一种工业过程变量趋势异常检测方法及装置制造方法及图纸

本发明专利技术涉及一种工业过程变量趋势异常检测方法及装置，通过实时采集某一个工业过程变量的数据，利用变量数据在长时间段具有一定变化趋势的特点、在短时间段具有随机波动的特点，分别建立长周期均值和短周期均值，构造趋势特征量，根据不同采集点的趋势特征量自适应的设定阈值上下限，当某一采集点的趋势特征量超出该采集点对应的阈值上限和阈值下限的范围时，判定该趋势变量对应的工业过程变量趋势异常。本发明专利技术的原理简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。

An anomaly detection method and device for industrial process variable trend

The invention relates to an abnormal trend detection method and a device for industrial process variables. By collecting the data of a certain industrial process variable in real time, the long-period mean and the short-period mean are established respectively by taking advantage of the characteristics that the variable data have a certain trend in a long period of time and have a random fluctuation in a short period of time. According to the trend characteristics of different acquisition points, the upper and lower thresholds are set adaptively. When the trend characteristics of a certain acquisition point exceed the threshold upper and lower limits, the trend anomaly of the industrial process variables corresponding to the trend variables is determined. The principle of the present invention is simple, and it does not need to train the historical data, only needs simple statistical processing for the real-time collected data, and can reflect the abnormal change characteristics of industrial parameters by the change of trend characteristic variables, and the threshold setting for judging the abnormal change can be adaptively changed according to the current acquisition point. It has strong adaptability.

【技术实现步骤摘要】
一种工业过程变量趋势异常检测方法及装置
本专利技术属于工业生产过程中生产安全监控
，具体涉及一种工业过程变量趋势异常检测方法及装置。
技术介绍
在工业生产过程中，尤其是对于石化、冶金、石油钻井等工业流程，大量存在由模糊性因素、随机性因素和不确定性因素导致的设备故障、工艺异常等状况，一旦发生事故，将造成资金和时间上的巨大浪费和损失。一般地，流程工业中故障的发生和发展是一个复杂的多因素过程，难以用经典的数学模型进行描述和预警，目前大多数都是通过模糊模型、专家系统等构造预警模型来完成故障的推理判断，而要实现这一切的基础是能够对工业过程变量参数的异常进行有效的检测。正常情况下，工业过程中的主要变量参数变化趋势比较平稳，而当主要变量参数发生明显的趋势变化时，往往意味着过程变量参数发生了异常变化，这有可能是某些设备故障、工艺异常造成的，如钻井中的井漏、溢流、卡钻现象，再如水泥窑生产中预热器管路问题等。及早的检测并发现过程变量参数的异常变化，对系统的故障预警预测至关重要。工业过程中有一类过程变量参数的异常是经过一个缓慢变化的过程发生的，如钻井工程中的井漏、钻具刺漏等工程异常现象，这些现象都有一个积累、发展、扩大的过程，表现在变量上是如总池体积、立压、出口流量等数据的趋势性异常变化，同时这些变量还伴有随机变化、随机干扰等问题，因此不仅需要对变量的趋势性变化进行检测，还需要克服随机干扰等问题；再比如医药工业中反应釜中温度压力的异常变化，也是有一个积累、超限的过程。针对上述类型变量参数的趋势性检测方法，其设计原则是：计算简便，不需要复杂的模型，能够克服野点所带来的影响，设定参数尽可能少。目前，工业生产中的参数异常检测主要有两种方式：一种是对特定参数增加专用的检测装置进行判断，如钻井液量智能判断装置及溢流和井漏智能预警系统，井漏漏失速度和漏失层位测量仪，及钻井井涌井漏实时监测系统等；另一种是通过传感器采集数据，利用统计模型、神经网络模型等方法进行分析处理。现有的这些方法都存在着以下问题：第一，未考虑特征量基线漂移。在某些生产过程中，工艺参数的基准值并不是稳定不变的，而是会随着工艺的进行发生变化。如在石油钻井过程中，随着钻井深度的增加，钻井工程参数的正常基准值也会随之相应发生变化(即所谓的基线漂移)，如果不考虑这一点则无法实现对参数异常的检测。第二，特征量的阈值设定不具有自适应能力。阈值的设定是判断参数异常的关键环节之一，由于生产过程的复杂性，现有技术通常是采用人工设定的方法确定阈值，缺点是不能自适应的确定阈值以反映现场生产过程。第三，特征量的趋势判断(即工业变量参数变化异常的检测)采用最小二乘法进行拟合，通过误差进行趋势异常判断，其准确性较差，存在严重误报、漏报问题。第四，使用的神经网络模型、贝叶斯模型需要大量的历史数据进行训练，但是对于不同环境、不同工艺下的对象，比如对于不同地址条件的钻井、甚至是同一口钻井的不同深度，其数据都会有较大差异，由此造成神经网络模型的适应能力较差，需要频繁获取数据进行训练，导致适用性不足的问题。
技术实现思路
本专利技术的目的是提供一种工业过程变量趋势异常检测方法及装置，用于解决现有工业生产中的参数异常检测方法需要对历史数据进行训练造成计算量大和特征量的阈值设定不具有自适应能力的问题。为解决上述技术问题，本专利技术提出一种工业过程变量趋势异常检测方法，包括以下步骤：1)利用所述工业过程变量构造趋势特征量，包括以下子步骤：1-1)采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；1-2)将所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；1-3)将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；2)计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；3)根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。进一步的,当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。进一步的，在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常。为解决上述技术问题，本专利技术还提出一种工业过程变量趋势异常检测装置，包括：趋势特征量构造单元：用于利用所述工业过程变量构造趋势特征量，包括以下子单元：周期均值计算子单元：用于采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；均值差累积量计算子单元：用于所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；趋势特征量计算子单元：用于将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；阈值计算单元：用于计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；判断单元：用于根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。进一步的，还包括方差阈值替换单元：用于当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。进一步的，还包括用于在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常的单元。本专利技术的有益效果是：通过实时采集某一个工业过程变量的数据，利用变量数据在长时间段具有一定变化趋势的特点，和在短时间段具有随机波动的特点，分别建立长周期均值和短周期均值，根据这两个均值构造趋势特征量，并根据不同采集点的趋势特征量自适应的设定阈值上限和阈值下限，并根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。本专利技术的检测方法计算简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。附图说明图1是石油钻井过程中录井仪采集的总池体积的原始变量及短周期均值、长周期均值示意图；图2是由总池体积的短周期均值、长周期均值计算的均值差仿真图；图3是本文档来自技高网...

【技术保护点】
1.一种工业过程变量趋势异常检测方法，其特征在于，包括以下步骤：1)利用所述工业过程变量构造趋势特征量，包括以下子步骤：1‑1)采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；1‑2)将所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；1‑3)将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；2)计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；3)根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。

【技术特征摘要】
1.一种工业过程变量趋势异常检测方法，其特征在于，包括以下步骤：1)利用所述工业过程变量构造趋势特征量，包括以下子步骤：1-1)采集所述工业过程变量，计算当前采集点前ST秒内的数据均值，作为短周期均值，计算当前采集点前LT秒内的数据均值，作为长周期均值，其中ST的值小于LT的值；1-2)将所述短周期均值与长周期均值作差，作为均值差，计算该均值差在当前采集点前LT秒内的动态均值；当前采集点前LT秒内，对均值差连续大于零或等于零的区间数据进行累加，作为相应区间的正向均值差累积量；对均值差连续小于零的区间数据进行累加，并求取绝对值，作为相应区间的负向均值差累积量；1-3)将所述正向均值差累积量、负向均值差累积量求和后，与所述动态均值进行乘积，乘积结果作为当前时刻的趋势特征量；2)计算起始采集点到当前采集点的区间内的趋势特征量的均值、方差，利用所述趋势特征量的均值和方差设定阈值上限和阈值下限；3)根据当前采集点的趋势特征量和所述阈值上限和阈值下限，判定所述工业过程变量是否趋势异常。2.根据权利要求1所述的工业过程变量趋势异常检测方法，其特征在于，当所述趋势特征量的方差小于设定的最小方差阈值时，利用当前采集点前LT秒内不为零的最小的长周期变量标准差，作为新的最小方差阈值。3.根据权利要求1所述的工业过程变量趋势异常检测方法，其特征在于，在当前采集点前LT秒内，统计所有采集点的趋势特征量超出相应阈值上限和阈值下限之间的采样点数，当所述采样点数大于设定的数值时，判定所述工业过程变量趋势异常。4.一种工业过程变量趋势异常检测装置，其特征在于，包括以下单元：趋势特...

【专利技术属性】
技术研发人员：朱晓东，李广，王杰，马天磊，张方方，王河山，王东署，王书锋，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南,41