CN103543719B - 一种基于工况的流程行业操作模式自适应调整方法 - Google Patents

Abstract

本发明提供一种基于工况的流程行业操作模式自适应调整方法，属于信息处理领域。首先对复杂工业现场数据进行预处理，并结合工艺分析选取若干变量以描述工况，然后建立操作指标的预测模型进行指标预测，将预测结果与实测结果比较进行偏差判断。通过阈值设定判断生产是否处于正常状态，若处于非正常状态则需要进行参数的自适应调整。最后将产生误判结果的样本结合改进的支持向量机方法进行二次预测，将预测结果与操作模式库进行二次匹配，寻找最优操作模式进行操作优化，并随着工况的不断变化，操作模式匹配可持续调整更新，为操作优化提供支撑。该方法可基于工况来动态自适应调整参数实现操作模式匹配，提升了模式匹配和模式优化的准确率。

Description

一种基于工况的流程行业操作模式自适应调整方法

技术领域

本发明涉及一种操作模式自适应调整方法，尤其是一种基于工况的流程行业操作模式自适应调整方法，属于信息处理领域。

背景技术

流程行业经过多年的信息化建设，主要生产过程在不同水平上均已实现了自动控制，以及对生产过程的实时监测。当前，工业控制大部分都是基于机理模型和相关反馈来进行实时控制，但流程工业生产过程涉及多种化学变化和物理变化，生产工艺复杂，并且流程行业生产过程生产连续，对生产控制技术实时要求高，造成对生产过程的建模和操作参数的优化凋整较为困难。建立一种基于企业生产过程中产生的实时数据的、更有效率的操作模式优化方法成为解决上述问题的一个有效途径。

流程企业现场仪表、DCS、LIMS以及进出厂计量数据的采集积累了越来越多的数据，其中隐含了运行规律和优化参数之间的潜在信息。由此针对流程行业生产过程，业界提出了基于工况的操作模式优化框架，如图1所示：基于大量工业运行数据和评价模型构建最优操作模式集合，然后从最优操作模式集合中寻找与当前工况相匹配的最优操作模式，从而实现生产过程的优化。然而，由于生产现场的工况复杂多变，操作模式匹配过程涉及的算法及其参数不具有自适应性，导致反映工业过程动态信息的操作模式与最优操作模式集合匹配困难，适用于稳态或某一特定工况，操作模式的匹配及优化的实用性较差。

因此，如何确立一种流程行业操作模式自适应调整方法，基于工况来自适应调整操作模式以提高操作模式匹配的精度和效率，为在线运行的操作提供指导，具有非常重要的意义。

发明内容

本发明提出了一种流程行业操作模式自适应调整方法，以实现流程工业生产现场大量、快速、连续、时变的数据流实时处理并进一步进行操作模式的自适应调整，提升操作模式匹配的精度和效率。

为实现上述发明目的，本发明采用如下的技术方案：

一种基于工况的流程行业操作模式自适应调整方法，其步骤包括：

步骤1：对采集的复杂工业现场的数据进行预处理，并结合工艺分析选取若干变量以描述工况，根据选择的变量定义最优操作模式集合；

步骤2：通过Logitboost方法建立操作变量的预测模型，并进行指标预测，将预测结果与实测结果比较进行偏差判断；

步骤3：设定偏差判断的阈值，偏差在该阈值内则判定为正常状态，保持当前操作参数不变，与所述最优操作模式集合进行匹配进行操作模式优化；偏差在该阈值外则判定为非正常状态；

步骤4：将判定为非正常状态的样本结合改进的支持向量机方法进行二次预测，将预测结果与所述最优操作模式集合进行二次匹配，寻找最优操作模式进行操作模式优化，并随着工况的不断变化持续更新操作模式匹配，以持续进行操作模式优化。

所述步骤1包括：

步骤1.1：采用数据预处理技术对工业现场的实时海量数据进行预处理，如降维、去噪和转换等；

步骤1.2：筛选并明确某一生产过程中关键的指标，结合生产过程的工艺机理和统计分析，选择影响该指标的若干变量；

步骤1.3：根据生产过程中的输入条件、状态参数、操作参数以及工艺指标，定义操作模式、最优操作模式和最优操作模式集合。其中，输入条件是指原料种类、品位、杂质含量等参数的原始信息；状态参数是指生产过程中各类传感器检测到的温度、压力等一系列可以反映生产运行状态的数据；操作参数是指是指生产过程中可进行调节控制的参数；操作模式是指一定的输入条件和状态参数及与之对应的操作参数所组成的向量；最优操作模式是通过综合考虑产品产量、质量、能耗、成本和工况稳定情况等工艺指标（工艺指标是指生产过程所要求达到的目标），对相同输入条件下的操作模式进行评价，综合评价最好的操作模式称为该输入和状态条件下的最优操作模式；最优操作模式集合为在不同输入条件和状态下的最优操作模式组成的集合。

所述步骤2包括：

步骤2.1：基于步骤1所得的数据通过反复实验找到一个最优的训练集进行模型训练，得到Logitboost模型；

步骤2.2：采用训练好的Logitboost模型计算每个测试样本，结合模型评估的结果优化模型参数；

步骤2.3：基于Logitboost算法输出预测结果，并与实测结果进行比对，以进行所述偏差判断。

所述步骤3包括：

步骤3.1：定义实测值为P={p₁,p₂,…，p_n}，预测值为P’={p₁’,p₂’,…，p_n’}，则相对误差为E={e₁,e₂,…，e_n}，其中，p_j为实测值，p_j’为预测值，e_j为预测值与实测值的相对误差值；

步骤3.2：定义状态评价函数为：状态评价函数值越小，则说明工况越好。若工况为优，则维持当前操作参数不变。根据业务领域的不同，e₁可由业务人员通过经验赋值。S≤d时，判断当前操作状态正常，S＞d时，判断当前操作状态不正常，需要进一步自适应调整，其中，k₁,k₂,…k_n为权重，d为设定调整的阈值，均根据统计分析结合经验值设定。

所述步骤4包括：

步骤4.1：结合基于改进的SVM算法（改进的支持向量机方法）的预测模型进行二次预测；

步骤4.2：将基于Logitboost算法和改进的SVM算法的模型预测结果进行集成，得到预测结果，即

y＝αf_Logitoost(x)+(1-α)f_SVM(x)，

其中，y为预测结果，f_Logitoost(x)、f_SVM(x)分别为基于Logitboost算法和改进的SVM算法的模型预测结果，α为集成模型的权重，二者集成可得出最终预测结果；

步骤4.3：确定α的取值：

$\mathrm{\&alpha;}=\left\{\begin{array}{cc}a,& m<\left|\mathrm{\&Delta;c}\right|<n\\ \log \frac{1-\mathrm{\&omega;}}{\mathrm{\&omega;}},& \left|\mathrm{\&Delta;c}\right|\&le;m,n\&le;\left|\mathrm{\&Delta;c}\right|\end{array}\right.,$

其中，Δc为预测结果与历史数据均值的偏差；a为偏差绝对值在m到n的范围内时α的取值；为偏差绝对值在m到n的范围外时α的取值；m，n为根据经验值确定的偏差范围上下限取值；ω为logitboost方法在其训练集合上的分类错误率。

步骤4.4：将预测结果与最优操作模式集合进行二次匹配，寻找最优操作模式进行操作模式优化，并随着工况的不断变化，对操作模式匹配进行持续调整更新，为操作模式优化提供支撑。

本发明的有益效果和优点体现在：

1）本发明通过操作模式自适应调整方法，基于工况来动态自适应调整参数，实现操作模式匹配，提升了模式匹配和模式优化的准确率；

2）本发明采用了在二分类问题上拥有卓越性能的机器学习方法，通过组合多分类器的方式（改进的SVM方法和Logitboost方法的结合）提高预测值的准确性，能达到比较理想的预测精度。

附图说明

图1是流程行业基于工况的操作模式优化框架示意图。

图2是本发明的流程行业操作模式自适应调整方法的流程示意图。

图3是本发明的流程行业操作模式自适应调整方法的预测结果图。

具体实施方式

为使本发明的目的、具体步骤和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明做进一步详细说明。

本实施例选取石化行业中炼油厂常压塔的柴油凝固点控制过程作为操作模式自适应调整案例。根据总体流程图即图2说明操作模式自适应调整方法，具体实现步骤如下：

步骤1：数据预处理

复杂工业过程数据趋向于不一致和不完全，总是带有许多噪音，需要按一定规则处理这些数据的质量问题。为保证源数据的质量，需要统一光滑这些噪声数据以提高整体数据质量。此处使用小波变换的数据预处理方法去除噪声干扰所产生的随机误差。

步骤2：定义操作模式

在此过程中，结合工艺分析选取了8个变量，其中输入条件或者状态变量包括：二线中段抽出温度i₁、二线中下气相温度i₂、塔顶循环抽出温度i₃、一线中段抽出温度i₄、二线抽出板下气相温度i₅、二线抽出流量i₆，操作变量包括:一线中循环流量p₇、二线抽出流量p₈。

所涉及的操作模式可表示为：

Q={i₁，i₂，i₃，i₄，i₅，i₆，p₇，p₈}，

其中，i_k为输入条件或者状态变量（或称状态参数）；p_k为操作变量（或称操作参数），操作变量与输入条件、状态变量一起组成的所有操作模式Q。

各变量的值如表1所示。

表1.各变量值列表

参数	i1	i2	i3	i4	i5	i6	p7	p8
									Max	316.2	321.3	145.2	138.4	271.6	262.9	217.2	96.1332
Min	280.4	286.3	128.6	108.7	244.4	192.7	172.9	78.4245
									均值	294.74	301.00	135.34	132.32	256.29	251.95	182.20	87.8400

设Q₁，Q₂，…，Q_n为输入条件和状态相近的操作模式，即满足K(Q_i、Q_j)<ε，i=1,2,…,n。其中，K(Q_i、Q_j)表示Q_i与Q_j的相似度，ε根据经验确定。因此，操作点的相似度即为点的状态与输入条件变量间的欧氏距离的倒数。将n个操作模式所获得的结果进行排序，其中结果最小的几个模式即为该输入条件下的优化操作模式，从而组成最优操作模式集合。

步骤3：使用Logitboost方法训练指标预测模型

已知训练集：

T={(x₁,y₁),...,(x_l,y_l)}∈(X×Y)^l,x_i∈X=Rⁿ,y_i∈Y,i=1,...,l，

其中，x_i∈X=Rⁿ为第i个用户的输入变量或称为特征；y_i∈Y为输出变量，即模式发现模型的因变量，指柴油凝固点温度。输入变量是柴油凝固点模式发现的自变量，通常根据工业过程中的观测量和操作量得到的特征变量。

通过对现场采集样本数据进行采集，并剔除了病态数据，共采集了2356组数据。经过预处理的数据一部分用作训练样本（1790组），用于模型的建立；其余部分用于模型预测。

变量设计方面，本发明采用步骤2中选取的8个变量。

步骤4：通过偏差判断进行评估

将预测结果与实测结果比较进行偏差判断：定义柴油凝固点温度实测值为p₁，预测值为p₁’，则相对误差为e₁,，

定义状态评价函数为：S=e₁，状态评价函数值越小，则说明工况越好。若工况为优，则维持当前操作参数不变。根据业务领域的不同，e₁由业务人员的经验赋值。此处，S≤0.3时，判断当前操作状态正常，S＞0.3时，判断当前操作状态不正常，需要进一步自适应调整，其中，阈值根据统计分析结合经验值设定。

若偏差小于等于0.3，则认为处于正常状态，保持当前操作参数不变，与最优操作模式集合进行匹配进行操作模式优化；偏差大于0.3则判定为非正常状态，需要进行参数的自适应调整。

步骤5：操作模式自适应调整

对于判定为非正常状态的样本，即偏差大于0.3的样本，如图2所示，由自适应机构（本发明中采用改进的SVM算法）进行二次预测，然后通过协调计算模块（主要是进行分类器权重的取值计算）将基于Logitboost算法和改进的SVM算法的模型预测结果进行集成，得到预测结果，即

y=αf_Logitoost+(1-α)f_SVM

其中，f_Logitoost(x)、f_SVM(x)分别为基于Logitboost算法和改进的SVM算法的模型预测结果，α为集成模型的权重，二者集成可得出最终预测结果。

根据实验结果确定α的取值：α的取值

$\mathrm{\&alpha;}=\left\{\begin{array}{cc}0.8,& 0<\left|\mathrm{\&Delta;c}\right|<0.5\\ 0.3,& \left|\mathrm{\&Delta;c}\right|\&GreaterEqual;0.5\end{array}\right.,$

其中，Δc为预测结果与柴油凝固点温度的历史数据均值的偏差，T₁为通过Logitboost算法得出的凝固点温度预测值，T₀为与历史柴油凝固点温度平均值。Logitboost方法的错误率为0.33，因此为0.3。

将预测结果与最优操作模式集合进行二次匹配，为各控制点（如图2中控制点1至3所示）寻找最优操作模式进行操作优化；进而，随着工况的不断变化，操作模式匹配可持续调整更新，为操作模式优化提供支撑，实现操作模式的自适应调整。

图3是本实施例的操作模式自适应调整方法的预测结果图。通过图3可观察到，采用流程行业操作模式优化方法优化操作模式后对操作参数的优化，可提高柴油的质量，柴油凝固点温度控制在-12±3摄氏度，显著提高了产品的产量与质量，降低了消耗，取得了很好的应用效果。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

Claims (7)

1.一种基于工况的流程行业操作模式自适应调整方法，其步骤包括：

1)对采集的复杂工业现场的数据进行预处理，并结合工艺分析选取若干变量以描述工况，并根据选择的变量定义最优操作模式集合；

2)通过Logitboost方法建立操作变量的预测模型，并进行指标预测，将预测结果与实测结果比较进行偏差判断；

3)设定偏差判断的阈值，偏差在该阈值内则判定为正常状态，保持当前操作参数不变，与所述最优操作模式集合进行匹配进行操作模式优化；偏差在该阈值外则判定为非正常状态；

4)将判定为非正常状态的样本结合改进的支持向量机方法进行二次预测，将预测结果与所述最优操作模式集合进行二次匹配，寻找最优操作模式进行操作模式优化，并随着工况的不断变化持续更新操作模式匹配，以持续进行操作模式优化。

2.如权利要求1所述的方法，其特征在于：步骤1)所述预处理包括降维、去噪和转换中的一种或多种。

3.如权利要求1所述的方法，其特征在于，步骤1)根据生产过程中的输入条件、状态参数、操作参数以及工艺指标，定义操作模式和最优操作模式，进而确定所述最优操作模式集合。

4.如权利要求1所述的方法，其特征在于，所述步骤2)包括：

2.1)基于步骤1)所得的数据通过反复实验找到一个最优的训练集进行模型训练，得到Logitboost模型；

2.2)采用训练好的Logitboost模型计算每个测试样本，结合模型评估的结果优化模型参数；

2.3)基于Logitboost算法输出预测结果，并与实测结果进行比对，以进行所述偏差判断。

5.如权利要求1所述的方法，其特征在于，所述步骤3)包括：

3.1)定义实测值为P＝{p₁,p₂,…，p_n}，预测值为P’＝{p₁’,p₂’,…，p_n’}，则相对误差为E＝{e₁,e₂,…，e_n}，其中，p_j为实测值，p_j’为预测值，e_j为预测值与实测值的相对误差值；

3.2)定义状态评价函数为S＝k₁e₁+k₂e₂+…+k_ne_n，S≤d时，判断当前操作状态正常，S＞d时，判断当前操作状态不正常，需要进一步自适应调整，其中，k₁,k₂,…k_n为权重，d为设定调整的阈值，均根据统计分析结合经验值设定。

6.如权利要求1所述的方法，其特征在于，所述步骤4)对基于Logitboost算法和改进的支持向量机方法的模型预测结果进行集成，以得到预测结果，即

y＝αf_Logitoost(x)+(1-α)f_SVM(x)，

其中，y为预测结果，f_Logitoost(x)、f_SVM(x)分别为基于Logitboost算法和改进的支持向量机方法的模型预测结果，α为集成模型的权重。

7.如权利要求6所述的方法，其特征在于，所述α的取值为：

$\mathrm{\&alpha;}=\left\{\begin{array}{cc}\mathrm{\&alpha;},& m<\left|\mathrm{\&Delta;c}\right|<n\\ \log \frac{1-\mathrm{\&omega;}}{\mathrm{\&omega;}},& \left|\mathrm{\&Delta;c}\right|\&le;m,n\&le;\left|\mathrm{\&Delta;c}\right|\end{array}\right.,$

其中，Δc为预测结果与历史数据均值的偏差；a为偏差绝对值在m到n的范围内时α的取值；为偏差绝对值在m到n的范围外时α的取值；m，n为根据经验值确定的偏差范围上下限取值；ω为Logitboost方法在其训练集合上的分类错误率。