★ 臧明寶，雷宇（陜西延長石油天然氣股份有限公司，陜西 延安 716000）

關鍵詞：液化天然氣廠；自動化控制系統；故障診斷；深度學習；分布式架構

液化天然氣廠生產過程涉及低溫液化、儲存輸送等復雜工藝，分布式控制系統（Distributed Control System， DCS）承擔著溫度壓力調控、流量監測、安全聯鎖等核心功能。系統故障將導致生產中斷甚至安全事故，造成重大經濟損失[1]。隨著工藝流程日益復雜，傳感器網絡規模不斷擴大，海量運行數據呈現多源異構特點，傳統基于經驗的診斷方法已難以應對，亟需構建高效智能的故障診斷體系。

1   LNG工藝控制系統故障特征分析

1.1   典型故障模式與傳播機理

液化天然氣廠控制系統故障主要有四類典型模式，分別是傳感器漂移失效、執行機構卡澀、控制回路參數失配以及聯鎖邏輯異常。傳感器漂移失效會導致測量值緩慢偏離真實的工況， 執行機構卡澀會導致閥門開度響應出現滯后現象， 控制回路參數失配則會引發系統產生振蕩問題[2]。故障在工藝流程中呈現級聯傳播特征，如圖1所示，壓縮機入口壓力異常會波及后續冷箱溫度分布， 換熱器污堵會造成流量分配失衡，最終影響液化效率。

圖1 LNG控制系統故障傳播路徑

1.2   多源異構數據采集與預處理

液化天然氣廠故障診斷依賴多類型數據源支撐：

（1）數據采集層面， DCS采集溫度壓力流量等連續過程變量， PLC 記錄閥門狀態泵啟停等離散開關量，振動監測系統輸出加速度頻譜特征，紅外熱像儀獲取設備表面溫度場分布。

（2）數據同步層面，采樣頻率存在量級差異，過程變量為1Hz，振動信號達10kHz，需通過線性插值與降采樣相結合完成時間戳對齊處理。

（3）數據預處理層面，異常值檢測剔除保證數據有效性，缺失數據插補維持時序完整性，小波變換濾波降噪提升信噪比，歸一化處理消除量綱影響，為后續故障診斷算法提供高質量數據基礎。

2   故障診斷關鍵技術與算法

2.1   基于深度學習的故障模式識別

2.1.1   卷積神經網絡多維時序特征提取

CNN把多通道傳感器數據重新構建成二維矩陣來輸入， 如圖2所示， 行的方向代表著時間步長情況， 列的方向對應著不同測點的變量內容。卷積層借助滑動卷積核來提取局部的時序模式，多個卷積核并行開展工作能夠識別壓力波動、溫度漂移等多種故障特征。池化層對特征圖進行降采樣處理，在保留顯著特征的同時降低計算的復雜程度，減少后續網絡層的參數量大小。全連接層將提取到的高維特征映射到故障類別空間里，實現傳感器失效、閥門卡澀等典型故障的自動分類操作。這種方法有效捕捉了工藝參數之間的空間關聯特性，不需要人工去設計特征提取的規則內容，通過端到端的學習方式為故障模式識別提供判別性特征表示。

圖2 CNN多維時序特征提取流程

2.1.2   長短期記憶網絡動態故障預測

LSTM通過門控機制解決了傳統循環神經網絡的梯度消失問題，其單元狀態更新過程為式（1）：

ct = ft  ct +it  ct                      （1）

式中：ct為當前時刻單元狀態； ft為遺忘門輸出； it為輸入門輸出；ct為候選狀態；表示逐元素乘法。

LSTM可以學習控制系統長時間尺度動態演化規律，還能記憶故障發生前數小時甚至數天異常征兆序列。網絡輸入是經過歸一化處理的時序數據窗口，輸出層會預測未來時刻的故障發生概率及故障類型。借助反向傳播算法訓練網絡權重，能讓模型在故障早期階段發出預警信號，為運維人員爭取充足處置時間去制定預防性維護計劃，以此避免故障擴散至整個工藝系統造成停車損失。

2.2   多變量統計過程監控方法

主成分分析（Principal Component Analysis， PCA）通過線性變換將高維相關變量投影到低維正交空間，保留主要方差信息，實現數據降維與特征壓縮[3]。監控統計量包含T 2 統計量和平方預測誤差（Squared Prediction Error， SPE）。 T2統計量反映主元空間內的過程變化， SPE檢測殘差空間異常，二者互補構成完整的監控體系。當LNG工藝參數偏離正常操作工況的時候，統計量超出控制限就會觸發報警。該方法不需要建立精確的機理模型，僅僅依賴歷史正常運行數據來建立基準，適用于多變量強耦合系統的實時監控，能夠及時發現壓縮機性能衰退、換熱器效率下降等漸變型故障。

2.3   因果關系圖與故障溯源定位

有向圖模型描述控制系統中變量間的因果傳播路徑，節點代表過程變量或設備狀態，有向邊表示影響關系。故障發生后，報警信號在因果圖中形成傳播序列。溯源算法從異常節點出發，逆向追蹤至根源節點，定位故障起始點。轉移概率矩陣A量化了故障在節點間的傳播強度，如式（2）所示：

式中：Pj i 為故障從節點i傳播至節點j的條件概率；aij為節點間關聯強度；n為節點總數。

算法結合歷史故障案例庫與專家經驗規則，計算各潛在根源的后驗概率，考慮故障發生頻率與傳播路徑長度因素，輸出最可能的故障源及置信度排序，指導維修人員快速定位問題設備，縮短故障處理周期，減少非計劃停車時間。

3   診斷系統集成應用與效能提升

3.1   分布式診斷架構與實時響應機制

3.1.1   邊緣計算節點協同診斷機制

邊緣計算節點被部署在DCS控制站和現場設備層來構建分布式診斷體系，各節點在就近位置完成數據預處理與初步故障判斷工作，通過運行輕量化診斷模型監控本地工藝單元運行狀態，以此降低云端服務器計算負荷和網絡傳輸延遲，當檢測到異常特征時就觸發本地預警[4]。如圖3所示，節點之間借助消息隊列實現狀態信息共享，相鄰節點協同分析關聯設備故障傳播趨勢，壓縮機邊緣節點在檢測到振動異常后會主動向潤滑油系統節點發送協查請求，后者反饋油壓溫度數據共同判斷故障性質。協同機制通過跨節點信息交叉驗證縮短多設備關聯故障識別時間，避免單節點因局部信息不足導致誤報現象發生，從而提高診斷系統整體可靠性。邊緣層診斷延遲被控制在秒級，能夠滿足LNG工藝實時監控需求，顯著增強了系統對突發故障的快速響應能力。

圖3 分布式邊緣節點協同診斷架構

3.1.2   故障信息融合與決策生成策略

多源診斷信息按置信度加權融合生成最終決策。邊緣節點輸出局部診斷結果di及置信度”i，云端融合中心計算綜合診斷結果，如式（3）所示：

式中：D為融合后的故障類型判斷； m為參與融合的節點數量；wi根據節點歷史準確率動態調整。

融合算法采用貝葉斯推理框架， 結合先驗知識庫修正診斷結果，輸出故障類型、嚴重程度及建議處置措施[5]。決策模塊依據故障緊急度分級觸發響應流程，輕微異常推送運維終端人工確認，嚴重故障自動啟動聯鎖保護并通知應急指揮中心， 實現從診斷到響應的閉環管理。

3.2   診斷準確率評價與持續優化策略

診斷系統性能評價要建立多維指標體系， 通過量化分析來驗證算法有效性與工程適用性。評價指標涵蓋準確率、召回率、F1值及誤報率這四個核心維度。準確率反映正確診斷占總診斷次數的比例以此衡量系統整體判斷能力， 召回率表征實際故障的檢出能力從而避免漏檢導致事故擴大， F1值綜合平衡準確率與召回率的關系進而提供統一評判標準，誤報率評估正常運行狀態下的錯誤報警頻次，過高誤報率會降低運維人員信任度。表1給出了各評價指標的計算方法、應用場景及目標閾值，為系統性能評估提供了標準化框架。

表1 診斷系統性能評價指標體系

評價體系依靠歷史故障案例庫來做離線驗證， 借助現場實時數據開展在線測試工作， 以此確保診斷算法在實際工況當中的穩定性。持續優化策略包含三個不同層次：

一是在模型參數層面， 采用在線學習算法依據新增故障樣本動態調整神經網絡權重， 讓模型能夠快速適應工藝條件的變化，避免因參數固化造成診斷性能衰退；

二是在規則層面， 結合專家知識庫修正診斷閾值與邏輯判據，把現場工程師積累的經驗轉化成可執行規則，彌補純數據驅動方法在小樣本故障識別里的不足；

三是在知識層面， 通過遷移學習將成熟工廠的經驗遷移到新建裝置上， 縮短新系統調試周期并降低初期誤報率。

系統會定期采集壓縮機振動加劇、換熱器效率衰減等新型故障模式來擴充訓練集， 以適應設備老化特征變化與工藝參數漂移情況。專家現場反饋和自動學習形成閉環優化機制， 持續提升診斷系統對LNG廠復雜工況的適應能力。

4   結語

深度學習算法達成復雜故障模式的智能識別，多變量統計方法有效監控工藝過程的異常情況， 因果關系圖完成故障根源的精準定位工作， 它們構建起一套完整的診斷技術體系。分布式診斷架構提升了系統實時響應的能力，為液化天然氣廠智能化運維提供了技術支撐， 具備十分廣闊的工程應用前景。

作者簡介：

臧明寶（1986-） ，男， 陜西延安人，助理工程師，學士，現就職于陜西延長石油天然氣股份有限公司，研究方向為儀表自動化。

雷   宇（1987-） ，男， 陜西延安人，工程師，學士，現就職于陜西延長石油天然氣股份有限公司，研究方向為儀表自動化。

參考文獻：

[1] 許陸. LNG接收站電氣自動化系統的設計與實現[J]. 科技視界, 2025, 15 (04) : 67 - 70.

[2] 房務農, 蔣軍, 郭廣飛, 等. 大型LNG儲罐三種高效自動化焊接工藝對比研究[J]. 壓力容器, 2024, 41 (01) : 25 - 32.

[3] 國產首套LNG船對船加注系統完成首船加注[J]. 船舶工程, 2023, 45 (02) : 176.

[4] 黃宇, 劉夢溪, 陳海平, 等. LNG核心裝備國產化進展研究與新技術應用[J]. 現代化工, 2022, 42 (12) : 1 - 5.

[5] 崔錦泉, 周偉, 王智磊, 等. 船舶雙燃料發動機LNG供氣系統模擬仿真技術應用研究[J]. 艦船科學技術, 2022, 44 (18) : 122 - 125.

摘自《自動化博覽》2026年3月刊