CN104504271A - 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 - Google Patents
基于独立元相似度的高含硫天然气净化脱硫过程检测方法 Download PDFInfo
- Publication number
- CN104504271A CN104504271A CN201410827060.0A CN201410827060A CN104504271A CN 104504271 A CN104504271 A CN 104504271A CN 201410827060 A CN201410827060 A CN 201410827060A CN 104504271 A CN104504271 A CN 104504271A
- Authority
- CN
- China
- Prior art keywords
- natural gas
- high sulfur
- centerdot
- containing natural
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Industrial Gases (AREA)
- Gas Separation By Absorption (AREA)
Abstract
本发明公开了一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法,该方法按如下步骤进行:约简原始特征,确定表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素:初选M个表征高含硫天然气净化脱硫生产过程工况的原始特征组成原变量组X,筛选出在主元方向投影最大的m个独立元,剔除贡献度较小的变量;将所述原变量组X的样本数据重新组合后,形成新样本数据;从新样本数据中选取样本数据作为训练样本,建立高含硫天然气净化脱硫生产过程工况分类模型,模型输出值对应的高含硫天然气净化脱硫生产过程工况类型即为诊断结果。它能够降低模型复杂度,降低维度,提高模型精度,找出影响高含硫天然气净化异常工况的根本原因。
Description
技术领域
本发明属于高含硫天然气脱硫生产过程故障检测与诊断技术,涉及一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法。
背景技术
高含硫天然气净化脱硫工业流程复杂,过程工艺参数众多,受温度、压力、流量、设备老化和原料气处理量等不确定因素影响,是典型的复杂非线性动态特性化工系统。高含硫天然气净化脱硫过程主要包括以下部分:主吸收塔MDEA溶液吸收酸性组分H2S和CO2,水解反应器脱除(COS),再生塔MDEA溶液的循环再生以及换热过程,具体工艺流过程如图1所示。一旦系统发生异常,如何及时检测故障发生,并追溯工艺操作参数导致故障发生原因,从而为系统故障排查和恢复提供决策,对指导实际工业生产具有重要的现实意义。
原料气处理量负荷波动、脱硫单元吸收塔发泡、硫磺回收装置硫收率下降是高含硫天然气过程常见的三种异常工况。目前高含硫天然气异常工况检测与诊断主要依赖现场生产经验,异常工况发生机理描述的不够透彻,缺乏对高含硫天然气异常工况的检测与诊断机制。
支持向量机是一种通用而有效的分类方法,在故障检测与诊断领域得到广泛应用。然而表征高含硫天然气高含硫天然气工况的特征参数众多且彼此相关性强、不服从高斯分布,为此需要数据降维技术提取工况的关键参数。
核独立元分析在故障诊断中是一种常见的特征分析方法,这种方法是利用非线性映射Φ和Ψ将原始随机向量空间和映射到高维空间和,使得数据在特征空间中成为线性数据,再在特征空间中利用独立成分分析法对变换后的数据提取独立元,实现降维目的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法,它能够降低模型复杂度,降低维度,提高模型精度,找出影响高含硫天然气净化异常工况的根本原因。
本发明的目的是这样实现的:
一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法,该方法按如下步骤进行:
步骤1:约简原始特征,确定表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素:
初步选择M个表征高含硫天然气净化脱硫生产过程工况的原始特征组成原变量组X,X=(x1,x2…,xi,…,xM),其中,x1,x2,…,xi,…,xM为工艺过程参数,采集n组样本,得到XM×n样本矩阵,利用核独立分量分析计算所述原始变量组X的独立元,将所有独立元按独立元在主元空间特征值由大到小排列,筛选出在主元方向投影最大的m个独立元,各独立元在主元空间特征值须大于或等于预设的某一阈值c,筛选出的m个独立元对应了所有原始特征的最少独立元Bj,j=1,2,…,m;
步骤2:按i=1,2,…,M的顺序,依次考察原变量组X中每个变量对高含硫天然气净化脱硫生产过程工况的贡献度:
2.1将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
2.2利用核独立元分析法计算所述待测邻点在主元方向投影最大的m个独立元j=1,2,…,m;
2.3计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
相似性测度考察的是变量xi对单个独立元所代表的样本的影响;若cosj(i)接近1,则说明Bj与的相似度大,变量xi对所述独立元所代表的样本影响小,解释能力小;若cosj(i)较大的偏离1,则说明Bj与的相似度小,变量xi对所述独立元所代表的样本影响大,解释能力大。
2.4计算所述变量xi置零前后在前m个独立元投影总的相似度di,该相似度di与变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度成正比:
总的相似度di考察的是变量xi对所述m个独立元所代表的整个样本的影响,能反映变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度,di越大,变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度越大,di越小,变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度越小。
步骤3:设定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素
剔除贡献度小的变量,可以排除检测诊断过程中的干扰因素,使检测诊断的结果准确率更高。
步骤:4:将所述原变量组的n个样本数据按照最简变量组重新组合后,形成新的n个样本数据;从新的n个样本数据中选取P个样本数据作为训练样本,利用支持向量机建立高含硫天然气净化脱硫生产过程工况分类模型,模型输出值对应的高含硫天然气净化脱硫生产过程工况类型即为诊断结果。
支持向量机在解决非线性及高维模式识别中具有训练时间短、诊断精度更高的优点。
由于采用了上述技术方案,本发明具有如下有益效果:
本发明提供的基于独立元相似度的高含硫天然气净化脱硫过程检测方法能够从生产数据挖掘最能表征高含硫天然气净化脱硫生产过程工况的特征的工艺参数,实现特征约简,克服了核独立分量分析无明确物理意义的缺陷,同时利用具有训练时间短、诊断精确度高的支持向量机建立异常工况诊断模型,更加适合高含硫天然气净化脱硫生产过程工况的在线诊断。降低模型复杂度,降低维度,提高模型精度,找出影响高含硫天然气净化异常工况的根本原因。
附图说明
图1为某高含硫天然气脱硫模拟工艺流程图;
图2为本发明的流程图。
附图标记
图2中,1水解反应器进料分离器;2水解反应器预热器;3水解反应器;4水解反应器进/出料换热器;5水解反应器后冷器;6二级吸收塔;7一级吸收塔;8贫胺液泵;9中间胺液泵;10中间胺液冷却器;11贫胺液后冷器;12再生塔;13再生塔顶空冷器;14胺液再生塔顶回流罐;15酸水回流泵;16再生塔底贫胺液泵;17贫富液换热器;18贫胺液空冷器;19胺液闪蒸罐;Feedgas:原料天然气;Treatedgas:净化气;Acidgas:酸气。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
实施例1:
参见图1,一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法,该方法按如下步骤进行:
步骤1:约简原始特征,确定表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素:
初步选择M个表征高含硫天然气净化脱硫生产过程工况的原始特征组成原变量组X,X=(x1,x2…,xi,…,xM),其中,x1,x2,…,xi,…,xM为工艺过程参数,采集n组样本,得到XM×n样本矩阵,利用核独立分量分析计算所述原始变量组X的独立元,将所有独立元按独立元在主元空间特征值由大到小排列,筛选出在主元方向投影最大的m个独立元,各独立元在主元空间特征值须大于或等于预设的某一阈值c,筛选出的m个独立元对应了所有原始特征的最少独立元Bj,j=1,2,…,m;
步骤2:按i=1,2,…,M的顺序,依次考察原变量组X中每个变量对高含硫天然气净化脱硫生产过程工况的贡献度:
2.1将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
2.2利用核独立元分析法计算所述待测邻点在主元方向投影最大的m个独立元j=1,2,…,m;
2.3计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
相似性测度考察的是变量xi对单个独立元所代表的样本的影响;若cosj(i)接近1,则说明Bj与的相似度大,变量xi对所述独立元所代表的样本影响小,解释能力小;若cosj(i)较大的偏离1,则说明Bj与的相似度小,变量xi对所述独立元所代表的样本影响大,解释能力大。
2.4计算所述变量xi置零前后在前m个独立元投影总的相似度di,该相似度di与变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度成正比:
总的相似度di考察的是变量xi对所述m个独立元所代表的整个样本的影响,能反映变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度,di越大,变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度越大,di越小,变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度越小。
步骤3:设定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素
剔除贡献度小的变量,可以排除检测诊断过程中的干扰因素,使检测诊断的结果准确率更高。
步骤:4:将所述原变量组的n个样本数据按照最简变量组重新组合后,形成新的n个样本数据;从新的n个样本数据中选取P个样本数据作为训练样本,利用支持向量机建立高含硫天然气净化脱硫生产过程工况分类模型,模型输出值对应的高含硫天然气净化脱硫生产过程工况类型即为诊断结果。
支持向量机在解决非线性及高维模式识别中具有训练时间短、诊断精度更高的优点。
以某高含硫天然气净化厂脱硫装置的生产数据进行分析,监控数据来自DCS系统。选取某一个月744组数据进行影响因素分析,选取脱硫吸收塔胺液入口管流量x1(t/h)、尾气吸收塔胺液入口管流量x2(t/h)、原料气处理量x3(kNm3/h)、半富胺液的循环量x4(t/h)、一级吸收塔胺液入口温度x5(℃)、二级吸收塔胺液入口温度x6(℃)、闪蒸罐压力x7(MPa)、重沸器A入口蒸气消耗量x8(kg/h)、重沸器B入口蒸气消耗量x9(kg/h)和蒸气预热器流量x10(t/h)。采样数据如表1所示。输出的工况类型有原料气处理量负荷波动、脱硫单元吸收塔发泡、硫磺回收装置硫收率下降3中异常工况和正常工况。将这5中槽况诊断类型作为支持向量机期望分类输出。如表2所示。
表1某净化厂脱硫工艺操作参数与观测参数数据列表
表2支持向量机期望分类输出
利用核独立元分析法计算原变量组的独立元,核函数采用高斯核,核参为3600,选择在主元空间大于c(c=10-4)的前234个独立元。
依次考察10个原始特征置零前后第j个主元的相似性测度cosj(i),j=1,2,…,234,每个原始特征得到244个相似性测度值。
接着,计算每个原始特征置零前后在前244个主元投影的总的相似度di,即计算每个原始特征对表征高含硫天然气净化脱硫过程工况的贡献度。每个变量的d值如表3所示:
表3FNN计算相关性
选取贡献度阈值Δd为0.3,由表4可知,系脱硫吸收塔胺液入口管流量x1、尾气吸收塔胺液入口管流量x2、原料气处理量x3、半富胺液的循环量x4、一级吸收塔胺液入口温度x5、二级吸收塔胺液入口温度x6、闪蒸罐压力x7、重沸器A入口蒸气消耗量x8共8种变量贡献度较大,将作为支持向量机的输入变量得以保留,蒸气预热器流量x9和x10变量被剔除。
然后挑选80个样本中的前60个作为训练样本,后20个作为预测样本先进行训练,其结果对20个测试样本进行测试,其分类准确率达到95%。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种基于独立元相似度的高含硫天然气净化脱硫过程检测方法,其特征在于该方法按如下步骤进行:
步骤1:约简原始特征,确定表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素:
初步选择M个表征高含硫天然气净化脱硫生产过程工况的原始特征组成原变量组X,X=(x1,x2…,xi,…,xM),其中,x1,x2,…,xi,…,xM为工艺过程参数,采集n组样本,得到XM×n样本矩阵,利用核独立分量分析计算所述原始变量组X的独立元,将所有独立元按独立元在主元空间特征值由大到小排列,筛选出在主元方向投影最大的m个独立元,各独立元在主元空间特征值须大于或等于预设的某一阈值c,筛选出的m个独立元对应了所有原始特征的最少独立元Bj,j=1,2,…,m;
步骤2:按i=1,2,…,M的顺序,依次考察原变量组X中每个变量对高含硫天然气净化脱硫生产过程工况的贡献度:
2.1将原变量组X中的变量xi置零,得到一个新的变量组,即待测邻点
2.2利用核独立元分析法计算所述待测邻点在主元方向投影最大的m个独立元j=1,2,…,m;
2.3计算所述变量xi置零前后第j个主元的相似性测度cosj(i),j=1,2,…,m:
2.4计算所述变量xi置零前后在前m个独立元投影总的相似度di,该相似度di与变量xi对表征高含硫天然气净化脱硫生产过程工况的贡献度成正比:
步骤3:设定贡献度阈值Δd,剔除小于贡献度阈值Δd的di对应的变量xi,剩下的变量组成表征高含硫天然气净化脱硫生产过程工况特征的根本影响因素
步骤:4:将所述原变量组的n个样本数据按照最简变量组重新组合后,形成新的n个样本数据;从新的n个样本数据中选取P个样本数据作为训练样本,利用支持向量机建立高含硫天然气净化脱硫生产过程工况分类模型,模型输出值对应的高含硫天然气净化脱硫生产过程工况类型即为诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410827060.0A CN104504271A (zh) | 2014-12-25 | 2014-12-25 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410827060.0A CN104504271A (zh) | 2014-12-25 | 2014-12-25 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504271A true CN104504271A (zh) | 2015-04-08 |
Family
ID=52945668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410827060.0A Pending CN104504271A (zh) | 2014-12-25 | 2014-12-25 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504271A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021899A (zh) * | 2016-05-16 | 2016-10-12 | 重庆科技学院 | 高含硫天然气脱硫能效量化评价方法 |
CN108388221A (zh) * | 2018-03-21 | 2018-08-10 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033213A (zh) * | 2012-12-18 | 2013-04-10 | 重庆科技学院 | 基于RReliefF变量选择的生产过程主导变量精简化软测量方法 |
CN103103570A (zh) * | 2013-01-30 | 2013-05-15 | 重庆科技学院 | 基于主元相似性测度的铝电解槽况诊断方法 |
CN103952724A (zh) * | 2014-04-22 | 2014-07-30 | 重庆科技学院 | 用于铝电解槽况故障诊断的优化权重相对主元分析方法 |
-
2014
- 2014-12-25 CN CN201410827060.0A patent/CN104504271A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033213A (zh) * | 2012-12-18 | 2013-04-10 | 重庆科技学院 | 基于RReliefF变量选择的生产过程主导变量精简化软测量方法 |
CN103103570A (zh) * | 2013-01-30 | 2013-05-15 | 重庆科技学院 | 基于主元相似性测度的铝电解槽况诊断方法 |
CN103952724A (zh) * | 2014-04-22 | 2014-07-30 | 重庆科技学院 | 用于铝电解槽况故障诊断的优化权重相对主元分析方法 |
Non-Patent Citations (4)
Title |
---|
TAIFU LI等: "reduction of secondary variables on soft-sensing model based on similarity in feature subspace", 《PROCEEDINGS OF THE 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
YUANCHENG LI等: "an intrusion detection method based on KICA and SVM", 《PROCEEDINGS OF THE 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
蔡连芳等: "一种基于改进KICA的非高斯过程故障检测方法", 《化工学报》 * |
邱奎等: "高含硫天然气脱硫操作条件对能耗影响的模拟研究", 《石油化工(石油加工)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021899A (zh) * | 2016-05-16 | 2016-10-12 | 重庆科技学院 | 高含硫天然气脱硫能效量化评价方法 |
CN106021899B (zh) * | 2016-05-16 | 2018-11-02 | 重庆科技学院 | 高含硫天然气脱硫能效量化评价方法 |
CN108388221A (zh) * | 2018-03-21 | 2018-08-10 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN108388221B (zh) * | 2018-03-21 | 2019-06-21 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
CN112216351B (zh) * | 2020-09-23 | 2024-02-13 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
CN112634995B (zh) * | 2020-12-21 | 2024-05-31 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104656635B (zh) | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 | |
CN104635724B (zh) | 基于动态核独立分量分析的天然气净化过程异常检测方法 | |
CN104636600A (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
CN104656441A (zh) | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 | |
Wang | Systems engineering | |
CN104657586A (zh) | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN104504271A (zh) | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 | |
CN108647373A (zh) | 一种基于xgboost模型的工业过程软测量方法 | |
CN101251564A (zh) | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN102289682A (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
CN101907665A (zh) | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN107528317A (zh) | 一种电力系统暂态稳定分析方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
CN104536439A (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
CN111259523B (zh) | 基于kpca-cva模型和随机算法的过程监测方法 | |
CN104574221B9 (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
CN103472732A (zh) | 一种改进的基于马氏距离的多变量控制器性能监控方法 | |
CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
CN103901855A (zh) | 一种不等长批次条件下青霉素生产过程核学习监测方法 | |
CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |
|
WD01 | Invention patent application deemed withdrawn after publication |