一种换热器的聚类分群和基于群组的风险判别分析方法

摘要

一种换热器的聚类分群和基于群组的风险判别分析方法：选择样本换热器组，确定换热器聚类分析变量和判别分析变量；建立每个特征变量下的数据映射准则，依据数据映射准则对样本换热器进行数值化处理，做为训练数据集；采用K‑means算法对训练数据集进行聚类分析，划分出换热器群组；基于所划分的换热器群组和已知特征变量建立换热器判别函数，并确定判别准则；根据换热器群组判别准则，判别出新设计换热器所在群组，搜寻新设计换热器与所在群组中特征距离最近的换热器，并根据距离最近的换热器的运行风险状态进行设计新换热器的风险管控。本发明训练数据丰富全面，基于特征变量的群组划分程序简洁合理，使用方便。

说明书

技术领域

本发明涉及一种换热器的风险判别分析方法。特别是涉及一种换热器的聚类分群和基于群组的风险判别分析方法。

背景技术

石油化工产业是一个高耗能的产业，任何生产过程中一点小的改进都会带来巨大的经济效益。换热器是石油化工生产中最常用的设备之一，不仅作为保证特定工艺流程正常运转而广泛使用的设备，也是开发和利用工业二次能源，实现余热回收的重要设备。

对换热器进行设计阶段设备可靠性保障管控可以实现，全面分析换热器在使用过程中可能出现的失效，提出规避这些失效的方法和措施，保证换热器的本质安全；依据风险工程的理论，评价风险的水平，采取措施来控制风险水平。

显然，我们可以通过对“设计换热器”可能运行的工艺状况、所选择材质的特性，模拟出该换热器的运行状况，分析其可能存在的风险，并采取相应的风险防范措施，以此在设计阶段降低换热器的失效可能性，进而降低换热器的风险。

但这种方法过多的应用理论分析和模拟仿真，而设备在工业现场的实际应用过程中则会有大量的不确定因素，即理论不能替代现场，因此，通过在换热器设计阶段施加的完整性管理，还需要充分考虑现场因素，将模拟仿真与现场实际相结合。

设计阶段的换热器虽然没有实际的运行工况，但我们可以搜寻与它结构、材质、操作条件、介质特性等方面特性相似的换热器，而由与“设计换热器”最接近的“运行换热器”的风险状态，就可以知道该换热器设计的是否合理，并且通过何种措施可以降低风险。并且通过了解与它最接近换热器在设备管理体系中的地位，以及施加在该换热器上的管理措施，就可以为该换热器提前制定好制造、运行、检修各方面的管理措施，以便实现该换热器高可靠性运行。

发明内容

本发明所要解决的技术问题是，提供一种可以更直观简单的确定换热器的群组，并基于已换分的群组，对新设计换热器进行风险判别分析的换热器的聚类分群和基于群组的风险判别分析方法。

本发明所采用的技术方案是：一种换热器的聚类分群和基于群组的风险判别分析方法，包括如下步骤：

1)选择样本换热器组，确定换热器聚类分析变量和判别分析变量；

2)建立每个特征变量下的数据映射准则，依据数据映射准则对样本换热器进行数值化处理，做为训练数据集；

3)采用K-means算法对训练数据集进行聚类分析，划分出换热器群组；

4)基于所划分的换热器群组和已知特征变量建立换热器判别函数，并确定判别准则；

5)根据换热器群组判别准则，判别出新设计换热器所在群组，搜寻新设计换热器与所在群组中特征距离最近的换热器，并根据距离最近的换热器的运行风险状态进行设计新换热器的风险管控。

本发明的一种换热器的聚类分群和基于群组的风险判别分析方法，通过选择样本换热器组，依据样本换热器组确定换热器聚类分析变量和判别分析变量；建立每个特征变量下的数据映射准则，依据数据映射准则对样本换热器进行数值化处理，做为训练数据集；采用K-means算法对训练数据集进行聚类分析，划分出换热器群组；基于所划分的换热器群组和已知判别变量下建立换热器判别函数，并确定判别准则；计算出新设计换热器与所在群组中距离最近的换热器，并根据最近距离换热器的运行风险状态进行设计风险管控。本发明具体具有以下优点：

1、本方法中选取的样本换热器组涵盖了当前石化装置中的各种结构形式换热器，训练数据丰富全面；选取的7个特征变量分别表征了换热器本身结构特征、换热器操作特征、换热器腐蚀机理和换热器生产重要性，基于特征变量的群组划分程序简洁合理，使用方便。

2、将换热器判别分析方法用于设计阶段的换热器的风险判别，可以搜寻与新设计换热器结构、材质、操作条件、介质特性等方面特性相似的换热器，进而由与“设计换热器”最接近的“运行换热器”的风险状态，判断出换热器设计的是否合理，并且给出降风险措施。通过了解与设计换热器最相似换热器在设备管理体系中的地位，以及施加在最相似换热器上的管理措施，就可以为设计换热器提前制定好制造、运行、检修各方面的管控措施，以便实现该换热器高可靠性运行。

附图说明

图1是本发明一种换热器的聚类分群和基于群组的风险判别分析方法的流程框图。

具体实施方式

下面结合实施例和附图对本发明的一种换热器的聚类分群和基于群组的风险判别分析方法做出详细说明。

如图1所示，本发明的一种换热器的聚类分群和基于群组的风险判别分析方法，包括如下步骤：

1)选择样本换热器组，确定换热器聚类分析变量和判别分析变量；包括：

(1)以一炼化企业中的所有类型换热器(如共842台)为样本换热器组，该企业涵盖当前炼化流程的生产装置；

(2)选取换热管根数、换热器管程材质、管程介质出口温度、壳程介质入口温度、操作压力、介质腐蚀性等级和换热器对装置的关键程度7个特征变量，这7个特征变量分别表征了换热器本身特征、换热器腐蚀机理和换热器生产重要性；以所述的7个特征变量做为换热器聚类分析和判别分析的变量。

2)建立每个特征变量下的数据映射准则，依据数据映射准则对样本换热器进行数值化处理，做为训练数据集；

由于各个指标下对应值并非都为数值型，因此需要确定数据映射准则，即对选取的每个特征变量进行去量纲化，映射准则为依据程度从高到低依次为1至5，以此形成数据的映射关系。所述的建立每个特征变量下的数据映射准则包括：

(1)换热管根数特征变量，将换热器中换热管的根数进行数值化处理，转化为1到5之间的数值；即：

换热管根数小于100根，对应值为1；换热管根数大于等于100根且小于400根，对应值为2；换热管根数大于等于400根且小于1000根，对应值为3；换热管根数大于等于1000根且小于2000根，对应值为4；换热管根数大于等于2000根，对应值为5。

(2)管程介质出口温度特征变量，将换热器中管程介质出口温度进行数值化处理，按照温度从低到高对应转化为1到5之间的数值；即：

介质为循环水时管程出口温度小于50℃，介质为非循环水时管程出口温度小于100℃，对应值为1；介质为循环水时管程出口温度大于等于50℃且小于70℃，介质为非循环水时管程出口温度大于等于100℃且小于250℃，对应值为2；介质为循环水时管程出口温度大于等于70℃且小于100℃，介质为非循环水时管程出口温度大于等于250℃小于300℃，对应值为4；介质为循环水时管程出口温度大于等于100℃且小于150℃，介质为非循环水时管程出口温度大于等于300℃且小于400℃，对应值为4；介质为循环水时管程出口温度大于150℃，介质为非循环水时管程出口温度大于等于400℃，对应值为5。

(3)壳程介质入口温度特征变量，将换热器中壳程介质入口温度进行数值化处理，按照温度从低到高对应转化为1到5之间的数值；即：

壳程介质入口温度小于100℃，对应值为1；操作温度大于等于100℃且小于200℃，对应值为2；操作温度大于等于200℃且小于300℃，对应值为3；操作温度大于等于300℃且小于400℃，对应值为4；操作温度大于等于400℃的对应值为5。

(4)壳程操作压力特征变量，比较换热器管程操作压力和壳程操作压力，将二者之间最大的操作压力作为换热器操作压力特征向量，进行数值化处理，按照操作压力从低到高对应转化为1到5之间的数值；即：

操作压力小于1.5MPa的对应值为1；操作压力大于等于1.5MPa且小于3.4MPa，对应值为2；操作压力大于等于3.4MPa且小于5MPa，对应值为3；操作压力大于等于5MPa且小于10MPa，对应值为4；操作压力大于等于10MPa的对应值为5。

(5)换热器管程材质特征变量，按照管束材质抵抗换热器管程和壳程内介质在操作温度、压力下的腐蚀的能力，进行数值化处理，按照管束材质抗腐蚀能力从弱到强对应转化为1到5之间的数值；即：

管束中使用的换热钢管材质牌号为10号钢，对应值为1；管束中使用的换热钢管材质牌号为20号钢或耐硫酸露点腐蚀用NS1钢，对应值为2；管束中使用的换热钢管材质为10号钢并在换热管涂装防腐涂层、管束中使用的换热钢管材质为经过冷拔加工的10号钢管、换热钢管材质为10号渗铝钢，对应值为3；换热钢管材质牌号为321的奥氏体不锈钢、换热钢管材质为铁素体不锈钢、换热钢管材质牌号为20号钢且在换热管涂装防腐涂层，对应值为4；换热钢管材质为镍及合金钢、换热钢管材质牌号为Incoloy 825钢、换热钢管材质为钛合金钢，对应值为5。

(6)介质腐蚀性等级特征变量，比较换热器管程介质在操作温度下对换热器管束金属的腐蚀性和壳程介质在操作温度下对换热器管束金属的腐蚀性，将二者之间腐蚀性最大的介质作为介质腐蚀性等级特征变量，按照介质腐蚀性能从弱到强对应转化为1到5之间的数值；即：

介质为除氧水、软化水、锅炉水、蒸汽、出厂产品且不具备腐蚀性介质，对应值为1；介质为经过电脱盐处理后的原油，对应值为2；介质为稳定塔顶油气、分离塔顶油气、燃料气、常压塔中常一线油、常压塔中常二线油、减压塔中减二线油、减压塔中减三线油、新制氢气，对应值为3；介质为液化气、常压塔底油、减压塔底油、贫胺液、富胺液、环丁砜，对应值为4；介质为加氢反应产物、重整反应产物、分馏塔顶油气、吸收塔顶油气、解析塔顶油气、常压塔顶循环油气、催化裂化装置排出的残渣油、含硫化氢铵浓度大于15000ppm的酸性水、循环水、焦化装置净化水、循环氢气、中变气，对应值为5。

(7)换热器对装置的关键程度特征变量，按照换热器发生设备故障强度等级，即换热器发生故障停机时对换热器所在生产装置和相关生产装置造成的影响程度从低到高，对应转化为1到5之间的数值；即：

换热器泄漏后不影响产品质量、工艺操作和其他设备，对应值为1；换热器泄漏后不影响产品质量和工艺操作，但造成介质串流，污染另一侧介质从而增加设备长期运行风险的，对应值为2；换热器泄漏后只影响到所在生产装置正常的生产和工艺操作，产品质量不合格，对应值为3；换热器泄漏后造成所在生产装置局部停止运行或造成所属装置大机组急停，对应值为4；换热器泄漏后造成所在生产装置停止运行，或造成两套以上相关生产装置异常波动，对应值为5。

依据数据映射准则对样本换热器组中的每一个换热器进行1到5之间的数值化处理，样本换热器数值化处理后形成训练数据集：R＝{R

如842台样本换热器组依据数据映射准则数值化处理后形成训练数据集：R＝{R

3)采用K-means算法对训练数据集进行聚类分析，划分出换热器群组；包括：

(1)设定样本换热器组为k个群组，记为

(2)分别计算样本换热器组中每个换热器R

d(R

将每个换热器R

其中，N

(3)判断聚类计算收敛性，收敛性判断公式如下：

其中，若Y收敛，即聚类中心不再发生变化，则聚类分析结束，换热器群组划分完成，否则返回第(2)步，直至Y收敛，最终的群组划分为

如将842台样本换热器组依据数据映射准则数值化处理后形成训练数据集，进行聚类分析后，划分出7个换热器群组

4)基于所划分的换热器群组和已知特征变量建立换热器判别函数，并确定判别准则；包括：

(1)以步骤1)中的特征变量做为判别变量，以步骤3)的聚类结果中k个换热器群组中的数据作为k组样本数据集，该样本集为7维，包含k个类别共N个样本，N

(2)构造换热器群组判别函数：

y(x)＝c

其中，c＝(c

计算出y(x)在各换热器群组

计算出y(x)在各换热器群组

σ

其中，

(3)确定判别函数系数向量，计算各换热器群组G

计算各换热器群组G

其中，

计算出协差阵A关于离差阵E的广义特征根λ及对广义特征根λ应的特征向量p，使得

构造k个关于换热器群组G

y

其中：λ为协差阵A关于离差阵E的广义特征根；p为λ应的特征向量；y

(4)确定换热器群组判别准则，将待判换热器

y

将第i个换热器群组内所有换热器的样本均值向量

计算：

若

其中x

依据以上换热器判别法建立步骤，建立基于842台换热器7个换热器群组的判别分析函数：

5)根据换热器群组判别准则，判别出新设计换热器所在群组，搜寻新设计换热器与所在群组中特征距离最近的换热器，并根据距离最近的换热器的运行风险状态进行设计新换热器的风险管控。设计新换热器的原则为：

(1)将新设计换热器的7个特征变量按照步骤2)中的数据映射准则对每个特征变量进行赋值，形成新设计换热器特征向量

例如，在某石化企业中的新建装置中随机抽取16台设计的换热器，依据数据映射准则形成打分表，见表1：

表1

例如，将某石化企业中的新建装置中随机抽取16台设计换热器的打分结果分别带入7个判别方程式进行计算，依据判别准则判定换热器所属群组，结果见表2：

表2

(2)搜寻新设计换热器与所在群组中特征距离最近的换热器，计算公式：

其中，

将

例如，某石化企业新建装置中随机抽取的16台设计换热器，经过搜寻计算，得到与各新设计换热器同群组且特征距离最近的换热器，即最相似换热器，并给出与各新设计换热器最相似换热器的风险等级，结果见表3：

表3

(3)根据距离最近的换热器的运行风险状态进行设计新换热器的风险管控，距离最近的换热器换热器风险等级为中高风险或高风险的新设计换热器的管控措施：

考虑换热器管程材质升级或在管束上进行防腐涂层，或以新设计换热器所在群组内失效可能性最低的换热器为参照进行设计修正；选择不易结垢的管束型式，或以以新设计换热器所在群组内结垢状况控制最好的换热器管束形式作为设计修正；换热器的换热管和管嘴与管板连接选用高可靠性的胀焊结合；换热流程配备跨线和进出口阀门，跨线材质与进出口管线材质一致。

由表3可见，某石化企业新建装置中随机抽取的16台设计换热器中有6台距离最近的换热器风险等级为中高风险或高风险，因此在设计过程中需要进行风险管控。