炼化过程异常状况的发生常常具有突发性和偶然性,一旦事故发生,就会很快蔓延,难以控制。异常工况预警方法通过数据挖掘,在事故发生的早期,对数据中的趋势因子及异常特征进行监测,使得在异常工况发生之前,及时采取遏制措施,维护系统安全。同时,由于安全预警方法对数据质量要求很高,一旦数据监测系统发生异常,产生了异常数据,就会影响到炼化装置和安全预警系统的正常功能,因此,对异常数据的诊断与恢复同样很重要。所以,在对异常数据进行诊断与恢复,保障数据精确性的基础上,通过数据挖掘,挖掘数据中的异常特征,提前预测事故发生,并采取措施进行防范,对炼化系统的安全运转具有重要意义。(1)炼化过程参数复杂,波动性大,噪声明显。传统异常数据监测诊断方法稳定性较不佳,难以适应炼化过程异常数据精确诊断的要求。因此,提出一种针对炼化过程的异常数据诊断模型。首先建立参数软测量估计模型,对待测参数进行拟合,并根据残差值进行异常数据判别。同时,分别运用高斯核密度离群点检测算法和联合互信息算法,对数据的离群度和数据间相关性进行判断。最后运用联合指标监测的形式,综合上述三种方法,当其中两个及以上超出报警限时,判断数据产生异常。将方法运用到聚合釜温度参数异常诊断,结果表明,相对于传统方法,本文方法有效降低了错误报警率,适用于炼化装置异常数据诊断。(2)针对炼化过程异常数据恢复过程中,传统方法存在预测周期短,预测精度低等问题,提出基于优化长短期记忆神经网络(LSTM)的数据软测量恢复方法,运用主元分析降维数据,构造LSTM神经网络模型,并运用弹性网正则化适应性动量估计(Adam)算法对和遗传进化算法对模型进行优化。将优化模型运用到石化装置数据软测量拟合,结果表明,相对传统BP神经网络和粒子群优化的最小二乘支持向量机(PSO-LSSVM)模型,优化LSTM将误差指标缩小了50%以上,降低了拟合数据的震荡幅度及频率,同时在报警数据的恢复中也取得了很好的表现。(3)针对传统异常数据预警方法适用范围窄,预测手段单一,没有深入挖掘数据特征等问题,提出一种基于损失函数的炼化过程异常工况早期预警方法,运用损失函数定量评估参数偏离带来的预期损失,并运用剩余时间模型计算异常工况发生概率,从而得到参数偏离所产生的风险值,实现参数的风险预警。案例分析将该方法应用于石化企业不同装置不同参数的风险预警,结果表明,该方法可以辨识状态参数的早期偏离,并提前10min左右检测到参数异常的产生,为识别炼化过程中异常工况的发生风险提供了早期预警方法。