保证数据的可读性和可靠性［6］。

2.2 信号处理

由于噪声干扰等影响，原始监测信号无法直接使用，需要进行信号处理，以突出故障信息。在信号降噪过程中，将时域信号转换至其他空间，同时将不需要的信号归零，随后将信号转换回时域空间，常见的方法有傅里叶变换（FT）、小波变换（WT）等。但这些方法需要预先确定奇函数，具有经验性和局限性。

近年来，信号降噪算法得到了极大的发展，2002年，胜利油田与天津大学合作［7］开发了一种基于小波变换信号处理的负压波泄漏检测系统，并成功应用于临济线中，泄漏报警时间小于200 s，泄漏位置预测的最大误差小于所测管长的2%；2014年，刘光晓等基于小波分析和盲源分离的方法处理声波信号，并对比了两种算法的降噪效果，结果表明，盲源分离降噪方法的信噪比为73.5，优于小波分析［8］。

2.3 特征提取

在对特征向量进行构造前，首先要提取敏感特征，以此区分各种故障。常用短时傅里叶变换（STFT）、WT和希尔伯特-黄变换（HHT）来分析信号本身的瞬时频率，在最初的报警系统监测中，将采集到的参数构造成特征向量，输入到分类器中识别故障信息［9］。在没有噪声的情况下，以上方法均可以识别故障信息，但当有噪声存在时，这些方法对故障信息的识别精度并不高。近年来，故障识别常以信号的时域特征作为特征向量，包括信号的均值、方差、波形因子及脉冲因子等，除此以外，还将时域信号变换到其他空间中，以提取小波熵、EMD能量熵等特征参数。2014年，刘翠伟等基于HHT对音波信号进行了变换，并在胜利油田进行了现场试验，通过三维平面谱得到了声波信号的HHT特征［10］。

2.4 特征选择

特征选择包括数据降维和数据融合。对提取的特征向量进行降维和融合，可以方便计算实现可视化，并保留最有区分性的特征，从而提升分类效率、防止过拟合［11］。常见方法有主成分分析（PCA）、独立成分分析（ICA）及t-分布随机邻域嵌入（t-SNE）等。2015年，刘啸奔等通过提取信号方差、峰值因子等特征向量，使用PCA方法对其进行降维，再基于神经网络的方法对调阀、停泵、启泵和泄漏工况均进行了识别，得到了100%的识别率［12］。

2.5 故障分类

故障分类的本质是模式识别问题，可以通过机器学习的分类器加以实现，如人工神经网络（ANN）、支持向量机（SVM）及极限学习机（ELM）等。2016年，焦敬品等结合BP神经网络对声信号进行了处理识别，识别率为92.5%［13］。

3 应用实例

化工设备报警系统的智能化优化方案可以筛选出错误报警信号，通过综合分析各种参数，提高报警的有效性，同时利用大数据学习算法，基于历史数据库识别出发生的故障并给予操作人员可行的解决方案，从而降低关键报警加人员响应这一独立保护层的失效概率，优化SIL定级［14］。

某炼化企业乙烷外输干线超压的LOPA/SIL定级分析情况见表1，其风险点为乙烷外输干线出站高，后果为乙烷外输干线及下游设备、管道破裂，天然气泄漏，火灾爆炸。

对于上游来气压力升高问题，可以使用流量计、压力计的测量数据变化进行多模态融合，利用敏感特征判定事故发生。具体过程为：系统检测到压力升高，对流量参数进行判断，同时结合上游数据判断事故缘由，进而对操作人员进行报警，因此可以设置化工设备上游压力高的初始事件IPL的PFD为0.1；同理，下游堵塞可以通过上下游流量差异及使用特定传感器检测压力波，从而判断下游堵塞工况，并准确无误地对操作人员报警，因此可以设置化工设备下游堵塞或管道阀门误关闭的初始事件IPL的PFD为0.1。作为IPL的压力调节系统，结合智能化技术，可以通过压力信号与其他关联故障信号耦合，采用大数据智能分类算法判断故障原因，从而更有效地调用压力调节系统，因此设置化工设备压力调节IPL的PFD为0.05。

采用优化后的化工设备报警系统对某脱乙烷塔低液位的初始事件进行修正，修正后的初始事件概率为0.13，财产损失RRF为75，定级为SIL1。报警系统优化前后的参数（初始事件概率、IPL的PFD、财产损失RRF、人员伤亡RRF、环境影响RRF和SZL定级）对比结果见表2。由表中数据可以看出，化工设备报警系统优化后，石油化工企业可以针对风险有更优化的管理，可以提高生产效率，节省管理成本。

4 结束语

LOPA分析是SIL定级的主流方法，与其他方法相比具有风险识别详细准确的特点。在LOPA分析中，以关键报警加人员响应的方式作为独立保护层，但其存在大量无用的报警信号，导致人员响应不足，进而影响其作为独立保护层的功能。随着智能化技术的发展，智能化方法与化工设备广泛应用于工艺生产中。笔者基于先进传感器、数据传输技术和智能算法，提出了一种化工设备报警系统优化设计方案，通过对报警数据的处理、清洗和分类，从而提高报警的有效性和人员对事故的可控性。将优化后的化工设备报警系统应用于某炼化企业乙烷外输干线超压的LOPA/SIL定级分析中，结果表明，该系统可对初始事件概率、SIL定级进行修正，并通过优化报警降低事故发生概率。

参 考 文 献

［1］ 刘奎，申满对.石油化工项目设计中初步工艺安全危害分析［J］.炼油技术与工程，2021，51（7）：69-72.

［2］ 党昊驰.浅谈石油化工智能化工厂在企业安全生产中的应用［J］.石油化工自动化，2021，57（S1）：107-110.

［3］ 邓锐，刘美佳，平洋，等.安全仪表系统SIL定级及LOPA的应用研究［J］.石油化工自动化，2023，59（1）：57-60.

［4］ 范咏峰，唐彬.LOPA在石油化工装置中的应用［J］.石油化工自动化，2021，57（3）：31-34.

［5］ 郑蓉.基于测量参数的化工机械漏电故障排查方法研究［J］.化工机械，2021，48（3）：473-479.

［6］ 唐光艳.基于大数据与人工智能的大数据获取方法研究［J］.电子技术与软件工程，2021（11）：191-192.

［7］ 程家铭，张汉国.输油管道负压波法测漏原理及实现［J］.石油机械，2002，30（9）：28-30.

［8］ 刘光晓，孟令雅，刘翠伟，等.基于盲源分离技术的泄漏音波信号滤波方法分析［J］.振动与冲击，2014，33（24）：192-199.

［9］ BELSITO S，ANDREUSSI P，BANERJEE S，et al.Leak detection in liquefied gas pipelines by artificial neural networks［J］.AIChE Journal，1998，44（12）：2675-2688.

［10］ 刘翠伟，李玉星，孟令雅，等.基于希尔伯特黄变换的输气管道泄漏音波时频特性分析［J］.振动与冲击，2014，33（16）：42-49.

［11］ 周立国，王勇，李明，等.基于多源数据融合的油气管道诊断预警技术［J］.石油化工自动化，2022，58（5）：68-72.

［12］ 刘啸奔，张宏，夏梦莹，等.基于主成分分析和神经网络的管道泄漏识别方法［J］.油气储运，2015，34（7）：737-740.

［13］ 焦敬品，李勇强，吴斌，等.基于BP神经网络的管道泄漏声信号识别方法研究［J］.仪器仪表学报，2016，37（11）：2588-2596.

［14］ 范宗海，贺文敏，冀晓举，等.先进报警管理系统的设计实施与应用研究［J］.石油化工自动化，2018，54（1）：7-17.

（收稿日期：2023-07-17，修回日期：2024-05-31）