变压吸附过程的监测：一种基于模型的故障检测方法

《Industrial & Engineering Chemistry Research》：Monitoring the Pressure Swing Adsorption Process: A Model-Based Approach for Fault Detection

　　

这项研究提出了一个用于炼油厂氢气纯化的变压吸附（PSA）动态模型，重点关注故障检测，特别是阀门故障。该模型基于第一性原理开发，模拟了PSA容器内的压力分布，并考虑了阀门质量流量动力学以准确捕捉过程。与实际工厂数据的验证显示了高精度和低计算时间。该模型与扩展卡尔曼滤波器（EKF）集成，该滤波器在故障场景中生成并评估残差，用于故障检测与隔离。所提出的模型作为增强PSA过程监测和操作安全性的可靠且计算高效的工具有用。

氢纯化是炼油行业的关键步骤，其中变压吸附（PSA）技术因其高效性被广泛用于从富含氢气的原料气中去除杂质。然而，PSA过程具有固有的动态循环特性，且易受设备故障（尤其是阀门故障）影响，导致经济效率下降、安全风险增加。现有模型多基于偏微分方程（PDE），计算成本高，难以用于实时监测。为此，研究人员提出了一种基于质量平衡的简化常微分方程（ODE）模型，旨在平衡准确性与计算效率，并结合扩展卡尔曼滤波器（EKF）实现故障检测与隔离。该研究发表在《Industrial》。

研究人员主要采用了以下关键技术方法：首先，基于第一性原理（质量守恒和理想气体定律）构建了简化的动态模型，将PSA过程各容器（共6个容器）和集气管的压力作为状态变量，通过阀门开度信号计算质量流量。模型假设等温操作、理想气体行为、均匀压力分布，并通过不同摩尔质量间接处理吸附效应。其次，使用离散时间EKF作为状态观测器，结合实际工厂数据（来自某炼油厂6容器PSA单元）生成残差，并利用Hotelling’s T²检验统计量进行故障检测与隔离。模型验证采用实际工厂数据，计算了均方误差（MSE）和平均绝对误差（MAE）。案例研究针对一个确证的阀门故障，通过分析残差贡献和步骤定位故障。

研究结果部分如下：

**5.1 模型验证**：通过将模型生成的压力曲线与实际工厂数据对比，发现模型能准确捕捉PSA循环中各容器和尾气罐的压力动态。MSE为0.0014（归一化压力平方），MAE为0.027（归一化压力），计算时间仅为86400秒仿真中的54.5秒（比实时快1500倍以上），表明模型在保持高精度的同时具有极低计算成本，适用于实时监测。

**5.2 故障检测与隔离案例研究**：针对实际工厂中容器6的阀门故障，EKF状态估计器重构了各容器压力，残差通过Hotelling’s T²检验进行故障检测。结果显示，该检验能在故障发生后迅速检测到异常，通过贡献图发现容器6压力贡献最大，其次是尾气罐压力。进一步分析压力曲线，确定故障发生在容器6的吸附步骤之后，主要在减压均衡1/2和提供吹扫1/2步骤中。

讨论部分指出，该模型结合EKF为PSA过程提供了可靠的故障检测工具，能快速定位阀门故障，避免经济损失和安全问题。传感器故障虽可被检测，但具体隔离方法需在后续工作开发。

研究结论部分翻译如下：本文提出了一个用于氢纯化变压吸附（PSA）的简化动态模型。该模型有效捕捉了PSA容器间的压力动态，经实际工厂数据验证，与实测结果高度吻合。此外，模型与EKF结合用于生成和评估残差，可检测和隔离故障，实际案例研究证明了其有效性。结果表明，该模型和故障检测策略有潜力成为增强PSA过程可靠性和效率的宝贵工具，从而改善工业氢纯化环境中的操作安全性。