程松民

昆侖能源湖北黃岡液化天然氣有限公司

我國液化天然氣工廠的數(shù)量不斷增加，一方面由于液化天然氣工廠內(nèi)設(shè)備的數(shù)量及類型相對較多，運行工藝相對較為復(fù)雜，在設(shè)備運行的過程中可能會出現(xiàn)各種類型的風(fēng)險事故[1]。另一方面，液化天然氣本身就屬于一種易燃、易爆物質(zhì)，如果設(shè)備運行出現(xiàn)風(fēng)險事故，可能會引發(fā)更大的風(fēng)險問題，由此可見，保障液化天然氣工廠內(nèi)設(shè)備的運行安全十分關(guān)鍵[2-4]。保障設(shè)備運行安全的前提是及時對風(fēng)險事故進(jìn)行預(yù)測，以便制定安全保障方案和風(fēng)險預(yù)案。因此，對液化天然氣工廠內(nèi)的設(shè)備運行風(fēng)險事故進(jìn)行全面的預(yù)測研究十分重要。

目前，國內(nèi)外學(xué)者對液化天然氣工廠內(nèi)設(shè)備運行安全問題進(jìn)行了廣泛的研究。田宇忠等[5]在綜合考慮多米諾效應(yīng)的基礎(chǔ)上，對液化天然氣工廠出現(xiàn)風(fēng)險事故以后的后果進(jìn)行了全面的研究，并對風(fēng)險事故以后設(shè)備的損壞概率以及人員傷亡進(jìn)行了全面的計算，研究結(jié)果表明，考慮多米諾效應(yīng)前提下的風(fēng)險定量評價結(jié)果更加的準(zhǔn)確；王志寰等[6]對液化天然氣工廠內(nèi)設(shè)備泄漏風(fēng)險問題進(jìn)行了全面的研究，在研究的過程中，充分考慮了液化天然氣工廠所處的地理位置，根據(jù)實際布置狀況建立了三維預(yù)測模型，對泄漏風(fēng)險問題進(jìn)行了全面的預(yù)測，研究結(jié)果表明，所建立的三維預(yù)測模型相對較為準(zhǔn)確，可用于液化天然氣工廠泄漏風(fēng)險預(yù)測及分析；HAMEED 等[7]建立了一種基于風(fēng)險雙目標(biāo)的模型，對液化天然氣工廠內(nèi)的脫硫裝置運行風(fēng)險問題進(jìn)行了全面研究，該模型可以為制定脫硫裝置的維修決策提供指導(dǎo)建議。

通過對國內(nèi)外研究現(xiàn)狀進(jìn)行分析可以發(fā)現(xiàn)，目前國內(nèi)外的研究主要集中在單一設(shè)備的運行風(fēng)險或者風(fēng)險事故的危害評價方面，對于整個液化天然氣工廠內(nèi)設(shè)備風(fēng)險事故的預(yù)測研究相對較少。為此，本次研究主要是引入了差分自回歸移動平均（ARIMA）、最小二乘支持向量機（LS-SVM）以及BP神經(jīng)網(wǎng)絡(luò)（BPNN）三種類型的算法，提出了三種算法的組合方式，利用組合模型對液化天然氣工廠內(nèi)設(shè)備的運行風(fēng)險事故進(jìn)行了預(yù)測研究，可以為了解液化天然氣工廠內(nèi)設(shè)備風(fēng)險事故的變化趨勢以及制定安全保障措施提供指導(dǎo)建議。

1 風(fēng)險事故預(yù)測難點分析

對液化天然氣工廠內(nèi)的設(shè)備風(fēng)險事故進(jìn)行預(yù)測的難度相對較大，其主要的原因有兩點。首先，液化天然氣工廠內(nèi)的設(shè)備數(shù)量以及類型相對較多，液化天然氣工廠主要進(jìn)行原料氣的凈化、壓縮、天然氣的液化、儲存等工作，其主要的設(shè)備裝置包括凈化裝置、分離器、分餾塔、壓縮機、換熱器等[8-9]。在開展日常工作的過程中，各種類型的設(shè)備裝置都可能會出現(xiàn)風(fēng)險問題，且每種類型設(shè)備裝置出現(xiàn)的風(fēng)險事故問題各不相同，引起事故問題的原因也存在眾多的差別，所引發(fā)的后果也存在較大的差距，這使得對風(fēng)險事故進(jìn)行預(yù)測的難度相對較大[10-11]；其次，液化天然氣工廠內(nèi)的生產(chǎn)工藝相對較為復(fù)雜，各種類型的設(shè)備串聯(lián)在一起，如果一種類型的設(shè)備出現(xiàn)風(fēng)險問題，很可能會引發(fā)其他設(shè)備的風(fēng)險問題，因此對液化天然氣工廠內(nèi)的設(shè)備風(fēng)險事故進(jìn)行整體性預(yù)測的難度相對較大。

針對液化天然氣工廠內(nèi)設(shè)備風(fēng)險事故預(yù)測難度相對較大的問題，本次研究首先將設(shè)備的風(fēng)險事故分為兩種類型，分別是嚴(yán)重事故和一般事故（嚴(yán)重事故是指會造成人員傷亡和巨大經(jīng)濟損失的風(fēng)險事故，一般事故是指會影響生產(chǎn)作業(yè)效率和經(jīng)濟損失較小的風(fēng)險事故），所有設(shè)備的風(fēng)險事故都將歸結(jié)到這兩種類型的事故中，然后對液化天然氣工廠內(nèi)的設(shè)備風(fēng)險事故進(jìn)行統(tǒng)一的預(yù)測研究。

2 數(shù)據(jù)來源及研究方法

2.1 某企業(yè)風(fēng)險事故數(shù)據(jù)

本次研究所使用的數(shù)據(jù)來源于我國某液化天然氣企業(yè)，該企業(yè)于2020 年發(fā)布了2008—2019 年的運營數(shù)據(jù)，運營數(shù)據(jù)中包含了設(shè)備運行風(fēng)險事故類型、出現(xiàn)的原因以及所造成的危害。首先對所有的設(shè)備運行風(fēng)險事故進(jìn)行了統(tǒng)一的分類，將其分為嚴(yán)重風(fēng)險事故和一般風(fēng)險事故兩種類型，對這兩種類型的風(fēng)險事故進(jìn)行預(yù)測研究。該液化天然氣工廠每季度都會針對不同的設(shè)備進(jìn)行維護(hù)及檢測，其2008—2019 年的風(fēng)險事故情況見表1，2008—2019年設(shè)備維修情況見表2。

表1 2008—2019年某液化天然氣企業(yè)設(shè)備風(fēng)險事故情況Tab.1 Equipment risk accidents of a LNG enterprise from 2008 to 2019

表2 2008—2019年某液化天然氣企業(yè)設(shè)備維修情況Tab.2 Equipment maintenance times of a LNG enterprise from 2008 to 2019

2.2 模型理論基礎(chǔ)

2.2.1 ARIMA模型

ARIMA 模型主要是通過將時間序列轉(zhuǎn)化為隨機序列進(jìn)而對預(yù)測值進(jìn)行全面的預(yù)測，該種類型算法模型的精度相對較高[12]。如果某一項數(shù)據(jù)具有季節(jié)性以及趨勢性的基本特征，則可以使用該種模型將其表示為ARIMA(p,d,q)(P，D，Q)s季節(jié)模型，在該模型中共含有7項參數(shù)，其中p、q為自相關(guān)或者偏自相關(guān)的函數(shù)的階數(shù)，d為該模型的差分次數(shù)，P、Q、D為季節(jié)性中的自相關(guān)、偏自相關(guān)函數(shù)的階數(shù)以及函數(shù)的差分次數(shù)，s為周期[13]。這種模型可以表示為

式中：ε為隨機誤差；Φ(L)?dY為在同一個周期之內(nèi)不同周期點位置處的相關(guān)性；U(LS)?Ds為在不同的周期之內(nèi)相同周期點位置處的相關(guān)性。

在進(jìn)行建模的過程中，首先需要對數(shù)據(jù)進(jìn)行差分處理，然后對其進(jìn)行周期性的觀察，確定d的數(shù)值。例如在進(jìn)行n階的差分處理以后，其周期性已經(jīng)消失了，此時就可以得到d=n；同時，通過差分的方式也可以確定D的數(shù)值。p和q的取值主要可以通過進(jìn)行差分處理以后的ACF圖以及PACF圖進(jìn)行確定，P和Q的數(shù)值一般都屬于低階情況，因此可以使用從低階向高階嘗試的方法進(jìn)行確定，在進(jìn)行確定的過程中可以使用Ljung-Box 的方法進(jìn)行檢驗，從而確定出最佳的模型。

2.2.2 LS-SVM模型

LS-SVM模型主要是在對SVM模型進(jìn)行全面優(yōu)化的基礎(chǔ)上提出的一種算法模型[14]。該種模型可以通過對線性方程組進(jìn)行全面求解的方式，進(jìn)而對問題進(jìn)行一定的簡化，通過該種方式可以使得模型的計算效率得到提升[15-16]。同時，在構(gòu)建模型的過程中需要一定量的數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)化到高維的空間之中進(jìn)行回歸處理，引入核函數(shù)避免出現(xiàn)維度災(zāi)難問題。非線性的支持向量機可以通過以下方式進(jìn)行求解

式中：W為擬合函數(shù)；yi為第i個輸出向量；xi為第i個輸入向量；i、j為向量序號；ε為殘差；n為輸出向量的數(shù)量；l為輸入向量的數(shù)量。

上述方程的約束條件為

式中：C為正則化參數(shù)。

在得到拉格朗日系數(shù)αi、以后，該函數(shù)f(x)可以表示為

式中：SVs為訓(xùn)練樣本的空間；K(xi,x)為核函數(shù)。

2.2.3 BP神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)算法屬于一種常見的預(yù)測類算法，在使用該種算法的過程中，工作將會正向傳遞，誤差將會反向傳遞[17-18]。在BP神經(jīng)網(wǎng)絡(luò)算法之中，每個樣本數(shù)據(jù)都會有m個輸入，同時還會有n個輸出，在輸入層I與輸出層O之間還含有隱含層H，其主要是驗證相對誤差平方和最小的方向，對閾值進(jìn)行反復(fù)的修正，進(jìn)而使得模型的預(yù)測誤差達(dá)到最低[19]。其誤差函數(shù)可以表示為

式中：E為誤差函數(shù)；ω為權(quán)重；b為閾值；n為輸出數(shù)據(jù)的數(shù)量；j為某項數(shù)據(jù)；dj為模型的輸出結(jié)果；yj為數(shù)據(jù)的真實數(shù)值。

2.3 組合模型構(gòu)建步驟

組合模型的構(gòu)建分為以下步驟：

（1）首先建立ARIMA 模型，并將液化天然氣企業(yè)相關(guān)指標(biāo)數(shù)據(jù)輸入其中，然后對統(tǒng)計量和顯著性進(jìn)行一定的擬合，最終得到最佳的模型Y1=f(x)。

（2）然后建立LS-SVM模型，通過使用交叉驗證的方式得到模型的參數(shù)，即Y2=s(x)。

（3）使用相關(guān)數(shù)據(jù)對BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行全面的訓(xùn)練，最終得到模型的參數(shù)，即Y3=n(x)。

（4）根據(jù)DS 證據(jù)理論，對各個模型的權(quán)重ai進(jìn)行確定，最終得到用于液化天然氣工廠設(shè)備風(fēng)險事故預(yù)測的模型Y=a1Y1+a2Y2+a3Y3[20-21]。

2.4 自變量篩選

對于液化天然氣工廠設(shè)備運行安全而言，其影響因素相對較多，包括設(shè)備的運行時間、利用率以及工作人員技術(shù)水平等，在對液化天然氣企業(yè)進(jìn)行設(shè)備風(fēng)險預(yù)測的過程中，雖然需要建立時間序列模型，但是也必須考慮這些影響因素對模型脆弱性的影響，設(shè)備運行風(fēng)險的脆弱性主要來源于工作人員以及外界環(huán)境，本次研究所考慮的設(shè)備風(fēng)險影響因素主要有7 項：①設(shè)備運行時間x1；②設(shè)備年限x2；③設(shè)備利用率x3；④工作人員工作年限x4；⑤工作人員數(shù)量x5；⑥惡劣天氣（雷雨、大風(fēng)出現(xiàn)的天數(shù)）狀況x6；⑦經(jīng)濟效益x7。

3 應(yīng)用實例分析

3.1 數(shù)據(jù)預(yù)處理

本次研究主要以我國某大型液化天然氣工廠為例，其運行時間已經(jīng)超過10 年，該工廠內(nèi)設(shè)備風(fēng)險事故的時序圖如圖1所示。通過對時序圖進(jìn)行分析可以發(fā)現(xiàn)，設(shè)備出現(xiàn)風(fēng)險事故的次數(shù)具有較大的波動，且隨著時間的變化，風(fēng)險事故的次數(shù)逐漸升高。其中2008—2012 年該工廠設(shè)備出現(xiàn)風(fēng)險事故的次數(shù)相對較少，2013 年以后出現(xiàn)設(shè)備風(fēng)險事故的次數(shù)呈現(xiàn)出波動式增加。在進(jìn)行建模的過程中，將該工廠2008-2017 年的數(shù)據(jù)作為模型的訓(xùn)練樣本，對2018 年、2019 年的數(shù)據(jù)進(jìn)行預(yù)測。為了對季節(jié)性因素進(jìn)行分解，提高數(shù)據(jù)的穩(wěn)定性，對數(shù)據(jù)進(jìn)行分解，分解結(jié)果如圖2所示。通過對分解以后的季節(jié)性時序圖進(jìn)行分析可以發(fā)現(xiàn)，該工廠內(nèi)設(shè)備風(fēng)險事故也呈現(xiàn)出了明顯的季節(jié)性特征，由此可確定s=12。

圖1 2008-2019年某液化天然氣工廠設(shè)備風(fēng)險事故時序圖Fig.1 Sequence diagram of equipment risk accidents in a LNG plant from 2008 to 2019

圖2 2008-2019年某液化天然氣工廠設(shè)備風(fēng)險季節(jié)性時序圖（01表示第一季度，03表示第三季度）Fig.2 Seasonal sequence diagram of equipment risk in a LNG plant from 2008 to 2019（01 represents the first quarter，03 represents the third quarter）

3.2 ARIMA模型識別

殘差的自相關(guān)函數(shù)圖以及殘差的偏自相關(guān)函數(shù)圖如圖3 和圖4 所示。通過對兩圖進(jìn)行分析可以發(fā)現(xiàn)，當(dāng)殘差的滯后值達(dá)到lag=14 時，兩種函數(shù)出現(xiàn)了截尾性現(xiàn)象，同時其自相關(guān)系數(shù)不等于0，可以將參數(shù)q和Q均設(shè)定為1；當(dāng)殘差的偏自相關(guān)函數(shù)滯后值lag=14 時，其偏自相關(guān)系數(shù)也不等于0，所以可以將參數(shù)p和P均設(shè)定為1。

圖3 殘差的自相關(guān)函數(shù)圖Fig.3 Autocorrelation function graph of residuals

圖4 殘差的偏自相關(guān)函數(shù)圖Fig.4 Partial autocorrelation function graph of residuals

將Y1作為模型中的因變量，將表2中的影響因素作為自變量，使用matlab軟件對各個階數(shù)進(jìn)行全面的計算，最終得到最佳的模型是ARIMA（1，1，1）（1，1，1）14，該模型的各種統(tǒng)計量見表3。

表3 最佳模型的統(tǒng)計量Tab.3 Statistics of the best model

通過對表3進(jìn)行深入分析可以發(fā)現(xiàn)，殘差的自相關(guān)函數(shù)以及偏相關(guān)函數(shù)都處于可信的區(qū)間之內(nèi)。其中Ljung-Box的統(tǒng)計量數(shù)值達(dá)到了22.84，其顯著性也達(dá)到了0.082，證明這種差異并沒有統(tǒng)計學(xué)上的意義，可以將原假設(shè)否定，即殘差序列存在白噪聲，序列屬于一種隨機的序列，平穩(wěn)后的R2（表示相關(guān)系數(shù)）達(dá)到了0.721，正態(tài)化的BIC 值也達(dá)到了-2.37，說明模型的擬合度相對較好，可以用于數(shù)據(jù)的預(yù)測。該最佳模型的t檢驗結(jié)果見表4。通過對表4進(jìn)行分析發(fā)現(xiàn)，該最佳模型已經(jīng)通過了t檢驗。

表4 最佳模型的t 檢驗結(jié)果Tab.4 t test results of the best model

3.3 LS-SVM模型識別

在使用LS-SVM模型算法的過程中，其預(yù)測的精度與核函數(shù)以及相關(guān)參數(shù)設(shè)置有關(guān)，本次研究使用的核函數(shù)為徑向基核函數(shù)，公式為

在使用徑向基核函數(shù)的前提下，可以通過多次試算的方式，確定兩種參數(shù)數(shù)值，即C=12，σ=0.001，通過設(shè)定參數(shù)使得模型的泛化能力得到了增強。為了防止出現(xiàn)計算飽和問題，需要對偏差進(jìn)行歸一化處理，進(jìn)而對2018 年和2019 年的數(shù)據(jù)進(jìn)行全面的預(yù)測。

3.4 BP神經(jīng)網(wǎng)絡(luò)模型識別

在使用BP 神經(jīng)網(wǎng)絡(luò)模型的過程中，輸入層為年度、季度以及表2 中的7 項影響因素，在考慮樣本數(shù)量的前提下，將隱含層設(shè)定為1，輸出層為該液化天然氣工廠設(shè)備風(fēng)險事故的次數(shù)，激活函數(shù)使用默認(rèn)函數(shù)，錯誤函數(shù)選擇平方和方式，訓(xùn)練樣本的個數(shù)為40個，測試樣本的個數(shù)為8個，該模型的統(tǒng)計量見表5。

表5 模型統(tǒng)計量信息Tab.5 Model statistics information

3.5 組合模型預(yù)測

ARIMA 模 型、LS-SVM 模 型以及BP 神經(jīng)網(wǎng)絡(luò)模型等三種模型的預(yù)測結(jié)果與實際值之間的對比情況見表6。根據(jù)相對誤差的大小，進(jìn)而可以確定各種模型的權(quán)重，權(quán)重確定情況見表7。

表6 三種模型預(yù)測結(jié)果Tab.6 Prediction results of the three models

通過對表7進(jìn)行分析可以確定，本次研究提出的組合模型是：Y=0.241 584×Y1+0.311 784×Y2+0.446 632×Y3。使用組合模型對2008—2017 年該液化天然氣工廠設(shè)備風(fēng)險事故進(jìn)行擬合，擬合結(jié)果如圖5所示。

表7 權(quán)重分配情況Tab.7 Weight distribution

通過對圖5進(jìn)行分析可以發(fā)現(xiàn)，組合模型的擬合結(jié)果與實際風(fēng)險事故的發(fā)展趨勢相同，每個季度的風(fēng)險事故擬合值都處于置信區(qū)間之內(nèi)。組合模型的最大相對誤差為16.00%，出現(xiàn)在2014 年的第二季度，2008 年第二季度、2011 年第二季度以及2012 年第二季度的相對誤差也相對較大。最小相對誤差小于1%，擬合值在拐點位置處的誤差相對較大。由此可見，該組合模型可以反應(yīng)出該液化天然氣工廠設(shè)備風(fēng)險事故的波動情況，擬合值與實際狀況之間具有很強的重合度，證明組合模型的精度相對較高。

圖5 2008—2017年某液化天然氣工廠設(shè)備風(fēng)險事故次數(shù)擬合結(jié)果Fig.5 Fitting results of the number of equipment risk accidents in a LNG plant from 2008 to 2017

3.6 預(yù)測結(jié)果分析

使用組合模型對該液化天然氣工廠2018 年和2019 年的設(shè)備風(fēng)險事故進(jìn)行預(yù)測，并與實際狀況進(jìn)行比較，預(yù)測結(jié)果如圖6 所示。通過對圖6 進(jìn)行分析可以發(fā)現(xiàn)，該液化天然氣工廠內(nèi)的設(shè)備風(fēng)險事故次數(shù)處于波動式上升階段，隨著時間的推移，出現(xiàn)風(fēng)險事故的次數(shù)逐漸增加。組合模型的預(yù)測結(jié)果與實際狀況相吻合，與單一的模型相比，組合模型的精度得到了較大的提升。通過對預(yù)測結(jié)果進(jìn)行全面的分析可以發(fā)現(xiàn)，組合模型可以反應(yīng)出該液化天然氣工廠設(shè)備風(fēng)險事故次數(shù)的動態(tài)變化情況，可以對液化天然氣工廠設(shè)備風(fēng)險事故進(jìn)行短期的預(yù)測。組合模型的精度雖然得到了提升，但是仍然存在一定的誤差，模型的精度仍然有待提升。通過研究可以證明，使用該組合模型可以對液化天然氣工廠內(nèi)所有動設(shè)備以及靜設(shè)備出現(xiàn)風(fēng)險事故的次數(shù)進(jìn)行全面的預(yù)測，而出現(xiàn)風(fēng)險事故并不意味著設(shè)備失效，但必然會對其運行效率以及運行安全產(chǎn)生影響。因此，液化天然氣工廠內(nèi)的工作人員需要根據(jù)風(fēng)險事故的發(fā)展趨勢，提前制定有效的預(yù)案，及時解決設(shè)備的運行問題，保障生產(chǎn)效率和生產(chǎn)安全。

圖6 2018—2019年某液化天然氣工廠設(shè)備風(fēng)險事故預(yù)測結(jié)果Fig.6 Prediction results of the equipment risk accidents in a LNG plant from 2018 to 2019

4 結(jié)論

在本次研究中，以某液化天然氣工廠2008—2019 年的設(shè)備風(fēng)險事故真實數(shù)據(jù)為依據(jù)，進(jìn)而建立了設(shè)備風(fēng)險事故預(yù)測的組合模型，進(jìn)行了模型的實例驗證。通過本次研究主要可以得出以下結(jié)論：

（1）本次研究提出的組合模型主要是根據(jù)設(shè)備風(fēng)險事故歷史數(shù)據(jù)的線性以及非線性特征，對特征進(jìn)行提取，然后進(jìn)行參數(shù)估計以及驗證，驗證結(jié)果顯示，其預(yù)測結(jié)果可以為液化天然氣工廠企業(yè)制定設(shè)備風(fēng)險事故的預(yù)防措施提供數(shù)據(jù)支撐。

（2）在使用組合模型的過程中，充分考慮了其他因素對設(shè)備風(fēng)險事故次數(shù)的影響，對單一模型的誤差進(jìn)行了全面的修正，結(jié)果顯示，通過使用大數(shù)據(jù)對樣本進(jìn)行全面的訓(xùn)練，可以使得組合模型的精度得到明顯的提升。使用組合模型可以對液化天然氣工廠內(nèi)設(shè)備風(fēng)險事故出現(xiàn)次數(shù)的發(fā)展趨勢進(jìn)行預(yù)測，預(yù)測精度相對較高。但是由于液化天然氣工廠內(nèi)設(shè)備風(fēng)險問題較為復(fù)雜，所以在預(yù)測的過程中只能進(jìn)行季度性預(yù)測。

（3）本次研究主要是通過使用歷史數(shù)據(jù)對未來狀況進(jìn)行預(yù)測，但是在同一個時間點可能會出現(xiàn)多種類型的設(shè)備風(fēng)險事故，此時就會出現(xiàn)離群現(xiàn)象，進(jìn)而使得模型的預(yù)測精度降低，因此模型在使用的過程中，液化天然氣企業(yè)需要從實際情況出發(fā)，將預(yù)測周期控制在2～3年，這可以與液化天然氣工廠企業(yè)制定年度計劃相吻合，更利于液化天然氣企業(yè)制定完善的預(yù)防措施，全面防止出現(xiàn)設(shè)備風(fēng)險問題。