石油化工行业是我国国民经济的支柱产业之一,然而它也是我国工业界的污染大户。在生产过程存在多种易燃、易爆和有毒的物质,因此石化企业是一种安全环保要求高的企业。为此,对石化企业的化工装置进行监控是十分必要的,特别对于存在大量氧化还原反应的化工装置,对其使用的催化剂进行监控更成为重中之重。这对于保证企业安全生产,减少对大气的污染,提高催化剂的有效利用率和降低企业生产成本,都具有十分重要的意义。 本课题以广州石化硫磺回收装置为例,建立了一套基于Bayes估计的催化剂失效判定方法。本文首先对装置的工艺流程进行了简要的分析,在工艺流程分析和专家经验总结的基础上,对催化剂影响参数及关键监测点进行了详细的分析和归纳。接着根据硫磺回收装置生产流程的特点,分析了关键监测点的影响参数。采用多元线性回归,分别对各关键监测点及其影响参数进行历史数据分析,从而拟合出各关键监测点的趋势预测模型。最后通过预测模型获得各关键监测点的预测值及其发生概率,再利用分层次Bayes估计对催化剂趋势状态进行判定。 另外,本文根据课题研究对象的特点,结合生产中的现实情况,初步建立了一套自学习机制。本文提出的自学习机制主要包含两个方面:一是关键监测点预测参数自学习机制,采用逐步回归法对海量参数进行变量筛选,使预测模型能得到进一步的参数修正,为Bayes估计提供更加可靠的预测值;二是关键监测点选择机制,基于专家经验,总结的关键监测点的共同点,得出在催化剂失效时各关键监测点都出现的数据波动特征,形成初步的关键监测点选择机制。 最后,对本文所做的研究工作进行了总结,并针对课题目前研究情况和结果,对其将来的研究进行了展望,指出了需要进一步完善和改进的地方。