★ 臧明宝，雷宇（陕西延长石油天然气股份有限公司，陕西 延安 716000）

关键词：液化天然气厂；自动化控制系统；故障诊断；深度学习；分布式架构

液化天然气厂生产过程涉及低温液化、储存输送等复杂工艺，分布式控制系统（Distributed Control System， DCS）承担着温度压力调控、流量监测、安全联锁等核心功能。系统故障将导致生产中断甚至安全事故，造成重大经济损失[1]。随着工艺流程日益复杂，传感器网络规模不断扩大，海量运行数据呈现多源异构特点，传统基于经验的诊断方法已难以应对，亟需构建高效智能的故障诊断体系。

1   LNG工艺控制系统故障特征分析

1.1   典型故障模式与传播机理

液化天然气厂控制系统故障主要有四类典型模式，分别是传感器漂移失效、执行机构卡涩、控制回路参数失配以及联锁逻辑异常。传感器漂移失效会导致测量值缓慢偏离真实的工况， 执行机构卡涩会导致阀门开度响应出现滞后现象， 控制回路参数失配则会引发系统产生振荡问题[2]。故障在工艺流程中呈现级联传播特征，如图1所示，压缩机入口压力异常会波及后续冷箱温度分布， 换热器污堵会造成流量分配失衡，最终影响液化效率。

图1 LNG控制系统故障传播路径

1.2   多源异构数据采集与预处理

液化天然气厂故障诊断依赖多类型数据源支撑：

（1）数据采集层面， DCS采集温度压力流量等连续过程变量， PLC 记录阀门状态泵启停等离散开关量，振动监测系统输出加速度频谱特征，红外热像仪获取设备表面温度场分布。

（2）数据同步层面，采样频率存在量级差异，过程变量为1Hz，振动信号达10kHz，需通过线性插值与降采样相结合完成时间戳对齐处理。

（3）数据预处理层面，异常值检测剔除保证数据有效性，缺失数据插补维持时序完整性，小波变换滤波降噪提升信噪比，归一化处理消除量纲影响，为后续故障诊断算法提供高质量数据基础。

2   故障诊断关键技术与算法

2.1   基于深度学习的故障模式识别

2.1.1   卷积神经网络多维时序特征提取

CNN把多通道传感器数据重新构建成二维矩阵来输入， 如图2所示， 行的方向代表着时间步长情况， 列的方向对应着不同测点的变量内容。卷积层借助滑动卷积核来提取局部的时序模式，多个卷积核并行开展工作能够识别压力波动、温度漂移等多种故障特征。池化层对特征图进行降采样处理，在保留显著特征的同时降低计算的复杂程度，减少后续网络层的参数量大小。全连接层将提取到的高维特征映射到故障类别空间里，实现传感器失效、阀门卡涩等典型故障的自动分类操作。这种方法有效捕捉了工艺参数之间的空间关联特性，不需要人工去设计特征提取的规则内容，通过端到端的学习方式为故障模式识别提供判别性特征表示。

图2 CNN多维时序特征提取流程

2.1.2   长短期记忆网络动态故障预测

LSTM通过门控机制解决了传统循环神经网络的梯度消失问题，其单元状态更新过程为式（1）：

ct = ft  ct +it  ct                      （1）

式中：ct为当前时刻单元状态； ft为遗忘门输出； it为输入门输出；ct为候选状态；表示逐元素乘法。

LSTM可以学习控制系统长时间尺度动态演化规律，还能记忆故障发生前数小时甚至数天异常征兆序列。网络输入是经过归一化处理的时序数据窗口，输出层会预测未来时刻的故障发生概率及故障类型。借助反向传播算法训练网络权重，能让模型在故障早期阶段发出预警信号，为运维人员争取充足处置时间去制定预防性维护计划，以此避免故障扩散至整个工艺系统造成停车损失。

2.2   多变量统计过程监控方法

主成分分析（Principal Component Analysis， PCA）通过线性变换将高维相关变量投影到低维正交空间，保留主要方差信息，实现数据降维与特征压缩[3]。监控统计量包含T ² 统计量和平方预测误差（Squared Prediction Error， SPE）。 T2统计量反映主元空间内的过程变化， SPE检测残差空间异常，二者互补构成完整的监控体系。当LNG工艺参数偏离正常操作工况的时候，统计量超出控制限就会触发报警。该方法不需要建立精确的机理模型，仅仅依赖历史正常运行数据来建立基准，适用于多变量强耦合系统的实时监控，能够及时发现压缩机性能衰退、换热器效率下降等渐变型故障。

2.3   因果关系图与故障溯源定位

有向图模型描述控制系统中变量间的因果传播路径，节点代表过程变量或设备状态，有向边表示影响关系。故障发生后，报警信号在因果图中形成传播序列。溯源算法从异常节点出发，逆向追踪至根源节点，定位故障起始点。转移概率矩阵A量化了故障在节点间的传播强度，如式（2）所示：

式中：Pj i 为故障从节点i传播至节点j的条件概率；aij为节点间关联强度；n为节点总数。

算法结合历史故障案例库与专家经验规则，计算各潜在根源的后验概率，考虑故障发生频率与传播路径长度因素，输出最可能的故障源及置信度排序，指导维修人员快速定位问题设备，缩短故障处理周期，减少非计划停车时间。

3   诊断系统集成应用与效能提升

3.1   分布式诊断架构与实时响应机制

3.1.1   边缘计算节点协同诊断机制

边缘计算节点被部署在DCS控制站和现场设备层来构建分布式诊断体系，各节点在就近位置完成数据预处理与初步故障判断工作，通过运行轻量化诊断模型监控本地工艺单元运行状态，以此降低云端服务器计算负荷和网络传输延迟，当检测到异常特征时就触发本地预警[4]。如图3所示，节点之间借助消息队列实现状态信息共享，相邻节点协同分析关联设备故障传播趋势，压缩机边缘节点在检测到振动异常后会主动向润滑油系统节点发送协查请求，后者反馈油压温度数据共同判断故障性质。协同机制通过跨节点信息交叉验证缩短多设备关联故障识别时间，避免单节点因局部信息不足导致误报现象发生，从而提高诊断系统整体可靠性。边缘层诊断延迟被控制在秒级，能够满足LNG工艺实时监控需求，显著增强了系统对突发故障的快速响应能力。

图3 分布式边缘节点协同诊断架构

3.1.2   故障信息融合与决策生成策略

多源诊断信息按置信度加权融合生成最终决策。边缘节点输出局部诊断结果di及置信度”i，云端融合中心计算综合诊断结果，如式（3）所示：

式中：D为融合后的故障类型判断； m为参与融合的节点数量；wi根据节点历史准确率动态调整。

融合算法采用贝叶斯推理框架， 结合先验知识库修正诊断结果，输出故障类型、严重程度及建议处置措施[5]。决策模块依据故障紧急度分级触发响应流程，轻微异常推送运维终端人工确认，严重故障自动启动联锁保护并通知应急指挥中心， 实现从诊断到响应的闭环管理。

3.2   诊断准确率评价与持续优化策略

诊断系统性能评价要建立多维指标体系， 通过量化分析来验证算法有效性与工程适用性。评价指标涵盖准确率、召回率、F1值及误报率这四个核心维度。准确率反映正确诊断占总诊断次数的比例以此衡量系统整体判断能力， 召回率表征实际故障的检出能力从而避免漏检导致事故扩大， F1值综合平衡准确率与召回率的关系进而提供统一评判标准，误报率评估正常运行状态下的错误报警频次，过高误报率会降低运维人员信任度。表1给出了各评价指标的计算方法、应用场景及目标阈值，为系统性能评估提供了标准化框架。

表1 诊断系统性能评价指标体系

评价体系依靠历史故障案例库来做离线验证， 借助现场实时数据开展在线测试工作， 以此确保诊断算法在实际工况当中的稳定性。持续优化策略包含三个不同层次：

一是在模型参数层面， 采用在线学习算法依据新增故障样本动态调整神经网络权重， 让模型能够快速适应工艺条件的变化，避免因参数固化造成诊断性能衰退；

二是在规则层面， 结合专家知识库修正诊断阈值与逻辑判据，把现场工程师积累的经验转化成可执行规则，弥补纯数据驱动方法在小样本故障识别里的不足；

三是在知识层面， 通过迁移学习将成熟工厂的经验迁移到新建装置上， 缩短新系统调试周期并降低初期误报率。

系统会定期采集压缩机振动加剧、换热器效率衰减等新型故障模式来扩充训练集， 以适应设备老化特征变化与工艺参数漂移情况。专家现场反馈和自动学习形成闭环优化机制， 持续提升诊断系统对LNG厂复杂工况的适应能力。

4   结语

深度学习算法达成复杂故障模式的智能识别，多变量统计方法有效监控工艺过程的异常情况， 因果关系图完成故障根源的精准定位工作， 它们构建起一套完整的诊断技术体系。分布式诊断架构提升了系统实时响应的能力，为液化天然气厂智能化运维提供了技术支撑， 具备十分广阔的工程应用前景。

作者简介：

臧明宝（1986-） ，男， 陕西延安人，助理工程师，学士，现就职于陕西延长石油天然气股份有限公司，研究方向为仪表自动化。

雷   宇（1987-） ，男， 陕西延安人，工程师，学士，现就职于陕西延长石油天然气股份有限公司，研究方向为仪表自动化。

参考文献：

[1] 许陆. LNG接收站电气自动化系统的设计与实现[J]. 科技视界, 2025, 15 (04) : 67 - 70.

[2] 房务农, 蒋军, 郭广飞, 等. 大型LNG储罐三种高效自动化焊接工艺对比研究[J]. 压力容器, 2024, 41 (01) : 25 - 32.

[3] 国产首套LNG船对船加注系统完成首船加注[J]. 船舶工程, 2023, 45 (02) : 176.

[4] 黄宇, 刘梦溪, 陈海平, 等. LNG核心装备国产化进展研究与新技术应用[J]. 现代化工, 2022, 42 (12) : 1 - 5.

[5] 崔锦泉, 周伟, 王智磊, 等. 船舶双燃料发动机LNG供气系统模拟仿真技术应用研究[J]. 舰船科学技术, 2022, 44 (18) : 122 - 125.

摘自《自动化博览》2026年3月刊