一种炼化过程自适应数据驱动的早期故障监测方法及装置专利检索-训练数据人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种炼化过程自适应数据驱动的早期故障监测方法及装置

阅读：411发布：2021-02-22

IPRDB可以提供一种炼化过程自适应数据驱动的早期故障监测方法及装置专利检索，专利查询，专利分析的服务。并且本发明提供了一种炼化过程自适应数据驱动的早期故障监测方法及装置，涉及石油炼化故障监测技术领域。方法包括：获取炼化过程生产装置的监测参数的历史数据；根据滑动窗口长度和步长确定监测参数的历史训练数据，并在每隔一个步长时更新一次历史训练数据；对历史训练数据进行列向标准化处理；根据主成分分析方法将标准化历史训练数据进行分解；确定主成分分析统计量SPE指标控制限；确定待测试样本数据的SPE指标；根据待测试样本数据的SPE指标与SPE指标控制限进行比较；若待测试样本数据的SPE指标大于等于SPE指标控制限，确定炼化过程生产装置处于异常工况状态。本发明可以解决静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。，下面是一种炼化过程自适应数据驱动的早期故障监测方法及装置专利的具体信息内容。

权利要求

1.一种炼化过程自适应数据驱动的早期故障监测方法，其特征在于，包括：获取炼化过程生产装置的监测参数的历史数据；

确定历史训练数据的滑动窗口长度和步长；

根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据；所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据；

对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据；

根据主成分分析方法将所述标准化历史训练数据进行分解；

根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限；

获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据；

根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标；

根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较；

若所述待测试样本数据的SPE指标大于等于所述SPE指标控制限，确定炼化过程生产装置处于异常工况状态。

2.根据权利要求1所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据，包括：确定所述监测参数的初始历史训练数据矩阵为：其中，l0为历史训练数据长度；m为所述监测参数的历史训练数据的过程变量个数；

在每隔一个步长D时更新一次所述历史训练数据；第k次更新的历史训练数据为：

3.根据权利要求2所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据，包括：根据公式：

确定所述标准化历史训练数据Xk′；其中，xi,j′为所述标准化历史训练数据中第i行第j列的数据；xi,j为历史训练数据Xk中第i行第j列的数据；μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

4.根据权利要求3所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，根据主成分分析方法将所述标准化历史训练数据进行分解，包括：根据主成分分析方法将所述标准化历史训练数据Xk′分解为：其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈RL×A，T为得分矩阵，所述得分矩阵表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，所述载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，所述载荷矩阵P所支撑的空间为主元子空间；

确定所述标准化历史训练数据Xk′的协方差矩阵Σ：其中， lk为第k次更新后的历史训

练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

5.根据权利要求4所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限，包括：根据公式：

确定主成分分析统计量SPE指标控制限其中，

λj为所述协方差矩阵Σ的第m-A个特征值；cα为标准正态分布在置信度水平α下的阈值；A为主成分分析模型的主元个数；m为所述监测参数的历史训练数据的过程变量个数。

6.根据权利要求5所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，所述获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据，包括：确定一时刻K的待测试样本数据向量为Y＝[y1,y2,...,ym]；

对所述待测试样本数据向量进行列向标准化处理，形成标准化待测试样本数据向量：Y′＝[y1′,y2′,...,ym′]；其中， μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

7.根据权利要求6所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标，包括：根据公式：

SPEK＝||(I-PPT)Y′||2

确定所述待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为所述载荷矩阵；PT为所述载荷矩阵P∈Rm×A的转置。

8.根据权利要求7所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较，包括：判断是否成立；

若所述待测试样本数据的SPE指标大于等于所述SPE指标控制限，确定炼化过程生产装置处于异常工况状态，包括：若成立，确定炼化过程生产装置处于异常工况状态。

9.根据权利要求8所述的炼化过程自适应数据驱动的早期故障监测方法，其特征在于，在确定炼化过程生产装置处于异常工况状态之后，还包括：确定炼化过程生产装置的各过程变量对SPE指标的贡献率其中，ξiT为单位矩阵Im的第i列的转置。

10.一种炼化过程自适应数据驱动的早期故障监测装置，其特征在于，包括：监测参数的历史数据获取单元，用于获取炼化过程生产装置的监测参数的历史数据；

滑动窗口长度和步长确定单元，用于确定历史训练数据的滑动窗口长度和步长；

历史训练数据更新单元，用于根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据；所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据；

标准化处理单元，用于对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据；

标准化历史训练数据分解单元，用于根据主成分分析方法将所述标准化历史训练数据进行分解；

SPE指标控制限计算单元，用于根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限；

待测试样本数据处理单元，用于获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据；

SPE指标确定单元，用于根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标；

比较单元，用于根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较；

状态确定单元，用于在所述待测试样本数据的SPE指标大于等于所述SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。

11.根据权利要求10所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述历史训练数据更新单元具体用于：确定所述监测参数的历史训练数据的初始历史训练数据矩阵为：其中，l0为历史训练数据长度；m为所述监测参数的历史训练数据的过程变量个数；

在每隔一个步长D时更新一次所述监测参数的历史训练数据；第k次更新后的历史训练数据为：

12.根据权利要求11所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述标准化处理单元具体用于：根据公式：

13.根据权利要求12所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述标准化历史训练数据分解单元具体用于：根据主成分分析方法将所述标准化历史训练数据Xk′分解为：其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈RL×A，T为得分矩阵，所述得分矩阵表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，所述载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，所述载荷矩阵P所支撑的空间为主元子空间；

确定所述标准化历史训练数据Xk′的协方差矩阵Σ：其中， lk为第k次更新后的历史训

练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

14.根据权利要求13所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述SPE指标控制限计算单元具体用于：根据公式：

确定主成分分析统计量SPE指标控制限其中，

15.根据权利要求14所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述待测试样本数据处理单元具体用于：确定一时刻K的待测试样本数据向量为Y＝[y1,y2,...,ym]；

16.根据权利要求15所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述SPE指标确定单元具体用于：根据公式：

T 2

SPEK＝||(I-PP)Y′||

确定所述待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为所述载荷矩阵；PT为所述载荷矩阵P∈Rm×A的转置。

17.根据权利要求16所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，所述比较单元具体用于：判断是否成立；

所述状态确定单元具体用于：

在成立时，确定炼化过程生产装置处于异常工况状态。

18.根据权利要求17所述的炼化过程自适应数据驱动的早期故障监测装置，其特征在于，还包括：贡献率确定单元，用于确定炼化过程生产装置的各过程变量对SPE指标的贡献率其中，ξiT为单位矩阵Im的第i列的转置。

说明书全文

一种炼化过程自适应数据驱动的早期故障监测方法及装置

技术领域

[0001] 本发明涉及石油炼化故障监测技术领域，尤其涉及一种炼化过程自适应数据驱动的早期故障监测方法及装置。

背景技术

[0002] 当前，作为典型的过程工业，炼化过程工艺复杂且生产装置数量及种类繁多。在炼化过程中，一旦发生故障将影响到炼化过程及以外的其他装置。甚至有可能引发一些重大事故。因此，对炼化过程中的生产过程进行状态监测格外重要。

[0003] 目前，大多数炼化工业采用参数阈值方法对生产过程进行状态监测，而炼化过程多为复杂工艺，参数间具有复杂的相关性和动态性，工况的异常变化常常不能及时地反映在单一参数的变化上，而过程数据的数据结构受到工况的波动会表现出明显的变化。因此，通过多元统计方法，挖掘数据相关性变化对异常工况进行早期识别可在参数超出阈值报警前识别出异常工况，为操作人员提供足够的异常工况反应和处理时间，从而保证生产的稳态运行并且避免了操作不及时导致的重大事故的发生。

[0004] 多元统计方法是常用的数据驱动方法，包括主成分分析、独立成分分析等，利用多个过程变量间的相关性实现过程故障诊断，能够从数据结构方面提取出故障特征，相较于参数报警方式，可以提早发现异常工况。然而实际生产过程具有工况缓慢变化的特征，静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警问题。可见，静态模型不适用于实际炼化过程的故障监测中。

发明内容

[0005] 本发明的实施例提供一种炼化过程自适应数据驱动的早期故障监测方法及装置，以解决实际生产过程具有工况缓慢变化的特征，静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。

[0006] 为达到上述目的，本发明采用如下技术方案：

[0007] 一种炼化过程自适应数据驱动的早期故障监测方法，包括：

[0008] 获取炼化过程生产装置的监测参数的历史数据；

[0009] 确定历史训练数据的滑动窗口长度和步长；

[0010] 根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据；所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据；

[0011] 对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据；

[0012] 根据主成分分析方法将所述标准化历史训练数据进行分解；

[0013] 根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限；

[0014] 获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据；

[0015] 根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标；

[0016] 根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较；

[0017] 若所述待测试样本数据的SPE指标大于等于所述SPE指标控制限，确定炼化过程生产装置处于异常工况状态。

[0018] 具体的，根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据，包括：

[0019] 确定所述监测参数的初始历史训练数据矩阵为：其中，l0为历史训练数据长度；m为所述监测参数的历史训练数据的过程变量个数；

[0020] 在每隔一个步长D时更新一次所述历史训练数据；第k次更新的历史训练数据为：

[0021] 具体的，对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据，包括：

[0022] 根据公式：

[0023]

[0024] 确定所述标准化历史训练数据Xk′；其中，xi,j′为所述标准化历史训练数据中第i行第j列的数据；xi,j为历史训练数据Xk中第i行第j列的数据；μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0025] 具体的，根据主成分分析方法将所述标准化历史训练数据进行分解，包括：

[0026] 根据主成分分析方法将所述标准化历史训练数据Xk′分解为：

[0027]

[0028] 其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈RL×A，T为得分矩阵，所述得分矩阵表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，所述载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，所述载荷矩阵P所支撑的空间为主元子空间；

[0029] 确定所述标准化历史训练数据Xk′的协方差矩阵Σ：

[0030]

[0031] 其中， lk为第k次更新后的历史训练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

[0032] 具体的，根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限，包括：

[0033] 根据公式：

[0034]

[0035] 确定主成分分析统计量SPE指标控制限其中，λj为所述协方差矩阵Σ的第m-A个特征值；cα为标准正态分布在置信度水平α下的阈值；A为主成分分析模型的主元个数；m为所述监测参数的历史训练数据的过程变量个数。

[0036] 具体的，所述获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据，包括：

[0037] 确定一时刻K的待测试样本数据向量为Y＝[y1,y2,...,ym]；

[0038] 对所述待测试样本数据向量进行列向标准化处理，形成标准化待测试样本数据向量：Y′＝[y1′,y2′,...,ym′]；其中， μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0039] 具体的，根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标，包括：

[0040] 根据公式：

[0041] SPEK＝||(I-PPT)Y′||2

[0042] 确定所述待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为所述载荷矩阵；PT为所述载荷矩阵P∈Rm×A的转置。

[0043] 具体的，根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较，包括：

[0044] 判断是否成立；

[0045] 若所述待测试样本数据的SPE指标大于等于所述SPE指标控制限，确定炼化过程生产装置处于异常工况状态，包括：

[0046] 若成立，确定炼化过程生产装置处于异常工况状态。

[0047] 进一步的，该炼化过程自适应数据驱动的早期故障监测方法，还包括：

[0048] 确定炼化过程生产装置的各过程变量对SPE指标的贡献率

[0049]

[0050] 其中，为单位矩阵Im的第i列的转置。

[0051] 一种炼化过程自适应数据驱动的早期故障监测装置，包括：

[0052] 监测参数的历史数据获取单元，用于获取炼化过程生产装置的监测参数的历史数据；

[0053] 滑动窗口长度和步长确定单元，用于确定历史训练数据的滑动窗口长度和步长；

[0054] 历史训练数据更新单元，用于根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据；所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据；

[0055] 标准化处理单元，用于对所述历史训练数据进行列向标准化处理，形成标准化历史训练数据；

[0056] 标准化历史训练数据分解单元，用于根据主成分分析方法将所述标准化历史训练数据进行分解；

[0057] SPE指标控制限计算单元，用于根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限；

[0058] 待测试样本数据处理单元，用于获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据；

[0059] SPE指标确定单元，用于根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标；

[0060] 比较单元，用于根据所述待测试样本数据的SPE指标与所述SPE指标控制限进行比较；

[0061] 状态确定单元，用于在所述待测试样本数据的SPE指标大于等于所述SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。

[0062] 此外，所述历史训练数据更新单元具体用于：

[0063] 确定所述监测参数的历史训练数据的初始历史训练数据矩阵为：其中，l0为历史训练数据长度；m为所述监测参数的历史训练数
据的过程变量个数；

[0064] 在每隔一个步长D时更新一次所述监测参数的历史训练数据；第k次更新后的监测参数的历史训练数据为：

[0065] 另外，所述标准化处理单元具体用于：

[0066] 根据公式：

[0067]

[0068] 确定所述标准化历史训练数据Xk′；其中，xi,j′为所述标准化历史训练数据中第i行第j列的数据；xi,j为历史训练数据Xk中第i行第j列的数据；μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0069] 另外，所述标准化历史训练数据分解单元具体用于：

[0070] 根据主成分分析方法将所述标准化历史训练数据Xk′分解为：

[0071]

[0072] 其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈RL×A，T为得分矩阵，所述得分矩阵表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，所述载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，所述载荷矩阵P所支撑的空间为主元子空间；

[0073] 确定所述标准化历史训练数据Xk′的协方差矩阵Σ：

[0074]

[0075] 其中， lk为第k次更新后的历史训练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

[0076] 此外，所述SPE指标控制限计算单元具体用于：

[0077] 根据公式：

[0078]

[0079] 确定主成分分析统计量SPE指标控制限其中，λj为所述协方差矩阵Σ的第m-A个特征值；cα为标准正态分布在置信度水平α下的阈值；A为主成分分析模型的主元个数；m为所述监测参数的历史训练数据的过程变量个数。

[0080] 此外，所述待测试样本数据处理单元具体用于：

[0081] 确定一时刻K的待测试样本数据向量为Y＝[y1,y2,...,ym]；

[0082] 对所述待测试样本数据向量进行列向标准化处理，形成标准化待测试样本数据向量：Y′＝[y1′,y2′,...,ym′]；其中， μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0083] 此外，所述SPE指标确定单元具体用于：

[0084] 根据公式：

[0085] SPEK＝||(I-PPT)Y′||2

[0086] 确定所述待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为所述载荷矩阵；PT为所述载荷矩阵P∈Rm×A的转置。

[0087] 此外，所述比较单元具体用于：

[0088] 判断是否成立；

[0089] 所述状态确定单元具体用于：

[0090] 在成立时，确定炼化过程生产装置处于异常工况状态。

[0091] 进一步的，该炼化过程自适应数据驱动的早期故障监测装置，还包括：

[0092] 贡献率确定单元，用于确定炼化过程生产装置的各过程变量对SPE指标的贡献率[0093]

[0094] 其中，为单位矩阵Im的第i列的转置。

[0095] 本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法及装置，通过对标准化历史训练数据进行主成分分析方法的分解，并确定主成分分析统计量SPE指标控制限，从而使得在确定待测试样本数据后，能够根据待测试样本数据的SPE指标与SPE指标控制限进行比较；从而在待测试样本数据的SPE指标大于等于SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。通过本发明能够提高炼化过程异常识别的灵敏度，针对多工况、过渡过程和慢时变过程，本发明能够有效降低误报警率，避免了当前静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。

附图说明

[0096] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0097] 图1为本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法的流程图一；

[0098] 图2为本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法的流程图二；

[0099] 图3为本发明实施例中的脱乙烷塔参数变化示意图；

[0100] 图4为本发明实施例中的脱乙烷塔SPE指标监测示意图；

[0101] 图5为本发明实施例中的脱乙烷塔参数对SPE指标的贡献率示意图；

[0102] 图6为本发明实施例中的脱乙烷塔静态多元统计模型SPE指标监测示意图；

[0103] 图7为本发明实施例中的脱乙烷塔参数对静态多元统计模型SPE指标的贡献率示意图；

[0104] 图8为本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测装置的结构示意图。

具体实施方式

[0105] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0106] 如图1所示，本发明实施例提供一种炼化过程自适应数据驱动的早期故障监测方法，包括：

[0107] 步骤101、获取炼化过程生产装置的监测参数的历史数据。

[0108] 步骤102、确定历史训练数据的滑动窗口长度和步长。

[0109] 步骤103、根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据。

[0110] 其中，所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据。

[0111] 步骤104、对历史训练数据进行列向标准化处理，形成标准化历史训练数据。

[0112] 步骤105、根据主成分分析方法将标准化历史训练数据进行分解。

[0113] 步骤106、根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限。

[0114] 步骤107、获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据。

[0115] 步骤108、根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标。

[0116] 步骤109、根据待测试样本数据的SPE指标与SPE指标控制限进行比较。

[0117] 步骤110、若待测试样本数据的SPE指标大于等于SPE指标控制限，确定炼化过程生产装置处于异常工况状态。

[0118] 本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法，通过对标准化历史训练数据进行主成分分析方法的分解，并确定主成分分析统计量SPE指标控制限，从而使得在确定待测试样本数据后，能够根据待测试样本数据的SPE指标与SPE指标控制限进行比较；从而在待测试样本数据的SPE指标大于等于SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。通过本发明能够提高炼化过程异常识别的灵敏度，针对多工况、过渡过程和慢时变过程，本发明能够有效降低误报警率，避免了当前静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。

[0119] 为了使本领域的技术人员更好的了解本发明，下面列举一个更为详细的实施例，如图2所示，本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法，包括：

[0120] 步骤201、获取炼化过程生产装置的监测参数的历史数据。

[0121] 步骤202、确定历史训练数据的滑动窗口长度和步长。

[0122] 一般情况下，滑动窗口长度可以为L可以根据炼化过程现场经验选取生产工况平稳运行的数据长度作为该滑动窗口长度L。步长D是指每次历史训练数据更新时窗口数据添加或丢弃的数据长度，若工况变化较缓慢则可以适当增加步长D，若工况变化较频繁可适当减小步长D。

[0123] 步骤203、确定监测参数的初始历史训练数据矩阵。

[0124] 此处，监测参数的初始历史训练数据矩阵可以表示为其中，l0为历史训练数据长度；m为所述监测参数的历史训练数据的过程变量个数。当然，此处的X0为剔除故障数据后的历史训练数据。

[0125] 步骤204、每隔一个步长D时间更新一次历史训练数据。

[0126] 随着滑动窗口滑动，每隔一个步长D时更新一次历史训练数据，则第k次更新后的监测参数的历史训练数据可以表示为：其中，lk为第k次更新后的历史训练数据长度。

[0127] 步骤205、对历史训练数据进行列向标准化处理，形成标准化历史训练数据。

[0128] 此处，可以根据公式：

[0129]

[0130] 确定所述标准化历史训练数据Xk′；其中，xi,j′为所述标准化历史训练数据中第i行第j列的数据；xi,j为历史训练数据Xk中第i行第j列的数据；μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0131] 步骤206、根据主成分分析方法将标准化历史训练数据进行分解。

[0132] 此处，首先可以根据主成分分析方法将所述标准化历史训练数据Xk′分解为：

[0133]

[0134] 其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练L×A数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈R ，T为得分矩阵，表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，所述载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，所述载荷矩阵P所支撑的空间为主元子空间；

[0135] 其次，确定所述标准化历史训练数据Xk′的协方差矩阵Σ：

[0136]

[0137] 其中， lk为第k次更新后的历史训练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

[0138] 此处的主成分分析法(Principal Component Analysis，简称PCA)也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。

[0139] 步骤207、根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限。

[0140] 此处，可以根据公式：

[0141]

[0142] 确定主成分分析统计量SPE指标控制限其中，λj为所述协方差矩阵Σ的第m-A个特征值；cα为标准正态分布在置信度水平α下的阈值；A为主成分分析模型的主元个数；m为所述监测参数的历史训练数据的过程变量个数。

[0143] 此处的SPE指标为主成分分析的统计量。

[0144] 步骤208、确定一时刻K的待测试样本数据向量。

[0145] 此处，得到的时刻K的待测试样本数据向量可以表示为Y＝[y1,y2,...,ym]。

[0146] 步骤209、对所述待测试样本数据向量进行列向标准化处理，形成标准化待测试样本数据向量。

[0147] 此处得到的标准化待测试样本数据向量可以表示为：Y′＝[y1′,y2′,...,ym′]；其中， μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0148] 步骤210、根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标。

[0149] 此处，可以根据公式：

[0150] SPEK＝||(I-PPT)Y′||2

[0151] 确定所述待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为所述载荷矩阵；PT为所述载荷矩阵P∈Rm×A的转置。

[0152] 步骤211、根据待测试样本数据的SPE指标与SPE指标控制限进行比较。

[0153] 步骤212、若待测试样本数据的SPE指标大于等于SPE指标控制限，确定炼化过程生产装置处于异常工况状态。

[0154] 此处，当时，可以确定炼化过程生产装置处于异常工况状态。

[0155] 步骤213、确定炼化过程生产装置的各过程变量对SPE指标的贡献率。

[0156] 此处可以根据公式：

[0157]

[0158] 确定炼化过程生产装置的各过程变量对SPE指标的贡献率其中，表示单位矩阵Im的第i列的转置。

[0159] 步骤214、根据各过程变量对SPE指标的贡献率确定可能造成异常工况的过程变量参数。

[0160] 此处，当确定炼化过程生产装置处于异常工况状态时，若某一项或几项较大，则可以认为炼化过程生产装置处于异常工况状态的原因是由该一项或几项对应的过程变量参数造成的，但最终的故障原因还需要进一步确认和分析。

[0161] 为了使本领域的技术人员更好的了解本发明，下面列举一个上述步骤201至步骤214的应用实例，在此，本发明的示意性实施方式及其说明仅用于解释本发明，但并不作为对本发明的限定。例如以常见炼化生产装置——气分装置的脱乙烷过程为研究对象，使用现场采集数据，进行过程早期异常识别。

[0162] 脱乙烷塔是气分装置中的重要部分，它是在裂解气深冷分离中用于分离乙烷(包括更轻组分)与丙烯及更重组分的精馏塔，脱乙烷塔生产中的主要工艺监测参数有脱乙烷塔塔底压力、脱乙烷塔塔顶温度、脱乙烷塔塔底温度、脱乙烷塔进料温度、脱乙烷塔塔顶回流罐液位、脱乙烷塔塔底重沸器气烃反塔温度、脱乙烷塔塔顶压力和脱乙烷塔液位。脱乙烷塔塔顶压力是关系到产品质量和生产安全的重要参数，波动甚至超出报警阈值都会影响生产的平稳运行。

[0163] 采集脱乙烷塔生产中的16000次数据(约一天)，如图3所示，塔顶回流罐液位在第13446-13608采样间触发低报，塔顶压力参数在第15032至15039次采样间触发高报。

[0164] 设置移动窗口长度为10000，步长为5，初次早期故障监测训练数据采用前10000次采样数据，自第10001次采样起对脱乙烷塔的整体工况进行实时的早期故障监测。

[0165] 如图4所示，自11537次采样时刻起，SPE指标出现持续报警现象，从参数监测曲线上可看到此时脱乙烷塔塔顶回流罐液位和脱乙烷塔液位两个参数均出现了齿状的快频率波动，并且在12000次采样附近脱乙烷塔塔顶回流罐液位和脱乙烷塔液位各出现了突降和突升的异常情况。期间各参数的贡献率柱状图如图5所示，贡献率较高的参数是第5个参数和第7个参数，即塔顶回流罐液位和塔顶压力，与参数波动情况符合。

[0166] 而采用静态PCA模型进行早期故障监测，历史训练数据仍采用前10000次采样。如图6所示，静态SPE报警时刻较自适应SPE报警时刻晚约300个采样次数，并且参数贡献率排序(如图7所示)中第5个参数一直处于最高，而第7个参数贡献率一直处于最低的位置，原因变量诊断结果与实际参数波动异常不符。

[0167] 脱乙烷塔塔顶压力经高报调整后进入另一个平稳状态，参数值维持在2.7左右，静态早期监测模型已不再适用，出现严重的误报警情况(误报警率几乎为100％)。而自适应的早期故障监测方法能在工况过渡时自动调整监测模型，有效地减少了误报警，甚至误报警率几乎为0。

[0168] 通过该实例分析中可以看出，采用炼化过程自适应数据驱动的早期故障监测方法提高了过程异常识别灵敏性，较静态故障监测模型可提前触发报警，可准确识别出故障原因变量，并且针对多工况、过渡过程和慢时变过程本发明有效降低了误报警率，具有很强的适用性。充分说明了炼化过程自适应数据驱动的早期故障监测方法用于炼化过程异常监测的可行性。

[0169] 本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测方法，通过对标准化历史训练数据进行主成分分析方法的分解，并确定主成分分析统计量SPE指标控制限，从而使得在确定待测试样本数据后，能够根据待测试样本数据的SPE指标与SPE指标控制限进行比较；从而在待测试样本数据的SPE指标大于等于SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。通过本发明能够提高炼化过程异常识别的灵敏度，针对多工况、过渡过程和慢时变过程，本发明能够有效降低误报警率，避免了当前静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。

[0170] 对应于上述图1和图2所示的方法实施例，如图8所示，本发明实施例提供一种炼化过程自适应数据驱动的早期故障监测装置，包括：

[0171] 监测参数的历史数据获取单元301，用于获取炼化过程生产装置的监测参数的历史数据。

[0172] 滑动窗口长度和步长确定单元302，用于确定历史训练数据的滑动窗口长度和步长。

[0173] 历史训练数据更新单元303，用于根据所述滑动窗口长度和步长在监测参数的历史数据中确定历史训练数据，并自历史训练数据的初始历史训练数据每隔一个步长时间更新一次所述历史训练数据；所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口长度的历史数据。

[0174] 标准化处理单元304，用于对该历史训练数据进行列向标准化处理，形成标准化历史训练数据。

[0175] 标准化历史训练数据分解单元305，用于根据主成分分析方法将该标准化历史训练数据进行分解。

[0176] SPE指标控制限计算单元306，用于根据分解后的标准化历史训练数据确定主成分分析统计量SPE指标控制限。

[0177] 待测试样本数据处理单元307，用于获取炼化过程的实时测量数据，并将所述实时测量数据确定为待测试样本数据。

[0178] SPE指标确定单元308，用于根据当前更新后的历史训练数据，确定待测试样本数据的SPE指标。

[0179] 比较单元309，用于根据该待测试样本数据的SPE指标与该SPE指标控制限进行比较。

[0180] 状态确定单元310，用于在该待测试样本数据的SPE指标大于等于该SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。

[0181] 此外，该历史训练数据更新单元303具体用于：

[0182] 确定该监测参数的历史训练数据的初始历史训练数据矩阵为：其中，l0为历史训练数据长度；m为该监测参数的历史训练数据的过程变量个数；

[0183] 在每隔一个步长D时更新一次该监测参数的历史训练数据；第k次更新后的监测参数的历史训练数据为：

[0184] 另外，该标准化处理单元304具体用于：

[0185] 根据公式：

[0186]

[0187] 确定该标准化历史训练数据Xk′；其中，xi,j′为该标准化历史训练数据中第i行第j列的数据；xi,j为历史训练数据Xk中第i行第j列的数据；μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0188] 另外，该标准化历史训练数据分解单元305具体用于：

[0189] 根据主成分分析方法将该标准化历史训练数据Xk′分解为：

[0190]

[0191] 其中，为标准化历史训练数据Xk′在主元子空间中的估计；E为标准化历史训练L×A数据Xk′在残差子空间上的投影，即主成分分析模型的估计残差矩阵；T∈R ，T为得分矩阵，表示主成分分析模型的前A个主元对应的得分向量组成的矩阵；L为标准化历史训练数据长度；PT为载荷矩阵P∈Rm×A的转置，该载荷矩阵P为前A个主元对应的负荷向量组成的矩阵，该载荷矩阵P所支撑的空间为主元子空间。

[0192] 确定该标准化历史训练数据Xk′的协方差矩阵Σ：

[0193]

[0194] 其中， lk为第k次更新后的历史训练数据长度；μj为第j个过程变量历史训练数据的均值；μi为第i个过程变量历史训练数据的均值。

[0195] 此外，该SPE指标控制限计算单元306具体用于：

[0196] 根据公式：

[0197]

[0198] 确定主成分分析统计量SPE指标控制限其中，λj为该协方差矩阵Σ的第m-A个特征值；cα为标准正态分布在置信度水平α下的阈值；A为主成分分析模型的主元个数；m为该监测参数的历史训练数据的过程变量个数。

[0199] 此外，该待测试样本数据处理单元307具体用于：

[0200] 确定一时刻K的待测试样本数据向量为Y＝[y1,y2,...,ym]；

[0201] 对该待测试样本数据向量进行列向标准化处理，形成标准化待测试样本数据向量：Y′＝[y1′,y2′,...,ym′]；其中， μj为第j个过程变量历史训练数据的均值；σj为第j个过程变量历史训练数据的标准差。

[0202] 此外，该SPE指标确定单元308具体可以：

[0203] 根据公式：

[0204] SPEK＝||(I-PPT)Y′||2

[0205] 确定该待测试样本数据的SPE指标SPEK；其中，I为单位矩阵；P为该载荷矩阵；PT为该载荷矩阵P∈Rm×A的转置。

[0206] 此外，该比较单元309具体可以：判断是否成立。

[0207] 该状态确定单元310具体用于：在成立时，确定炼化过程生产装置处于异常工况状态。

[0208] 进一步的，如图8所示，该炼化过程自适应数据驱动的早期故障监测装置，还可以包括：

[0209] 贡献率确定单元311，可以确定炼化过程生产装置的各过程变量对SPE指标的贡献率

[0210]

[0211] 其中，表示单位矩阵Im的第i列的转置。

[0212] 值得说明的是，本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测装置的具体实现方式可以参见上述图1和图2对应的方法实施例，此处不再赘述。

[0213] 本发明实施例提供的一种炼化过程自适应数据驱动的早期故障监测装置，通过对标准化历史训练数据进行主成分分析方法的分解，并确定主成分分析统计量SPE指标控制限，从而使得在确定待测试样本数据后，能够根据待测试样本数据的SPE指标与SPE指标控制限进行比较；从而在待测试样本数据的SPE指标大于等于SPE指标控制限时，确定炼化过程生产装置处于异常工况状态。通过本发明能够提高炼化过程异常识别的灵敏度，针对多工况、过渡过程和慢时变过程，本发明能够有效降低误报警率，避免了当前静态的多元统计模型应用于实际生产过程中容易出现大范围的误报警的问题。

[0214] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0215] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0216] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0217] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0218] 本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

标题	发布/更新时间	阅读量
训练数据更新-专利编号CN111095234A	2020-05-11	220
训练数据集生成方法及装置-专利编号CN110147817A	2020-05-13	732
验证分类器的训练数据-专利编号CN110781293A	2020-05-11	753
训练数据处理方法及设备-专利编号CN110264391A	2020-05-13	794
一种车牌识别训练数据的合成方法-专利编号CN110399874A	2020-05-12	1028
共享面部训练数据-专利编号CN102549591A	2020-05-11	512
场景训练数据处理方法及装置-专利编号CN109830282A	2020-05-13	773
自动地生成训练数据-专利编号CN102289459A	2020-05-11	531
一种模型训练数据加载方法及装置-专利编号CN110516817A	2020-05-12	369
训练数据可视健身器材-专利编号CN207520523U	2020-05-12	755

一种炼化过程自适应数据驱动的早期故障监测方法及装置

一种炼化过程自适应数据驱动的早期故障监测方法及装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式