本发明专利技术公开了一种基于物理‑大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于，所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型；在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障原因；本发明专利技术的方法应用在确定的单一化工单元操作上，建立可靠的物理模型，而在整个生产过程采作化学计量学的方法，引入大数据处理技术处理数年的实时数据，着眼于操作人员在可控操作变量范围内性能指标的故障，排除了不可控生产过程变量的对故障检测的影响。
【技术实现步骤摘要】
本专利技术涉及化工生产过程中安全检测与控制领域，尤其涉及一种基于物理-大数据混合模型的化工生产在线故障检测与诊断技术。
技术介绍
化工生产过程极其复杂，伴随着很多尚未探明的物理和化学反应。对连续流程工业而言，维持一个稳定的工况，不仅可以减少事故和次生灾害，也对稳定产品质量、在优化的工况下进行最优成本操作以获得最大经济效益。因而这里所指的故障，不仅包括影响装置安全的异常情况（统称为安全故障），也包括产品质量及最优操作工况的偏离（统称为性能故障）。针对复杂的化工生产过程，目前常用的故障检测与诊断方法大多都是建立在数据驱动模型的基础上。过去的20年里，化工和信息领域的专业人员进行了大量有益的探索，尤其是2000年前后生产实时数据库的建设和普及，给信息化技术深入到化工生产领域带来了契机，催生出很多在线应用，也使得故障检测与诊断技术的在线应用得到快速发展。目前常用的故障检测与诊断方法大多都是建立在数据驱动模型的基础上。基于生产历史数据的统计方法——化学统计学建模，即通过对大量历史数据的分析，获取数据的内在关联性，发现异常（通常是生产参数之间内在关联性的破坏，或整个操作工况相对于正常值有偏离）后，精准地定位到发生问题的单元、设备，或参数上，通过关联影响因素和分析结果的同步展示，为操作人员和管理人员提供及时、准确的故障检测与诊断信息。随着大数据技术的兴起，可以综合大数据的统计处理方法，大数据技术相比传统的统计方法更突出了只问关联、不问因果，着重于证析数据之间的关联性的特点，大数据技术对解决工厂复杂、隐含而难以测量的变量间影响关系，有其独到之处，例如生产单元A中生产工况会影响到单元A输出中间产品的品质(例如纯度及敏感杂质含量），如果中间产品的品质无法在线测试或测试成本高昂，这些隐含的关系也会影响后续生产单元B的生产情况，通过大数据分析技术，不仅可对单元A的故障进行监测与诊，而且在时间序列上，可以对生产单元B的故障进行预警，并提醒操作人员作出及时的调整。但对于化工生产而言，很多单元操作尤其是物理过程(如换热，压缩，精馏等等），有确定的质量及能量平衡关系，而且流程的前后操作单元常存在物理隔离(如被中间贮罐隔离两个分离单元），物理参数之间不存在物理上的相关性，直接采用大数据分析技术，因为测量数据间存在的噪音影响，又或者是受到公用工程（如动力蒸汽温度，燃料气压力组成）影响，这些物理上不存在关联的数据在大数据所建立的模型上常常出现高度的关联性，让大数据分析人员误认为存在关联，这种违反物理定律的关联使得故障诊断的误判率增大，导致生产技术人员对故障检测产生不信任，给推进工业4.0及智能工厂建设带来了一定的阻力。
技术实现思路
针对上述存在的问题，本专利技术目的在于提供一种基于物理-大数据混合模型的化工生产在线故障检测与诊断技术。为了达到上述目的，本专利技术采用的技术方案如下：一种基于物理-大数据混合模型的化工生产在线故障检测与诊断技术，所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型；在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障原因。本专利技术所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断技术，其详细的操作方法包括以下步骤：1）利用实时数据库（如IP21、PI等）收集工厂级过程的数据组成建模用的训练数据样本集：XRn×m。其中， n 为样本数据集的个数， m 为样本数据集的变量个数；2）针对工厂级过程数据集 XRn×m，提取出有确定物理模型的生产单元Q，建立此生产单元的物理模型，将这一生产单元过程变量归集在数据子集Xq∈Rn×q，q为有确定物理模型的单元操作的变量个数。此处的生产单元Q可以是一个也可以是多个，通常情况下越多越好，更能反应化工生产过程的物理法则及充分利用工程知识，而非单纯依赖于统计数据分析。工厂级过程数据集 XRn×m，在有确定物理模型的生产单元，使用物理模型提取该生产单元的关键性能指标，实际上是基于物理模型进行降维，即根据该生产单元的化学组成，物料、热量以至化学相平衡、化学反应平衡模型，计算出该单元对目标性能指标的关键贡献变量，起到物理降维的作用。3）舍弃具有确定物理模型的生产单元的原始变量，而采用根据物理模型提取的关键指标k，将单元操作子集Xq从q维降为k维；在训练样本中移除具有确定物理模型的生产单元中的原始变量，而代之以从物理模型中提取的关键性能指标，将其与未参与物理建模的其下剩余的操作变量重新组合，形成新的训练样本Xnew，Xnew∈Rn×p，数据集确定生产单元物理模型降维后的新变量个数。4）对Xnew进行归一化处理；其中xu_i为Xnew各列的平均值，std_i为Xnew各列的标准差，归一化后的Xnorm=(Xnew_i-xu_i)/std_i，得到经过变换后的Xnorm的绝对值不超过3.5，判断绝对值超过3.5的Xnorm为异常值。5）提取工厂级过程的主元数据方向，建立工厂级的监测统计量及其监测限。以Xnew建立全厂级的的主元分析或偏最小二乘模型，其中以稳定性为目的的指标指的是仅一组操作工况，无法实时确定生产过程的数量化目标；其中性能指标指的是生产过程有在线的或者离线的质量、成本相关的数值指标。如果监控的是以稳定性为目的的指标，则建立主元过程故障检测模型，形成工厂级范围的故障检测模型，计算在主元载荷、SPE、Hotelling T^2在不同置信度下的控制范围。如果监控的是性能指标，则采用偏最小二乘模型的具体步骤为：假设目标性能变量y与操作条件XnewRn×p有关，其中前h个操作变量 x1，x2，..xh是不可控操作条件，例如大气温度、必须满足的客户对产品的需求量，也就是操作人员无法对这些操作变量作出自由的调整；其中后 (p-h)个变量是操作人员可以调整的操作变量。首先，第一层模型目标性能变量y_act与不可控操作条件xi (i=1… h)建立偏最小二乘模型；计算模型的预测值y_cal，其中残差y_res=y_act - y_cal；第二层模型再用y_res与可控操作条件xj (j=h+1… p) 建立偏最小二乘模型，y_res的模型预测值用y_rcl表示，最终目标性能变量的最终预测值可表达：y_t cl= y_cal + y_rcl。根据操作人员实际可控的范围及其对性能指标的影响，判断新的性能指标控制区间，其具体的操作步骤为：由于所用的样本直接是生产实时数据库的中海量数据直接使用，因此监控指标的控制范围采用大数据的概念，而非采用少量有代表生产数据是通常采用的95%的置信度；也可直接对y_cer进行统计分析，取其最好的25%的概率作为故障检测区间，其物理意义在于：历史上的正常操作水平在50%，而检测区间向性能指标好的方向偏移25%，也即，如果平均得分是50分，则低于75分的操作工况均视为故障。同时，引入生产过程持续改进的概念，从历史操作数据的统计而言，样本空间的均值相当于50%的概率下达到的性能水平，而第一步的故障控制范围可以是60%-75%概率下能达到的性能水平，而经过对故障的检测与诊断，根本原因分析及改进措本文档来自技高网...
【技术保护点】
一种基于物理‑大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于，所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型；在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障原因；其详细的操作方法包括以下步骤：1）利用工厂级实时数据中的历史数据组成建模用的训练数据样本集：X ∈Rn×m，其中， n为样本数据集的个数，m为样本数据集的变量个数；2）针对工厂级过程数据集 XRn×m中有确定物理模型的单元操作Q，将这一生产单元过程变量归集在数据子集XqRn×q，q为有确定物理模型的单元操作的变量个数；3）提取具有确定物理模型的生产单元中的关键性能指标k，将单元操作子集Xq从q维降为k维；4）在训练样本中移除具有确定物理模型的生产单元中的原始变量，而代之以从物理模型中提取的关键性能指标，将其与未参与物理建模的其下剩余的操作变量重新组合，形成新的训练样本Xnew，Xnew∈Rn×p；5）对XnewRn×p进行归一化处理；其中xu_i为Xnew各列的平均值，std_i为Xnew各列的标准差，归一化后的Xnorm=(Xnew_i‑xu_i)/std_i，得到经过变换后的Xnorm的绝对值不超过3.5，判断绝对值超过3.5的Xnorm为异常值；6）提取工厂级过程的主元数据方向，建立工厂级的监测统计量及其监测限模型；a)如果监控的是以稳定性为目的的指标，则建立主元过程故障检测模型，形成工厂级范围的故障检测模型，计算在主元载荷、SPE、Hotelling T^2在不同置信度下的控制范围；b)如果监控的是性能指标，则采有双重残差回归的方法，第一重回归先按性能指标与生产过程中操作人员不可控因素对性能指标的影响，第二重回归以第一重回归的残差为应变量，操作人员可控的操作条件为自变量进行偏最小二乘回归；c)根据操作人员实际可控的范围及其对性能指标的影响，判断新的性能指标控制区间，以当前操作性能指标与理想性能指标的差距作为故障监控指标，根据过程改进计划，得出后续操作性能指标中可改进的控制范围；7）收集新的在线监测过程数据，采用步骤5）训练样本中取得的变量平均值及标准差其进行预处理和归一化；8）根据有确定物理模型的单元处理新的在线监测过程数据，计算该单元的关键性能指标，组成新的过程数据集，其中有确定物理模型的生产单元由新的关键性能指标来表达；9）将实时监测的数据中提取出关键数据，将关键数据应用于步骤5）及6）得到的模型或计算方法中进行计算，最终判断其是否达标计算新的在线监测过程数据中：a)相应的过程异常的主元分析的判断；b)关键性能指标的潜结构投影模型；c)可控范围内是否出现故障的判断；10）计算监测统计量值，形成工厂级过程的故障检测结果，判断当前过程的运行状态；11）在故障检测的基础上，分别找出故障时各个操作变量对监测控制量的贡献值，得到该故障的诊断结果。...
【技术特征摘要】
1.一种基于物理-大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于，所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型；在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障原因；其详细的操作方法包括以下步骤：1）利用工厂级实时数据中的历史数据组成建模用的训练数据样本集：X ∈Rn×m，其中，n为样本数据集的个数，m为样本数据集的变量个数；2）针对工厂级过程数据集 XRn×m中有确定物理模型的单元操作Q，将这一生产单元过程变量归集在数据子集XqRn×q，q为有确定物理模型的单元操作的变量个数；3）提取具有确定物理模型的生产单元中的关键性能指标k，将单元操作子集Xq从q维降为k维；4）在训练样本中移除具有确定物理模型的生产单元中的原始变量，而代之以从物理模型中提取的关键性能指标，将其与未参与物理建模的其下剩余的操作变量重新组合，形成新的训练样本Xnew，Xnew∈Rn×p；5）对XnewRn×p进行归一化处理；其中xu_i为Xnew各列的平均值，std_i为Xnew各列的标准差，归一化后的Xnorm=(Xnew_i-xu_i)/std_i，得到经过变换后的Xnorm的绝对值不超过3.5，判断绝对值超过3.5的Xnorm为异常值；6）提取工厂级过程的主元数据方向，建立工厂级的监测统计量及其监测限模型；a)如果监控的是以稳定性为目的的指标，则建立主元过程故障检测模型，形成工厂级范围的故障检测模型，计算在主元载荷、SPE、Hotelling T^2在不同置信度下的控制范围；b)如果监控的是性能指标，则采有双重残差回归的方法，第一重回归先按性能指标与生产过程中操作人员不可控因素对性能指标的影响，第二重回归以第一重回归的残差为应变量，操作人员可控的操作条件为自变量进行偏最小二乘回归；c)根据操作人员实际可控的范围及其对性能指标的影响，判断新的性能指标控制区间，以当前操作性能指标与理想性能指标的差距作为故障监控指标，根据过程改进计划，得出后续操作性能指标中可改进的控制范围；7）收集新的在线监测过程数据，采用步骤5）训练样本中取得的变量平均值及标准差其进行预处理和归一化；8）根据有确定物理模型的单元处理新的在线监测过程数据，计算该单元的关键性能指标，组成新的过程数据集，其中有确定物理模型的生产单元由新的关键性能指标来表达；9）将实时监测的数据中提取出关键数据，将关键数据应用于步骤5）及6）得到的模型或计算方法中进行计算，最终判断其是否达标计算新的在线监测过程数据中：a)相应的过程异常的主元分析的判断；b)关键性能指标的潜结构投影模型；c)可控范围内是否出现故障的判断；10）计算监测统计量值，形成工厂级过程的故障检测结果，判断当前过程的运行状态；11）在故障检测的基础上，分别找出故障时各个操作变量对监测控制量的贡献值，得到该故障的诊断结果。2.根据权利要求1所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于，所述的步骤2）和3）中确定的:工厂级过程数据集为 XRn×m...
【专利技术属性】
技术研发人员：陆新建，
申请(专利权)人：陆新建，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。