一种工业过程稳态工况识别与分类方法

摘要

本发明公开了一种工业过程稳态工况识别与分类方法，该方法首先选择多个工况相关变量建立主元分析模型；然后基于当前工况模型判断过程是否开始进行工况切换，若开始进行工况切换，则对实时数据的主元分析统计量进行稳态判断，从而得出新的稳态工况开始时间。同时，将新稳态工况的数据依次输入到历史稳态工况模型集合中并进行分类，若无匹配模型，则建立新的稳态工况模型。本发明综合多个变量信息建模判断工况是否稳定，并能对新工况进行分类，自动建模，实现历史工况模型集合的在线更新与扩充。该方法提高了稳态工况识别与分类的准确性和实时性，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。

权利要求

1.一种工业过程稳态工况识别与分类方法，其特征在于针对工业过程，通过选择工况相关变量，建立多个主元分析模型，识别稳态工况，并进行工况分类，具有以下步骤：(1)分析工艺过程和传感器分布情况，确定与工况相关的变量集V；

(2)选择一段包含n组数据的正常平稳工况下的历史数据作为训练集；

2 2 2

(3)对训练集进行主元分析，建立模型M1并算出T统计量上限Tα和SPE统计量上限δα，并将M1设置为当前模型Mp，加入工况模型集合Q；

2

(4)将待测数据输入到当前模型Mp中，基于统计量T和统计量SPE的越界情况判断当前工况是否符合当前模型Mp：若符合则判定当前工况平稳，返回步骤(4)；否则说明当前工况发生变化，转步骤(5)；

2

(5)从统计量越界的时刻开始，分别对T和SPE进行数据平稳性检测，得到数据开始平稳2

的时刻ts，即从ts时刻开始，过程进入新的稳态工况；ts的计算方法为：针对T和SPE分别进行数据平稳性检测，算出统计量开始平稳时间tSPE和tT2，ts＝max{tSPE,tT2}；统计量数据平稳性检测步骤如下：(5‑1)令tSPE或tT2初始值为统计量越界的时刻；

(5‑2)从tSPE或tT2时刻开始选择h组数据，求相邻两时刻的数据差值；

(5‑3)对数据差值进行置信度为95％的区间估计；

(5‑4)若估计出的区间包含0，则当前数据平稳，结束检测；否则，说明数据非平稳，令tSPE＝tSPE+h或tT2＝tT2+h，转步骤(5‑2)；

(6)从ts开始，取n组数据，将它们依次输入集合Q的工况模型中，若有模型符合，说明当前工况已出现过，将当前模型Mp切换为符合当前工况的模型，转步骤(4)；否则，将它们作为训练集，转步骤(3)。

2.根据权利要求1所述的一种工业过程稳态工况识别与分类方法，其特征在于步骤(4)2

和步骤(6)中，判断模型符合的条件为：将待测数据输入工况模型后，计算出的SPE和T 将时间分为如下3类：

2 2 2

其中，T1∪T2∪T3为待测数据的完整时段，SPEt和Tt分别为t时刻的统计量值，δα和Tα分2

别为SPE和T统计量上限，当时间集合T2和T3中出现的最大连续时间长度小于Δt，则判断模型符合。

说明书

一种工业过程稳态工况识别与分类方法

技术领域

[0001] 本发明涉及工业过程稳态工况识别与分类，具体为一种基于数据驱动的面向连续工业过程的稳态工况识别与分类方法。

背景技术

[0002] 工业自动化和与信息化的融合进程中，企业积累了大量的生产过程运行数据，充分利用海量数据信息，采用恰当的方法进行生产过程运行状态监测，对优化生产、提升效益具有重要意义。例如，实时优化(RTO)是提升企业经济效益的一个重要手段，而实施RTO的一个基本前提是流程当前必须处于稳态工况。因此，如何准确识别工业过程稳态工况是RTO必须解决的一个关键问题。鉴于工业生产过程运行机理复杂，基于机理分析的工况识别正逐渐被基于数据驱动的方法替代。

[0003] 在基于数据驱动的工业过程稳态工况识别中，通常采用基于统计理论或基于趋势提取的稳态检测方法。基于统计理论的稳态检测方法如组合统计检验法和置信度法对测量数据划分区间，依据统计原理进行检验，但均假设测量值只含期望为0的正态分布随机误差，这一条件过于理想，实际应用中一旦出现大的干扰极易导致误判。基于趋势提取的稳态检测方法如多项式滤波法抗噪能力强，但是只能进行单变量的稳态检测，且滤波窗口的大小难以确定。此外，上述方法只能判定稳态工况，无法对工况进行分类，而在实施工业过程的RTO中，如果能够进行分类，将有利于快速确定优化方向和大小，对提升RTO性能具有重要价值。

发明内容

[0004] 针对上述问题，本发明公开一种工业过程稳态工况识别与分类方法，针对工业过程，通过选择工况相关变量，建立多个主元分析模型，识别稳态工况，并进行工况分类。本方法具有以下步骤：

[0005] (1)分析工艺过程和传感器分布情况，确定与工况相关的变量集V；

[0006] (2)选择一段包含n组数据的正常平稳工况下的历史数据作为训练集；

[0007] (3)将训练集进行主元分析，建立模型M1并算出T2统计量上限Tα2和SPE统计量上限2
δα，并将M1设置为当前模型Mp，加入工况模型集合Q；

[0008] (4)将待测数据输入当前模型Mp中，基于统计量T2和统计量SPE的越界情况判断当前工况是否符合当前模型Mp：若符合则判定当前工况平稳，返回步骤(4)；否则说明当前工况发生变化，转步骤(5)；

[0009] (5)从统计量越界的时刻开始，分别对T2和SPE进行数据平稳性检测，得到数据开始平稳的时刻ts，即从ts时刻开始，过程进入新的稳态工况；

[0010] (6)从ts开始，取n组数据，将它们依次输入集合Q的工况模型中，若有模型符合，说明当前工况已出现过，将当前模型Mp切换为符合当前工况的模型，转步骤(4)；否则，将它们作为训练集，转步骤(3)。

[0011] 本方法中，ts的计算方法为：针对T2和SPE分别进行数据平稳性检测，算出统计量开始平稳时间tSPE和tT2，ts＝max{tSPE,tT2}。

[0012] 本方法中，统计量数据平稳性检测步骤如下：

[0013] (5‑1)令tSPE或tT2初始值为统计量越界的时刻；

[0014] (5‑2)从tSPE或tT2时刻开始选择h组数据，求相邻两时刻的数据差值；

[0015] (5‑3)对数据差值进行置信度为95％的区间估计；

[0016] (5‑4)若估计出的区间包含0，则当前数据平稳，结束检测；否则，说明数据不平稳，[0017] 令tSPE＝tSPE+h或tT2＝tT2+h，转步骤(5‑2)。

[0018] 本方法的步骤(4)和步骤(6)中，判断模型符合的条件为：将待测数据输入工况模2
型后，计算出的T和SPE将时间分为如下3类：

[0019]

[0020]

[0021]

[0022] 其中，T1∪T2∪T3为待测数据的完整时段，SPEt和Tt2分别为t时刻的统计量值，δα2和2 2
Tα分别为SPE和T统计量上限，当时间集合T2和T3中出现的最大连续时间长度小于Δt，则判断模型符合。

[0023] 有益效果：

[0024] 本发明公开的工业过程稳态工况识别与分类方法，选择了工况相关的变量建立主元分析模型，综合多个变量信息判断工况是否稳定，减少了单个变量误差的影响；当工况切换至新的稳态时，可对新工况进行分类；当新工况不存在历史工况中时，自动建立新的主元分析模型，实现历史工况模型集合的在线更新。本方法提高了稳态工况识别与分类的准确性和实时性，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。

附图说明

[0025] 图1是工业过程稳态工况识别与分类方法的实施流程图

[0026] 图2是统计量数据平稳性检测方法的实施流程图

[0027] 图3是某炼油企业常压塔的工艺及仪表示意图

[0028] 图4是某炼油企业常压塔稳态工况模型M1的工况识别结果

[0029] 图5是某炼油企业常压塔稳态工况模型M2的工况识别结果

[0030] 图6是某炼油企业常压塔稳态工况模型M3的工况识别结果

具体实施方式

[0031] 下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施案例。

[0032] 本案例以某炼油企业的原油蒸馏过程为例，以该企业的一套常压塔装置2017年6月8日22:45～2017年6月14日7:39的数据，来说明本方法的有效性及实施过程。本案例实施流程如图1所示，具体的实施步骤如下：

[0033] (1)分析工艺过程和传感器分布情况，确定与工况相关的变量。该企业常压塔的工艺及仪表示意如图3所示。经工艺分析，选择工况相关的变量为：常一中油流量3、常顶回流油流量4、常二中油流量5、常顶油气温度16、常顶回流罐压力15、常压汽提塔常二线油液位11。

[0034] (2)选择6月8日22:45～6月9日22:45共1440组平稳工况下的数据作为训练集。

[0035] (3)将训练集进行主元分析，如表1所示，建立模型M1并算出T2统计量上限Ta2和SPE2
统计量上限δa，并将M1设置为当前模型Mp，加入工况模型集合Q。

[0036] 表1模型M1参数

[0037]

[0038]

[0039] (4)待测数据取为6月9日22:46之后的数据，输入当前模型Mp中，结果如图4所示。2
可知在6月10日13:37分之前，常压塔工况稳定；13:37分，T开始越界，13:38分，SPE也开始越界，且越界时间均持续60分钟以上，表明当前工况开始切换。

[0040] (5)从13:37分开始，分别对T2和SPE进行数据平稳性检测，tSPE和tT2在图4中以“*”标出。具体流程如图2所示，对tSPE+h和tT2+h区间的数据求相邻时刻数据差值，再对数据差值进行置信度95％的区间估计，若估计区间包含0，则数据平稳，否则令tSPE＝tSPE+h或tT2＝tT22
+h继续计算。以T为例，计算过程如表2所示，其中tT2初始值为统计量越界时间13:37，h选为
2
120。计算可得，T统计量的稳态开始时刻tT2为6月10日21:37，而SPE统计量的稳态开始时刻tSPE为6月10日21:38，ts取较大值6月10日21:38。

[0041] 表2 T2统计量的稳态开始时刻计算过程

[0042]tT2 tT2+h 估计区间 是否平稳
2017‑06‑10 13:37 2017‑06‑10 15:37 [2.5617,20.6622] 否
2017‑06‑10 15:37 2017‑06‑10 17:37 [‑12.0935,‑2.0697] 否
2017‑06‑10 17:37 2017‑06‑10 19:37 [11.0342,60.4817] 否
2017‑06‑10 19:37 2017‑06‑10 21:37 [52.0598,152.8652] 否
2017‑06‑10 21:37 2017‑06‑10 23:37 [‑7.9516,2.6656] 是

[0043] (6)从6月10日21:38开始，取1440组数据，将它们依次输入集合Q的工况模型中，此时集合中只有模型M1，由图4可知待测数据显然不符合模型M1，因此需要重新建模。将这1440组数据(6月10日21:38～6月11日21:38)进行主元分析得到模型M2，如表3所示，并将M2加入工况模型集合Q中。

[0044] 表3模型M2参数

[0045]

[0046]

[0047] 将6月11日21:38后的数据作为测试数据输入，结果如图5所示。SPE统计量从6月122
日3:20开始在控制限上下浮动，算得tSPE＝4:55；T统计量从18:06分开始越界时间超过60分钟，算得tT2＝20:58。因此ts取6月12日20:58，即从20:58开始，常压塔进入新的稳态工况。

[0048] 取6月12日20:58开始的1440组数据，依次输入到集合Q的模型中。由图4可知，在模2
型M1中，待测数据的SPE和T统计量均越界，因此工况不符；由图5可知，在模型M2中，待测数
2
据的T统计量越界，因此工况也不符，需要重新建模。重新建模后的稳态工况判别结果如图
2
6所示，6月14日22:26和22:24开始SPE和T统计量分别越界超过60分钟，工况切换，从6月14日00:45开始进入新的稳态工况。

[0049] 总结该企业5号常压塔2017年6月8日22:45～2017年6月14日7:39的工况如下：

[0050] 表4该企业常压塔2017年6月8日22:45～2017年6月14日7:39工况

[0051] 工况类型 稳态工况模型 稳态工况持续时间类型1 M1 6月8日22:45～6月10日13:37
类型2 M2 6月10日21:38～6月12日3:20
类型3 M3 6月12日20:58～6月13日22:26

[0052] 可见，本方法能准确识别常压塔蒸馏过程中的稳态工况，并对工况进行分类，自动建立新的稳态工况模型，实现历史工况模型集合的在线更新，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。