工业循环水腐蚀结垢预测方法

技术领域

本发明属于石油化工技术领域，具体涉及工业循环水腐蚀结垢预测方法。

背景技术

换热器是石化生产流程中不可或缺的组成部分，其投资成本约占设备总投资的五分之一。换热器一般采用水作为冷却介质，冷却水在流动过程中带走设备热量，降低设备运行温度。循环冷却水在系统流程中不断循环使用，受微生物、杂质、水流速度及设备环境等诸多因素影响，换热器极易发生腐蚀和结垢故障。腐蚀会侵蚀管道内壁导致设备管壁变薄，结垢会产生沉积物堆积管道则影响换热器换热效率，导致生产负荷、产品收率下降以及非计划停车，从而造成较大的经济损失。但是，现有技术中，通常采用电化学阻抗谱仪进行在线腐蚀监测，也有监测换热器对粘附速率进行在线监测，但这些方式均需要采用硬件，导致维护成本较高。

发明内容

本发明的目的是提供工业循环水腐蚀结垢预测方法，解决了现有技术中，通常采用电化学阻抗谱仪进行在线腐蚀监测，采用监测换热器对粘附速率进行在线监测这些方式均需要采用硬件，维护成本较高的问题。

本发明所采用的技术方案是：工业循环水腐蚀结垢预测方法，具体操作步骤如下：

步骤1：收集腐蚀挂片腐蚀速率、粘附速率数据及循环水水质分析数据，包括但不限pH、COD、氯离子、钾离子、余氯、电导率、二氧化硅、浊度水质指标，并进行数据预处理；

步骤2：根据水质管理规定设置循环水水质指标的允许限值PL，并在现场生产经验的基础上设定每一个水质指标的理想限值DL，并计算每一项循环水水质指标的修正允许限值MPL；

MPL＝0.7*PL+0.3*DL (1)

步骤3：对每一条水质分析数据x

若x

若DL

若MPL≤x

步骤4：将步骤3得到的

步骤5：基于步骤4得到的输入变量值，采用降维算法进行特征工程，从所有水质指标中筛选出有效水质指标形成数据集；

步骤6：根据步骤5筛选出的有效水质指标建立基于腐蚀与结垢算法的腐蚀与结垢预测模型；

步骤7：采用N-fold交叉验证法将所述步骤5中被处理筛选后的数据集按一定的比例，分成训练集和测试集，训练集用来训练腐蚀与结垢预测模型参数，得到优化后腐蚀与结垢预测模型，测试集用于验证所建模型的预测能力；最后，根据建立的腐蚀与结垢预测模型进行腐蚀与结垢的预测。

本发明的特点还在于，

步骤的预处理包括删除无效数据、对缺失值进行线性插值拟合填充、通过箱线图分析离群点以判定异常值并按缺失值处理，具体如下：

通过灰色关联算法进行数据预选，从而预选出用于预测腐蚀结垢趋势的易测数据；将采集到的数据根据时序先后排列存放到过程数据库中；对所述过程数据库中的数据进行清洗，根据过程数据库中的样本的标准偏差去除其中的异常数据。

步骤5的降维算法选用主成分分析、局部线性嵌入、偏最小二乘法、岭回归、遗传算法、自适应免疫遗传算法、互信息中的任意一种。

步骤6的腐蚀与结垢预测模型由机器学习算法与参数优化算法组成，其中机器学习算法包括人工神经网络、随机森林、支持向量机；参数优化算法包括遗传算法、粒子群优化算法。

对于腐蚀预测选用随机森林结合粒子群优化算法，对于结垢预测选择神经网络结合遗传算法。

步骤7中训练集和测试集的比例为6:4、7:3或者8:2。

本发明的有益效果是：本发明的工业循环水腐蚀结垢预测方法采集到的数据先进行了降维，然后再通过混合算法进行建立了腐蚀与结垢预测模型，盖模型算法兼顾了两方面，第一，考虑水质指标和预测目标的关联性，尤其是水质数据的预处理；第二，就是综合混合建模技术进行预测。本发明可以更加精确地进行预测，与在线检测设备的结果吻合度高，无需要采用硬件，维护成本低。

附图说明

图1是本发明实施例1预测的腐蚀速率与实测值比较图；

图2是本发明实施例1预测的结垢速率与实测值比较图；

图3是本发明实施例2预测的腐蚀速率与实测值比较图；

图4是本发明实施例2预测的结垢速率与实测值比较图；

具体实施方式

本发明的工业循环水腐蚀结垢预测方法，具体按照以下步骤实施：

步骤1：收集腐蚀挂片腐蚀速率、粘附速率数据及循环水水质分析数据，包括但不限pH、COD、氯离子、钾离子、余氯、电导率、二氧化硅、浊度水质指标，并进行数据预处理；

步骤1所述预处理包括删除无效数据、对缺失值进行线性插值拟合填充、通过箱线图分析离群点以判定异常值并按缺失值处理，具体如下：

通过灰色关联算法进行数据预选，从而预选出用于预测腐蚀结垢趋势的易测数据；将采集到的数据根据时序先后排列存放到过程数据库中；对所述过程数据库中的数据进行清洗，根据过程数据库中的样本的标准偏差去除其中的异常数据。

步骤2：根据水质管理规定设置循环水水质指标的允许限值PL，并在现场生产经验的基础上设定每一个水质指标的理想限值DL，并计算每一项循环水水质指标的修正允许限值MPL；

MPL＝0.7*PL+0.3*DL (1)

步骤3：对每一条水质分析数据x

若x

若DL

若MPL≤x

步骤4：将步骤3得到的

由于水质分析是几小时或者几天都有一个数(时间间隔是固定的)，而腐蚀速率和粘附速率往往是一个月分析一次，所以为了对齐数据集的输入输出，将腐蚀速率或粘附速率分析值对应月度里面所有水质分析指标各自进行加和作为最终的模型输入；分析频率指的就是分析时间间隔。

步骤5：基于步骤4得到的输入变量值，采用降维算法进行特征工程，从所有水质指标中筛选出有效水质指标形成数据集；特征工程的目的就是选出有效水质指标；

降维算法选用主成分分析、局部线性嵌入、偏最小二乘法、岭回归、遗传算法、自适应免疫遗传算法、互信息中的任意一种。

步骤6：根据步骤5筛选出的有效水质指标建立基于腐蚀与结垢算法的腐蚀与结垢预测模型；

步骤6的腐蚀与结垢预测模型由机器学习算法与参数优化算法组成，其中机器学习算法包括人工神经网络、随机森林、支持向量机；参数优化算法包括遗传算法、粒子群优化算法。

对于腐蚀预测选用随机森林结合粒子群优化算法，对于结垢预测选择神经网络结合遗传算法。

步骤7：采用N-fold交叉验证法将所述步骤5中被处理筛选后的数据集按一定的比例，分成训练集和测试集，训练集和测试集的比例为6:4、7:3或者8:2；训练集用来训练腐蚀与结垢预测模型参数，得到优化后腐蚀与结垢预测模型，测试集用于验证所建模型的预测能力；最后，根据建立的腐蚀与结垢预测模型进行腐蚀与结垢的预测。

实施例1

以中国西北地区某石化企业循环水水质数据为基础案例展示。

采集了4个水场2016年10月至2020年10月的循环水水质分析数据，选取了14项水质指标，包括pH、浊度、正磷、硝酸根、余氯、钾离子、钙硬、浓缩倍数、总硬、电导率、总铁、氯离子、异养菌和悬浮物用于后续处理。结垢粘附速率与腐蚀速率的分析频次是1次/月，其他的水质指标按分析频率不同将其分为四类，包括3次/天、1次/天、3次/周和1次/周。然后根据实际管理制度和技术要求设定水质指标理想上下限和允许上下限，其值见表1所示。

表1.循环水水质指标参数设定

经数据预处理和水质数据计算后，以月度为准，根据分析频率采用加和本月度的水质指数来统一水质指数与腐蚀速率与结垢速率的时间维度属性，最终得到138条水质数据集。建模中，对数据集按照6:4的比例进行随机划分，训练数据矩阵大小为14×83，测试数据矩阵大小为14×55。采用自适应免疫遗传算法(算法参数设置见表2)进行降维处理，筛选得到钾离子、正磷、电导率、总铁和异养菌5项水质指标。采用随机森林结合粒子群优化算法进行腐蚀速率模型训练，采用神经网络结合遗传算法进行结垢速率模型预测。训练获取的模型参数值分别见表3、4所示。最后进行模型预测，结果见图1、2所示，可以观察到，预测结果沿对角线紧密分布，与实际值较为吻合。

表2.自适应免疫遗传算法参数设置

表3.腐蚀速率模型参数值

表4.结垢速率模型参数值

实施例2

以中国西北地区某石化企业循环水水质数据为基础进行案例展示。

采集了8个水场2018年11月至2021年3月的循环水水质分析数据，选取了与腐蚀速率密切相关的12项水质指标，包括pH、浊度、余氯、钾离子、钙硬、浓缩倍数、总硬、电导率、总铁、氯离子、异养菌和悬浮物用于后续处理。腐蚀速率的分析频次是1次/月，其他的水质指标按分析频率不同将其分为四类，包括3次/天、1次/天、3次/周和1次/周。然后根据实际管理制度和技术要求设定水质指标理想上下限和允许上下限，其值见表5所示。

表5.循环水水质指标参数设定

经数据预处理和水质数据计算后，以月度为准，根据分析频率采用加和本月度的水质指数来统一水质指数与腐蚀速率与结垢速率的时间维度属性，最终得到185条水质数据集。建模中，对数据集按照6:4的比例进行随机划分，训练数据矩阵大小为12×111，测试数据矩阵大小为12×74。采用自适应免疫遗传算法(算法参数设置见表6)进行降维处理，筛选得到钾离子、正磷、电导率和异养菌4项水质指标。采用随机森林结合粒子群优化算法进行腐蚀速率模型训练，采用神经网络结合遗传算法进行结垢速率模型预测。训练获取的模型参数值分别见表7、8所示。最后进行模型预测，结果见图3、4所示，可以观察到，预测结果沿对角线紧密分布，与实际值较为吻合。

表6.自适应免疫遗传算法参数设置

表7.腐蚀速率模型参数值

表8.结垢速率模型参数值