【技术实现步骤摘要】
加热炉完整性管理集控装置的炉况异常报警方法及系统
本专利技术应用于石油化工过程,具体涉及一种加热炉完整性管理集控装置的炉况异常报警方法及系统。
技术介绍
由于石油化工过程系统本身的高危险性,使得对生产过程进行监控与实时故障报警,确保生产过程的稳定性和安全性显得尤其重要。随着工业4.0时代的到来,工业信息化技术运用越来越全面,从最基础设备的数据采集、集中监控技术的应用到现在的智能分析、风险性识别、评价,指导生产管理的技术逐步运用到各个工业生产中,对于加热炉的安全风险管控技术,如何能够通过完整的管理手段对加热炉进行监控,从而保证加热炉运行安全,是目前急需解决的问题。因此,加热炉完整性管理集控装置(见中国专利CN108829063A)被用于提高安全生产率、而且节能降耗,对环保减排起到极大的支持作用,同时通过对加热炉的完整性管理,风险因素的识别,减缓风险的措施,保证了加热炉的安全、高效的运行生产。其中,传统的故障诊断手段主要依靠操作人员的操作经验和一些简化的数学模型,使用功能单一,且不能准确实时判断复杂条件下的故障报警。r>随着近些年人工智本文档来自技高网...
【技术保护点】
1.一种加热炉完整性管理集控装置的炉况异常报警系统,其特征在于,包括:/n数据采集模块,用于采集加热炉运行过程中各个PLC点位的实时数据;/n特征映射器,用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;/n异常检测器,其包括集成层与误差输出层,该集成层与误差输出层分别包括有独立的自编码网络;将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练,利用随机梯度下降法进行神经元参数的更新;然后将集成层的重构误差作为误差输出层的输入,利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终重构误差进行增益放大;/n测试模块,获 ...
【技术特征摘要】
1.一种加热炉完整性管理集控装置的炉况异常报警系统,其特征在于,包括:
数据采集模块,用于采集加热炉运行过程中各个PLC点位的实时数据;
特征映射器,用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;
异常检测器,其包括集成层与误差输出层,该集成层与误差输出层分别包括有独立的自编码网络;将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练,利用随机梯度下降法进行神经元参数的更新;然后将集成层的重构误差作为误差输出层的输入,利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终重构误差进行增益放大;
测试模块,获取一条新数据,依次经过特征映射器、异常检测器得到该条数据的重构误差,将其与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则判定该条数据存在异常。
2.根据权利要求1所述的加热炉完整性管理集控装置的炉况异常报警系统,其特征在于:还包括一数据处理模块,用于对采集到的实时数据进行清洗以确保进入模型的数据为正常运行时的数据。
3.一种加热炉完整性管理集控装置的炉况异常报警方法,其特征在于,包括如下步骤:
S1,数据采集步骤;设置数据采集模块,用于采集加热炉运行过程中各个PLC点位的实时数据;
S2,特征映射步骤;设置特征映射器,用于将原始的特征利用聚合层次聚类算法划分成若干个子特征空间集合;
S3,异常检测步骤;设置异常检测器,其包括集成层与误差输出层,该集成层与误差输出层分别包括有独立的自编码网络;将通过特征映射器得到的子特征空间集合作为输入送入集成层对应的自编码器进行训练,利用随机梯度下降法进行神经元参数的更新;然后将集成层的重构误差作为误差输出层的输入,利用随机梯度下降法进行神经元的参数更新,得到训练集的最终重构误差,将最终重构误差进行一定增益系数的放大;
S4,测试步骤;获取一条新数据,依次经过特征映射器、异常检测器后得到该条数据的重构误差,将该条数据的重构误差与训练集放大后的最终重构误差进行比较,若大于训练集放大后重构误差,则判定该条数据存在异常。
4.根据权利要求3所述的加热炉完整性管理集控装置的炉况异常报警方法,其特征在于:
在步骤S1中,从数据采集模块获得加热炉各个维度的传感器数值特征及相关计算指标特征,作为模型的输入特征,特征维度为n;
在步骤S2中,特征映射器利用聚合层次聚类算法将所有特征划分成若干个子特征空间集合;首先将每个样本都视为一个簇,然后开始按规则将相似度高的簇逐个进行合并,最后所有样本都形成一个簇或达到某一个条件时,将原始n维特征通过特征映射器模块单元,映射到k个子特征空间集合中,同时限制每个子特征空间最大特征数目不超过m个,m为超参数,具体划分步骤为:
S21,假设取nt条数据,用于构建特征分割算法的训练集,依次逐条输入数据,每输入一个样本就计算一次当前指标,执行如下运算:
线性加权和;
残差和;
残差平方和;
关系矩阵;
距离度量矩阵;
其中t表示截止到当前输入到模型的第t个样本,i、j表示第i、第j个特征,Dij表示特征i与特征j之间的距离;
在输入完nt条数据后,得到各特征之间距离度量矩阵D,距离度量矩阵D中每一个元素也即代表了n个特征之间的距离;
S22,将每个特征看成一个簇,则初始总共有n个簇,按照簇之间最近距离进行合并,距离大...
【专利技术属性】
技术研发人员:刘永才,吴中华,李必意,王亮亮,郭卫猛,严刚,
申请(专利权)人:深圳市佳运通电子有限公司,
类型:发明
国别省市:广东;44
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。