基于GLAE-MLP的炼化装置管道腐蚀健康状态评估方法
2026-07-10 14:27:49
作者：本网发布 来源：化工学报
分享至：
胡瑾秋 1,2,3 
马铭骏 1,2,3 
张来斌 1,2,3董家延 1,2,3
（1. 中国石油大学（北京）安全与海洋工程学院，北京 102249； 2. 应急管理部油气生产安全与应急技术重点实验室，北京 102249； 3. 国家市场监督管理总局重点实验室（油气生产装备质量检测与健康诊断），北京 102249 ）
DOI：10.11949/0438-1157.20251192
摘 要 炼化装置进出料管道长期处于高温、高压与强腐蚀介质耦合作用下，冲刷腐蚀、化学腐蚀并存，传统基于阈值与规则库的健康分级在多源时变工况与类不均衡场景下存在应用局限性，依靠单一指标得到的管道腐蚀健康状态易失稳。为解决这一问题，以硫酸烷基化装置精制单元进出料管道为研究对象，提出了一种针对炼化装置管道的腐蚀健康状态评估方法。首先依据工程规范与企业管理规定设定4项指标阈值，将样本划分为健康/亚健康/退化/失效4个等级，接着提出基于门控线性单元增强自编码器（GLAE）和多层感知机（MLP）的健康状态评估分类模型，训练后对测试集样本进行健康状态评估。结果表明，基于GLAE-MLP健康状态评估模型在测试集中实现了97.2%的样本保持原判，仅2.7%发生相邻等级漂移；在与MLP、AE-MLP的对比中，GLAE-MLP模型在准确率、精确率、召回率和F1分数4个指标上均表现更优，分别达到了97.24%、96.83%、95.51%和96.12%，能有效完成对管道腐蚀健康状态的评估。关键词 腐蚀；过程控制；健康状态；硫酸烷基化；MLP；过程系统
引用本文： 胡瑾秋, 马铭骏, 张来斌, 董家延. 基于GLAE-MLP的炼化装置管道腐蚀健康状态评估方法[J]. 化工学报, 2026, 77(5): 2701-2716 (HU Jinqiu, MA Mingjun, ZHANG Laibin, DONG Jiayan. Corrosion health status assessment method for refining unit pipeline based on GLAE-MLP[J]. CIESC Journal, 2026, 77(5): 2701-2716)
健康状态评估作为保障关键设备安全稳定运行、延长使用寿命及优化全生命周期管理决策的核心技术，在石油储运[1]、化工炼化[2]等多个重要领域的应用价值日益凸显，在各个领域已有多名学者从多指标融合与方法创新角度开展探索。在石油石化领域，张洪华等[3]依据GB/T 37327—2019、SY/T 5920—2007等石油储油罐相关标准提出了基于多因素的储油罐健康状态(state of health, SOH)评估模型来进行储油罐的状态监测与健康状态评估；王宝轩等[4]依据GB 50341、GB/T 30578等建立了储罐健康管理指标体系，运用了基于知识和数据驱动的预测方法对储罐的健康状态进行预测评估。在炼化装置的腐蚀健康状态评估工程实践中，企业运维人员通常依据ASME B31.3[5]与API 570/579-1[6]、API 580/581[7]等标准体系开展适用性评估（FFS）与基于风险的检验（RBI）[8-10]，以保证在满足安全边界的前提下优化检验资源配置与停维修计划。但单纯依赖经验阈值或规则库易出现边界样本敏感、跨装置可推广性弱的问题，因此在炼化领域的相关研究中，杨旭东等[11]依据API 570、SY/T 6151—2009等指标构建了影响腐蚀管道剩余强度的评价指标，并将RS、PSO和SVM算法模型有机结合，构建了腐蚀管道剩余强度预测模型。Lu等[12]根据API 581等将腐蚀退化机制与参数相关联，运用贝叶斯分类算法进行对石化装置的腐蚀诊断评估。基于此，在腐蚀健康状态判定基线方面，本文综合ASME B31.3、API 580/581等标准规范，提出采用安全裕度
、相对厚度比
、腐蚀速率
和年检维修次数
四项量化指标，将管道健康状态划分为健康、亚健康、退化和失效4个等级，从而为后续数据驱动的建模提供明确的健康状态判断基准。在以往的研究中，SVM、贝叶斯网络、随机森林等方法被应用于旋转设备[13-14]、铝电解槽[15]、锂电池[16]的健康状态评估，但随着数据量变大，传统方法的计算和存储成本的增速远超线性，导致性能提升遇到瓶颈。为突破传统方法局限，人工神经网络成为健康评估的重要方向，李超然等[17]运用卷积神经网络对锂离子电池SOH进行估算从而进行健康状态评估；陈丰等[18]运用MLP算法对电力企业数据健康度进行评估，结果表明相较于其他神经网络算法MLP具备更优性能。多层感知机（MLP）因结构简洁、易于训练被广泛应用[19]，但其在炼化管道特殊工况下的局限性也逐渐显现。炼化装置管道在长期高温高压、强腐蚀介质与流动剪切等复合环境下服役，其失效机理多样、时变性强、位置差异显著，健康状态随时间演化并受多源工况强耦合影响[20]。炼化装置管道健康状态与运行温度、pH、介质流速、硫酸浓度、铁离子含量等多维度工况参数有关，MLP模型在处理多维度工况参数时，因缺乏特征筛选机制，易引入冗余导致过拟合。同时，由于其对温度、浓度等多因素强非线性耦合关系的捕捉能力不足，导致对亚健康、退化边界样本的判定精度差，由此，研究人员引入不同方法的MLP进行改进优化并取得了明显的效果。匡正等[21]通过HMM模型生成设备运行状态序列作为MLP网络的输入，使得MLP模型的准确度有效提高。Huang等[22]通过遗传算法（GA）对MLP的参数进行优化，使其可以充分拟合特征谱与元素含量之间的非线性关系，从而提高模型的分析性能。这些研究表明，通过引入外部算法对MLP进行优化与增强，能够有效提升其处理多维度复杂数据的能力。基于此，在腐蚀健康状态评估模型方面，针对炼化装置的强腐蚀、高噪声、类不均衡特性，本文提出以下创新点：（1）构建门控线性单元增强的自编码器（GLAE），实现以主动特征筛选、噪声抑制、稀疏约束的三重改进策略优化特征提取；（2）构建带权焦点交叉熵损失函数，借助Sigmoid门控函数对输入特征逐通道赋予自适应权重，以强化关键特征的表征能力，进而为MLP模型对炼化管道复杂工况的分类扫清障碍。自编码器[23-24]（autoencoder，AE）是一类无监督神经网络，目标是学习一个从输入空间到低维潜在空间（latent space）的映射（编码器），以及从潜在空间重建输入的映射（解码器）。通过逼近恒等映射但受瓶颈结构或正则化约束，自编码器能自动抽取能重建输入的“有效特征”，在工业监测中，这些低维特征常被视为管道健康状态的紧凑表征，也便于后续聚类或异常判别。
图1 自编码器结构Fig.1 Autoencoder structure
阅读文章全文请点击
免责声明：本网站所转载的文字、图片与视频资料版权归原创作者所有，如果涉及侵权，请第一时间联系本网删除。
