一种基于列队竞争算法的常减压装置故障诊断方法制造方法及图纸

本发明专利技术公开了一种基于列队竞争算法的常减压装置故障诊断方法，包括如下步骤：收集常减压装置运行正常时的工况数据；利用此工况数据建立机理模型；根据经验在常减压装置运行的不同位置分别设置需诊断的故障点，根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量；根据故障类型在机理模型中模拟产生特定故障，生成故障工艺数据；将故障工艺数据划分为训练集与测试集，利用训练集来训练得到故障诊断数据模型，并定义数据模型的初始参数；对初始参数采用列队竞争算法与偏最小二乘法相结合，对数据进行分析，建立故障诊断模型，在工艺监控过程中能够快速诊断设备故障点与故障类型；解决了常规模型中收集故障数据不易且耗时较长的问题。且耗时较长的问题。且耗时较长的问题。

【技术实现步骤摘要】
一种基于列队竞争算法的常减压装置故障诊断方法


[0001]本专利技术属于故障诊断与识别
，更具体地，涉及一种基于列队竞争算法的常减压装置故障诊断方法。

技术介绍

[0002]常减压装置作为炼厂的龙头装置，其自动化程度和复杂性较高，常规组成包含电脱盐脱水罐、初馏塔、常压塔、减压塔等设备(见图1)。其中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。然而，通过采集常减压装置生产过程实时数据，建立设备状态诊断模型，可以帮助管理人员对设备异常状态及时发现，准确定位故障点，排除故障，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。
[0003]现有的常减压装置设备较多，一方面采集的数据点位和数据量也较大，不同厂家不同设备的信号中噪声水平也不一样，导致数据类型多，实时诊断难度较大，通常的数据诊断和识别模型，精度不高，计算量大，耗时较长，对于危险的故障识别存在一定的时间滞后的问题。另一方面由于企业大部分时间处于正常生产工况，对于异常数据的搜集存在较大的难度，故而影响数据诊断模型的精度。
[0004]因此，急需一种诊断与识别过程的算法耗时少，计算速度和精度高，同时能够匹配各类故障类型，能在炼厂常减压装置中得到大量的推广应用的故障诊断方法。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于列队竞争算法的常减压装置故障诊断方法，采用机理模型建立装置的高精度仿真模型，利用该模型产生不同类型的故障工艺数据，对搜集的数据采用偏最小二乘法PLS与列队竞争算法LCA相结合，计算速度和精度满足要求，同时能够匹配各类故障类型，能在炼厂常减压装置中得到大量的推广应用。
[0006]为了实现上述目的，本专利技术提供一种基于列队竞争算法的常减压装置故障诊断方法，包括如下步骤：
[0007]S1：收集常减压装置运行正常时的工况数据；
[0008]S2：利用此工况数据建立机理模型；
[0009]S3：根据经验在常减压装置运行的不同位置分别设置需诊断的故障点，根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量；
[0010]S4：根据故障类型在机理模型中模拟产生特定故障，生成生成故障工艺数据；
[0011]S5：将所述故障工艺数据划分为训练集与测试集，利用训练集数据训练并获得故障诊断数据模型，并定义该故障诊断数据模型的初始参数；
[0012]S6：采用列队竞争算法对所述初始参数进行优化，采用偏最小二乘法对故障进行
分析；
[0013]S7：利用测试集数据对故障进行判断并检验模型精度；
[0014]S8：模型精度满足要求，保存参数，输出故障诊断模型；
[0015]S9：将所述故障诊断模型部署应用，利用实时监控数据对所述故障诊断模型的应用工况进行分析，系统实时运行并根据工况进行响应，实现快速判断常减压装置运行过程中的故障类型与故障位置。
[0016]进一步地，步骤S5还包括从步骤S3中的多个关键观测变量中选取其中p个变量作为特定故障的特征相应。
[0017]进一步地，所述从步骤S3中的多个关键观测变量中选取其中p个变量包括：
[0018]S51：根据观测变量定义影响变量，划分变量组合，并进行编码；
[0019]S52：随机产生m个家族组成初始群体；
[0020]S53：采用最小二乘算法计算每个家族的目标函数值；
[0021]S54：依据目标函数大小对m个家族进行排队；
[0022]S55：根据排队顺序对每个家族分配变异次数，并变异；
[0023]S56：比较每个家族变异前后的目标函数值，将优秀的保留下来作为家族的后代；
[0024]S57：达到迭代上限，迭代结束，选择最优的家族作为选取的变量，从而创建故障诊断模型，输出最优的变量组合，并解码，以进行故障诊断。
[0025]进一步地，步骤S57中若判断未达到迭代上限，则重复步骤S53～S57，直到达到迭代上限。
[0026]进一步地，步骤S8还包括若精度不满足要求则重复步骤S2～S7，重新产生训练集数据。
[0027]进一步地，步骤S9还包括若所述故障诊断模型的实际应用工况中出现步骤S4中未定义的故障，则重复步骤S4～S9，重新进行故障定义并产生模拟数据，同步更新故障诊断模型。
[0028]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0029](1)本专利技术的一种基于列队竞争算法的常减压装置故障诊断方法，利用机理模型产生异常故障数据，采用偏最小二乘与列队竞争算法相结合对数据进行分析，建立故障诊断模型，在工艺监控过程中能够快速诊断设备故障点与故障类型；解决了常规模型中收集故障数据不易且耗时较长的问题；
[0030](2)本专利技术的一种基于列队竞争算法的常减压装置故障诊断方法，采用偏最小二乘与列队竞争算法相结合，优化变量组合，减少数据计算量，能够针对不同类型故障，快速判断常减压装置运行的故障类型与故障位置，满足生产工艺中实时快速判断的要求，节约了重大故障的响应处置时间，降低了安全风险。
附图说明
[0031]图1为本专利技术实施例的常减压装置的运作流程与变量选择示意图；
[0032]图2为本专利技术实施例的一种基于列队竞争算法的常减压装置故障诊断方法的逻辑结构示意图；
[0033]图3为本专利技术实施例的机理模型示意图；
[0034]图4为本专利技术实施例的偏最小二乘与列队竞争算法的逻辑结构示意图。
具体实施方式
[0035]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0036]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“第一”、“第二”......仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”......的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0037]如图1
‑
图4所示，本专利技术提供一种基于列队竞争算法的常减压装置故障诊断方法，包括如下步骤：
[0038]S1：确认故障诊断模型范围为常减压装置，收集常减压装置运行正常时的工况数据；
[0039]S2：利用此工况数据建立aspen机理模型(如图3所示)；其中，机理模型，是指亦称白箱模型；根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。它是基于质量平衡方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于列队竞争算法的常减压装置故障诊断方法，其特征在于，包括如下步骤：S1：收集常减压装置运行正常时的工况数据；S2：利用此工况数据建立机理模型；S3：根据经验在常减压装置运行的不同位置分别设置需诊断的故障点，根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量；S4：根据故障类型在机理模型中模拟产生特定故障，生成故障工艺数据；S5：将所述故障工艺数据划分为训练集与测试集，利用训练集数据训练并获得故障诊断数据模型，并定义该故障诊断数据模型的初始参数；S6：采用列队竞争算法对所述初始参数进行优化，采用偏最小二乘法对故障进行分析，优化变量组合，减少数据处理量，以快速判断故障类型与故障位置；S7：利用测试集数据对故障进行判断并检验模型精度；S8：模型精度满足要求，保存参数，输出故障诊断模型；S9：将所述故障诊断模型部署应用，利用实时监控数据对所述故障诊断模型的应用工况进行分析，系统实时运行并根据工况进行响应，实现快速判断常减压装置运行过程中的故障类型与故障位置。2.根据权利要求1所述的一种基于列队竞争算法的常减压装置故障诊断方法，其特征在于，步骤S5还包括从步骤S3中的多个关键观测变量中选取其中p个变量作为特定故障的特征响应。3.根据权利要求2所述的一种基于列队竞争算法的常减压装置故障诊断方法，其特征在于，所述从...

【专利技术属性】
技术研发人员：周力，鄢烈祥，廖国军，薛菲，陈超，
申请(专利权)人：汉谷云智武汉科技有限公司，
类型：发明
国别省市：