【技术实现步骤摘要】
常减压装置炼化过程故障诊断与识别方法
本专利技术涉及故障诊断与识别领域，具体地涉及一种常减压装置炼化过程故障诊断与识别方法。
技术介绍
由于石化产品质量要求的日益提高，常减压装置在炼化过程的自动化程度和复杂性也大幅度提高，常减压设备工况的异常变化会影响产品的质量。如果生产设备或仪表发生故障且不能被及时有效的排除，不仅会降低产品质量合格率，还会引起安全性事故，甚至危及人员生命安全。故障诊断与识别可以通过监测系统的异常状态准确定位故障点，及时对系统进行校正，确保运行过程的稳定、可靠和安全，达到提升石油炼化生产效率、产品质量和生产安全的目的。常减压装置炼化过程具有特殊性，其经过多个传感器采集的大量历史数据会带有采集噪声，数据值域范围大、数据类型多，需要采用合理的数据挖掘方法对数据进行处理，同时通过数据实现故障的诊断与识别是一件非常困难的事情，并且，诊断与识别过程的算法耗时多。例如专利(CN104238545B)和专利(CN204689946U)都存在上述问题。
技术实现思路
本专利技术实施方式的...
【技术保护点】
1.一种常减压装置炼化过程故障诊断与识别方法，其特征在于，所述方法包括：/n采用K-means聚类方法对常减压装置炼化过程中的腐蚀数据x
【技术特征摘要】
1.一种常减压装置炼化过程故障诊断与识别方法，其特征在于，所述方法包括：
采用K-means聚类方法对常减压装置炼化过程中的腐蚀数据xi进行诊断分析，以区别正常集数据和故障集数据；
对所述正常集数据和所述故障集数据分别进行主元分析，以实现所述常减压装置炼化过程中的故障诊断与识别。
2.根据权利要求1所述的故障诊断与识别方法，其特征在于，所述方法还包括：
采集所述常减压装置炼化过程中的原始腐蚀数据x’；
对所述原始腐蚀数据x’进行归一化处理，并对归一化后的数据x进行小波滤噪处理，获得所述常减压装置炼化过程中的腐蚀数据xi。
3.根据权利要求2所述的故障诊断与识别方法，其特征在于，所述对所述原始腐蚀数据x’进行归一化处理，包括：
采用如下公式通过零均值规范化处理，将所述原始腐蚀数据x’标准化为均值为0、方差为1的正态分布标准数据集合：
其中，x为所述归一化后的数据，x’为采集到的所述常减压装置炼化过程中的原始腐蚀数据，μ为所述原始腐蚀数据x’的均值，σ为所述原始腐蚀数据x’的标准方差。
4.根据权利要求3所述的故障诊断与识别方法，其特征在于，采用如下公式对所述归一化后的数据x进行小波滤噪处理得到所述常减压装置炼化过程中的腐蚀数据xi：
其中，设φ是定义在(-∞，+∞)上能量有限的函数，φ构成平方可积信号空间，记为φ∈L2(R)，则生成函数族{φab}，如下式所示：
其中，Φ(t)为小波函数；
φab(t)为小波基函数，由Φ(t)伸缩和平移得到，a为伸缩因子，b为平移因子，f(t)∈L2(R)。
5.根据权利要求1所述的故障诊断与识别方法，其特征在于，所述采用K-means聚类方法对所述常减压装置炼化过程中的腐蚀数据xi进行诊断分析，以区别正常集数据和故障集数据，包括：
确定初始聚类中心个数K；
选择欧几里得距离函数作为聚类的目标函数对所述常减压装置炼化过程中的腐蚀数据xi进行数据分类，得到所述正常集数据和所述故障集数据。
6.根据权利要求5所述的故障诊断与识别方法，其特征在于，采用Calinski-Harabasz指标确定所述初始聚类中心个数K；
其中，Calinski-Harabasz指标通过类内离差矩阵描述紧密度，通过类间离差矩阵描述分离度，Calinski-Harabasz指标定义如下式所示：
其中，n为聚类数目，K为当前的类，trB(K)为类间离差矩阵的迹，trW(K)为类内离差矩阵的迹；
Calinski-Harabasz指标越大，代表类自身越紧密，类与类之间越分散，聚类结果最优，则令Calinski-Harabasz指标最大的K为初始聚类中心个数K。
7.根据权利要求5所述的故障诊断与识别方法，其特征在于，采用轮廓系数Silhouette确定所述初始聚类中心个数K；
其中，所述常减压装置炼化过程中的腐蚀数据xi的轮廓系数Silhouette定义如下式所示：
其中，S为轮廓系数Silhouette；a为所述常减压装置炼化过程中的腐蚀数据xi与同簇的其他样本的平均距离，即凝聚度；b为所述常减压装置炼化过程中的腐蚀数据xi与最近簇中所有样本的平均距离，即分离度；
所述最近簇的定义如下式所示：
其中，p是某个簇Ck中的样本；
平均轮廓系数Silhouette为所有样本的轮廓系数Silhouette求平均值，平均轮廓系数Silhouette的取值范围为[-1,1]，簇内样本的距离越近，簇间样本距离越远；平均轮廓系数Silhouette越大，代表聚类效果越好，则令平均轮廓系数Silhouette最大的K为初始聚类中心个数K。
8.根据权利要求5所述的故障诊断与识别方法，其特征在于，采用Davies-Bouldin指标确定所述初始聚类中心个数K；
其中，获取Davies-Bouldin指标的计算步骤包括如下：
S1)计算簇内距离和与簇间距离和的比，如下式所示：
Si表示第i个类中度量数据点的分散程度，Xj表示第i类中第j个数据点；Ai表示第i类的中心；Ti表示第i类中数据点的个数；所述分散程度具有的两个属性为：各点到中心的距离的均值、各点到中心距离的标准差；q＝1表示各点到中心的距离的均值，q＝2表示各点到中心距离的标准差；
S2)计算表示第i类与第j类的距离的距离值Mij，如下式所示：
aki表示第i类的中心点的第K个属性的值，Mij是第i类与第...
【专利技术属性】
技术研发人员：牛鲁娜，兰正贵，韩磊，柴永新，张艳玲，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司青岛安全工程研究院，
类型：发明
国别省市：北京;11
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。