CN106054832A - 基于多变量的间歇化工生产过程动态在线监测方法与装置 - Google Patents
基于多变量的间歇化工生产过程动态在线监测方法与装置 Download PDFInfo
- Publication number
- CN106054832A CN106054832A CN201610397296.4A CN201610397296A CN106054832A CN 106054832 A CN106054832 A CN 106054832A CN 201610397296 A CN201610397296 A CN 201610397296A CN 106054832 A CN106054832 A CN 106054832A
- Authority
- CN
- China
- Prior art keywords
- principal component
- time data
- data
- real
- production
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000004540 process dynamic Methods 0.000 title abstract description 3
- 238000012824 chemical production Methods 0.000 title abstract 3
- 238000010923 batch production Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000000513 principal component analysis Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 104
- 238000001311 chemical methods and process Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000000470 constituent Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于多变量的间歇化工生产过程动态在线监测方法与装置。该方法包括：通过数据库获取并存储数据步骤；间歇生产结束判定步骤；确定间歇生产工序步骤；获取历史数据步骤；数据清洗步骤；基于多变量的主元分析步骤；判断两个主成分贡献率步骤；确定第一、第二主成分步骤；计算第一和第二主成分得分步骤；生成正常运行模式步骤；获取第一主成分实时数据步骤；获取第二主成分实时数据步骤；计算第一、第二主成分实时得分步骤；运行模式判定步骤；运行模式报警步骤。本发明克服了化工生产过程中常见的各关键变量均在控制范围但是产品质量依旧出现问题、且无法进行根本原因分析的困难，提高了间歇过程优化的控制精度和产品一次合格率。
Description
技术领域
本发明涉及化工、冶金、制造等领域，特别是涉及一种适用于间歇型化工生产企业基于多变量的过程动态在线监测方法和装置。
背景技术
间歇生产过程是以顺序的操作步骤进行产品批量生产的过程，如精细化学品、医药、生物化学品、聚合物等生产过程。作为工业生产中一种重要的生产方式，间歇工业过程与现代人的生活息息相关，被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域，具有举足轻重的地位和作用。近年来，现代社会瞬息万变的市场对多品种、多规格和高质量产品提出了更迫切的需求，使得现代过程工业更加倚重于生产小批量、高附加值产品的间歇过程，在工业生产中扮演着越来越重要的角色。与连续工业生产过程相比，间歇生产的过程特性更为复杂。同一批次运行周期内又分成多个时段，过程变量的运行轨迹随着时间不断变化，在不同的时段中呈现出不同的过程相关特性。因此，在实时监控和动态优化过程中多变量、多工序问题是经常会遇到的，变量和工序太多，无疑会增加分析问题的难度与复杂性。如果仅用单一指标对间歇生产过程进行监控和分析，得到的结论过于片面且没有充分利用原有数据信息；考虑利用所有指标，则各指标评价的结论可能不一致，使综合评价困难，且工作量巨大。
以目前广泛使用的间歇化工生产过程在线监测方法为例，全过程针对各工序、各个变量进行独立监控后单独判断各自是否在正常工作范围。图1示出了现有技术中化工企业的在线监测方法，全过程针对各个变量的独立监控：未考虑各个工艺指标虽然都在控制范围，但这些指标在某些特定组合条件下生产出不合格产品的可能；监控过程中会频繁产生虚假报警信息。
在间歇化工生产许多实际问题中，各工序多个变量之间是具有一定的相关关系的。能否在每个工序考虑找出几个综合指标，这些综合指标是由原始指标的线性组合而来，既保留了原始指标的信息，且相互独立；衡量一个指标的好坏除了正确性与精确性外，还必须能充分反映个体间的变异，即指标能提供显著的个体区分度，一项指标在个体间的变异越大，提供的“信息量”就越多。事实上，这种想法是可以实现的，主成分分析方法就是综合处理这种问题的一种强有力的工具，从数学角度来看，这是一种降维处理技术。主分量(主成分)分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，将该方法应用于间歇化工生产从而实现基于多变量的动态在线模式监测。
发明内容
基于上述现有技术存在的缺陷，需要提供一种基于多变量的间歇化工生产过程动态在线监测方法与装置，其能够解决目前间歇化工生产过程中仍就采用固定上下限对各工序中各关键控制变量进行独立在线监测、无法实现多维度全方位综合监测的难题，从而通过对于化工生产“大数据”的分析与应用极大地提高间歇过程优化的控制精度和产品一次合格率。
为解决上述技术问题，作为本发明的一个方面，提供了一种基于多变量的间歇化工生产过程动态在线监测方法，其特征在于，包括：等待生产计划步骤，等待某牌号产品的生产指令；初始条件设置步骤，收到生产指令后设置该牌号产品生产工序判断条件；通过数据库获取并存储数据步骤，利用实时数据库所具备的功能获取实时数据并存储形成历史数据；间歇生产结束判定步骤，根据设定条件从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束；确定间歇生产工序步骤，根据设定条件从实时数据库中获取的数据判断目前间歇生产过程所处的工序；获取历史数据步骤，指该工序下，从实时数据库中获取已经存储的历史数据；数据清洗步骤，指该工序下，剔除所获取历史数据中生产处于异常、装置未开车等状态下的异常值；基于多变量的主元分析步骤，指该工序下，利用统计理论中的主成分分析算法寻找第一主成分和第二主成分；判断两个主成分贡献率步骤，指该工序下，判断所得到第一主成分和第二主成分的累加贡献率是否达到确定正常生产模式所需的精度要求；确定第一主成分步骤，指该工序下，得出用于描述正常生产模式的第一主成分表达式；确定第二主成分步骤，指该工序下，得出用于描述正常生产模式的第二主成分表达式；计算第一主成分得分步骤，指该工序下，将历史数据代入第一主成分表达式后得到相对应的第一主成分得分矩阵；计算第二主成分得分步骤，指该工序下，将历史数据代入第二主成分表达式后得到相对应的第二主成分得分矩阵；生成正常运行模式步骤，指该工序下，基于第一主成分得分矩阵和第二主成分得分矩阵生成用于描述正常生产模式的封闭区域；获取第一主成分实时数据步骤，指该工序下，从实时数据库中获取用于描述第一主成分的关键控制变量的实时数据；获取第二主成分实时数据步骤，指该工序下，从实时数据库中获取用于描述第二主成分的关键控制变量的实时数据；计算第一主成分实时得分步骤，指该工序下，基于所获取的实时数据和已经确定的第一主成分表达式计算实时得分；计算第二主成分实时得分步骤，指该工序下，基于所获取的实时数据和已经确定的第二主成分表达式计算实时得分；运行模式判定步骤，指该工序下，基于第一主成分实时得分和第二主成分实时得分，判断其目前位置是否处于所生成的用于描述正常生产模式的封闭区域；运行模式报警步骤，指该工序下，当目前生产模式处于正常生产模式的区域外触发报警信号。
优选地，进一步包括运行结果显示步骤，实时显示该工序下基于第一主成分和第二主成分实时得分所生成坐标处于封闭区域的位置。
优选地，所述初始条件设置步骤，初始化的设定条件包括该牌号产品的全部生产工序的结束标志和其各个工序的开始与结束标志，设定条件随着产品牌号不同而不同。
优选地，所述间歇生产结束判定步骤，用于根据设定条件和从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束。
优选地，所述确定间歇生产工序步骤，当判断间歇生产过程尚未结束，用于根据设定条件和从实时数据库中获取的数据确定间歇生产过程目前所处的工序。
优选地，该工序下，所述用于数据清洗步骤的生产处于异常、装置未开车等状态的判定可通过查阅生产操作记录人工完成或设定判断逻辑自动完成。
优选地，该工序下，所述基于多变量的主元分析步骤，同时生产第一主成分和第二主成分的贡献率。
优选地，所述的判断两个主成分贡献率步骤，将所得到的第一主成分和第二主成分贡献率进行累加，累加结果大于等于80％则达到确定正常生产模式所需的精度要求；反之则不满足精度要求，需要重新获取历史数据后继续寻找。
优选地，所述的确定第一主成分步骤，所确定的第一主成分是该工序化工生产过程关键控制变量的线性组合：
a0+a1x1+a2x2+…+akxk，
其中，[a0…ak]是第一主成分系数矩阵。
优选地，所述的确定第二主成分步骤，所确定的第二主成分是该工序化工生产过程关键控制变量的线性组合：
b0+b1x1+b2x2+…+bjxj，
其中，[b0…bj]是第二主成分系数矩阵。
本发明还提供了一种基于多变量的间歇化工生产过程动态在线监测装置，其特征在于，该装置包括：生产计划模块，用于接收某牌号产品的生产指令；条件设置模块，用于设置该牌号产品不同生产工序的判断条件；数据存储模块，用于获取实时数据并存储后形成历史数据；第一判断模块，判断间歇生产是否结束；确定工序模块，用于确定当前间歇生产所处的工序；历史数据获取模块，用于读取数据存储模块中该工序的历史数据；数据处理模块，即数据预处理，用于剔除所获取该工序历史数据中的异常值；主元分析模块，用于计算经过数据预处理后、代表正常生产状态下该工序的第一主成分和第二主成分；第一判断模块，用于判断计算所得的该工序第一主成分和第二主成分的累计贡献率是否满足模型精度要求；第一主元生成模块，用于得到描述该工序正常生产模式的第一主成分表达式；第二主元生成模块，用于得到描述该工序正常生产模式的第二主成分表达式；第一主元历史得分计算模块，用于将该工序历史数据代入第一主成分表达式后计算历史得分，得到Y坐标；第二主元历史得分计算模块，用于将该工序历史数据代入第二主成分表达式后计算历史得分，得到X坐标；正常生产运行模式生成模块，用于基于第二主元历史得分(X坐标)和第一主元历史得分(Y坐标)生成对应的散点图并连接形成封闭区域，该区域代表该工序正常生产运行模式；实时数据获取模块，用于获取该工序第一主成分表达式和第二主成分表达式中所涉及关键控制变量的实时值；第一主元实时得分计算模块，用于将所获取该工序的实时数据代入第一主成分表达式并计算，计算结果为Y坐标值；第二主元实时得分计算模块，用于将所获取该工序的实时数据代入第二主成分表达式并计算，计算结果为X坐标值；第三判断模块，用于判断该工序实时得分计算结果(X，Y)是否属于所生成正常生产运行模式的封闭区域；报警模块，用于在实时得分计算结果不属于该工序正常生产运行模式时，即处于封闭区域外，触发报警信号。
优选地，进一步包括显示模块用于实时显示各工序第一主成分和第二主成分得分计算结果与正常生产运行模式封闭区域间的位置关系。
优选地，所述条件设置模块能够完成设置的条件包括该牌号产品的全部间歇生产工序的结束标志和其各个工序的开始与结束标志，设定条件随着产品牌号不同而改变。
优选地，所述第一判断模块根据设定条件和从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束。
优选地，所述确定工序模块在确认间歇生产在进行过程中后，进一步根据设定条件和从实时数据库中获取的数据用于详细确定生产目前所处的工序。
优选地，所述数据处理模块通过查阅生产操作记录人工完成或设定判断逻辑自动完成该工序生产处于异常、装置未开车等状态下的数据剔除。
优选地，所述主元分析模块同步计算得到该工序第一主成分和和第二主成分的贡献率。
优选地，所述第二判断模块判断该工序第一主成分和第二主成分贡献率累加结果是否大于等于80％；大于等于则达到确定正常生产模式所需的精度要求；反之则不满足精度要求，需要重新获取历史数据后继续寻找。
优选地，所述实时数据获取模块获取的实时数据包括该工序第一主成分和第二主成分所包含的关键控制变量。
优选地，所述报警信号可包括手机短信、电子邮件或现场声光。
该方法和装置解决了目前间歇化工生产过程中仍就采用固定上下限对各工序、各关键控制变量进行独立在线监测、无法实现多维度全方位综合监测的难题，克服了化工生产过程中常见的各关键变量均在控制范围但是产品质量依旧出现问题、且无法进行根本原因分析的困难，通过对于化工生产“大数据”的分析与应用极大地提高了间歇过程优化的控制精度和产品一次合格率。
附图说明
图1给出了现有技术中间歇化工生产过程在线监控的示意图；
图2给出了本发明的基于多变量的间歇化工生产过程动态在线监测方法和装置的总体示意图；
图3给出了本发明的基于多变量的间歇化工生产过程动态在线监测方法的优选实施示意图；
图4给出了本发明的基于多变量的间歇化工生产过程动态在线监测装置的优选实施示意图。
具体实施方式
以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图2，其示出本发明的基于多变量的间歇化工生产过程动态在线监测方法，该监测方法包括以下步骤：
等待生产计划步骤，等待某牌号产品的生产指令；
初始条件设置步骤，收到生产指令后设置该牌号产品生产工序判断条件；
通过数据库获取并存储数据步骤，利用实时数据库所具备的功能获取实时数据并存储形成历史数据；
间歇生产结束判定步骤，根据设定条件从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束；
确定间歇生产工序步骤，根据设定条件从实时数据库中获取的数据判断目前间歇生产过程所处的工序；
获取历史数据步骤，指该工序下，从实时数据库中获取已经存储的历史数据；
数据清洗步骤，指该工序下，剔除所获取历史数据中生产处于异常、装置未开车等状态下的异常值；
基于多变量的主元分析步骤，指该工序下，利用统计理论中的主成分分析算法寻找第一主成分和第二主成分；
判断两个主成分贡献率步骤，指该工序下，判断所得到第一主成分和第二主成分的累加贡献率是否达到确定正常生产模式所需的精度要求；
确定第一主成分步骤，指该工序下，得出用于描述正常生产模式的第一主成分表达式；
确定第二主成分步骤，指该工序下，得出用于描述正常生产模式的第二主成分表达式；
计算第一主成分得分步骤，指该工序下，将历史数据代入第一主成分表达式后得到相对应的第一主成分得分矩阵；
计算第二主成分得分步骤，指该工序下，将历史数据代入第二主成分表达式后得到相对应的第二主成分得分矩阵；
生成正常运行模式步骤，指该工序下，基于第一主成分得分矩阵和第二主成分得分矩阵生成用于描述正常生产模式的封闭区域；
获取第一主成分实时数据步骤，指该工序下，从实时数据库中获取用于描述第一主成分的关键控制变量的实时数据；
获取第二主成分实时数据步骤，指该工序下，从实时数据库中获取用于描述第二主成分的关键控制变量的实时数据；
计算第一主成分实时得分步骤，指该工序下，基于所获取的实时数据和已经确定的第一主成分表达式计算实时得分；
计算第二主成分实时得分步骤，指该工序下，基于所获取的实时数据和已经确定的第二主成分表达式计算实时得分；
运行模式判定步骤，指该工序下，基于第一主成分实时得分和第二主成分实时得分，判断其目前位置是否处于所生成的用于描述正常生产模式的封闭区域；
运行模式报警步骤，指该工序下，当目前生产模式处于正常生产模式的区域外触发报警信号。
显示步骤，实时显示各工序基于第一主成分和第二主成分实时得分所生成坐标处于封闭区域的位置。
通常情况下，在实施本发明时，所述用于数据清洗步骤的该工序生产处于异常、装置未开车等状态的判定可通过查阅生产操作记录人工完成或设定判断逻辑自动完成；基于多变量的主元分析步骤同时生产该工序第一主成分和第二主成分的贡献率；判断两个主成分贡献率步骤将所得到的第一主成分和第二主成分贡献率进行累加，累加结果大于等于80％则达到确定正常生产模式所需的精度要求，反之则不满足精度要求，需要重新获取历史数据后继续寻找；所确定的第一主成分和第二主成分是间歇化工生产过程该工序关键控制变量的线性组合；正常运行模式是基于所得到的该工序第二主成分X坐标和第一主成分Y坐标画出二维散点图并连接形成封闭区域[XPrin2，YPrin1]，该封闭区域即为间歇正常生产模式。
根据间歇型化工企业对于生产过程实际动态在线监控要求，将实时数据代入各工序第一主成分和第二主成分表达式后计算分别得到即时Y坐标、X坐标，基于所得到的各工序正常生产模式封闭区域、第一主成分实时得分(Y坐标)和第二主成分实时得分(X坐标)，判断当前工序生产是否处于正常生产模式：(X，Y)∈[XPrin2，YPrin1]则当前生产处于正常模式；反之则反。
该方法和装置解决了目前间歇化工生产过程中仍就采用固定上下限对各关键控制变量进行独立在线监测、无法实现多维度全方位综合监测的难题。该方法和装置把原来多个变量划为少数几个综合指标的一种统计分析方法，将该方法应用于间歇化工生产从而实现基于多变量的动态在线模式监测。
图3示出本发明上述监测方法的具体实施例。如图3所示，首先某牌号产品的生产指令输入后，根据该牌号产品设置工序判断条件，包括全部生产工序的结束标志和各个工序开始停止标志信息；读取数据存储模块中的实时数据判断当前间歇生产所有工序是否全部完成；如果工序未全部完成，则进一步根据标志位确定当前所处的生产工序；从数据库中获取该工序的历史数据后剔除所获取数据中的异常值；计算经过数据预处理后、代表正常生产状态下该工序的第一主成分和第二主成分，及各自的贡献率；判断计算所得的该工序第一主成分和第二主成分的累计贡献率是否满足模型精度要求，满足精度要求后得到描述该工序正常生产模式的第一主成分和第二主成分表达式；将历史数据代入该工序第一主成分表达式和第二主成分表达式后分别计算历史得分，得到Y坐标和X坐标；基于第二主元历史得分(X坐标)和第一主元历史得分(Y坐标)生成对应的散点图并连接形成封闭区域，该区域代表该工序正常生产运行模式；获取第一主成分表达式和第二主成分表达式中该工序所涉及关键控制变量的实时值；将所获取的实时数据代入第一主成分表达式和第二主成分表达式并计算，计算结果为Y坐标值和X坐标；实时显示得分计算结果(X，Y)是否属于所生成该工序正常生产运行模式的封闭区域，当结果不属于正常生产运行模式时，即处于封闭区域外，触发报警信号。
作为本发明的另一方面，本发明还提供了一种装置，参见图2和图4所示，图4示出的装置与图3示出的监测方法对应，该装置包括：
生产计划模块，用于接收某牌号产品的生产指令；
条件设置模块，用于设置该牌号产品不同生产工序的判断条件；
数据存储模块，用于获取实时数据并存储后形成历史数据；
第一判断模块，判断间歇生产是否结束；
确定工序模块，用于确定当前间歇生产所处的工序；
历史数据获取模块，用于读取数据存储模块中该工序的历史数据；
数据处理模块，即数据预处理，用于剔除所获取该工序历史数据中的异常值；
主元分析模块，用于计算经过数据预处理后、代表正常生产状态下该工序的第一主成分和第二主成分；
第一判断模块，用于判断计算所得的该工序第一主成分和第二主成分的累计贡献率是否满足模型精度要求；
第一主元生成模块，用于得到描述该工序正常生产模式的第一主成分表达式；
第二主元生成模块，用于得到描述该工序正常生产模式的第二主成分表达式；
第一主元历史得分计算模块，用于将该工序历史数据代入第一主成分表达式后计算历史得分，得到Y坐标；
第二主元历史得分计算模块，用于将该工序历史数据代入第二主成分表达式后计算历史得分，得到X坐标；
正常生产运行模式生成模块，用于基于第二主元历史得分(X坐标)和第一主元历史得分(Y坐标)生成对应的散点图并连接形成封闭区域，该区域代表该工序正常生产运行模式；
实时数据获取模块，用于获取该工序第一主成分表达式和第二主成分表达式中所涉及关键控制变量的实时值；
第一主元实时得分计算模块，用于将所获取该工序的实时数据代入第一主成分表达式并计算，计算结果为Y坐标值；
第二主元实时得分计算模块，用于将所获取该工序的实时数据代入第二主成分表达式并计算，计算结果为X坐标值；
第三判断模块，用于判断该工序实时得分计算结果(X，Y)是否属于所生成正常生产运行模式的封闭区域；
报警模块，用于在实时得分计算结果不属于该工序正常生产运行模式时，即处于封闭区域外，触发报警信号。
显示模块，用于实时显示各工序第一主成分和第二主成分得分计算结果与正常生产运行模式封闭区域间的位置关系。
上述，生产计划模块基于化工生产分布式控制系统实现相关功能；条件设置模块、数据存储模块、第一判断模块、确定工序模块历史数据获取模块、数据处理模块、第二判断模块和实时数据获取模块，均基于实时数据库系统实现相关功能；主元分析模块、第二判断模块、第一主元生成模块、第二主元生成模块、第一主元历史得分计算模块、第二主元历史得分计算模块、正常生产运行模式生成模块、第一主元实时得分计算模块、第二主元实时得分计算模块、显示模块、第三判断模块和报警模块，均基于数据分析软件实现相关功能；分布式控制系统、实时数据库系统和数据分析软件通过标准通讯接口进行数据交互。
本发明克服了化工生产过程中常见的各关键变量均在控制范围但是产品质量依旧出现问题、且无法进行根本原因分析的困难，通过对于化工生产“大数据”的分析与应用极大地提高了间歇过程优化的控制精度和产品一次合格率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多变量的间歇化工生产过程动态在线监测方法，其特征在于，包括：
等待生产计划步骤，等待某牌号产品的生产指令；
初始条件设置步骤，收到生产指令后设置该牌号产品生产工序判断条件；
通过数据库获取并存储数据步骤，利用实时数据库所具备的功能获取实时数据并存储形成历史数据；
间歇生产结束判定步骤，根据设定条件从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束；
确定间歇生产工序步骤，根据设定条件从实时数据库中获取的数据判断目前间歇生产过程所处的工序；
获取历史数据步骤，用于从实时数据库中获取已经存储的历史数据；
数据清洗步骤，用于剔除所获取历史数据中生产处于异常、装置未开车等状态下的异常值；
基于多变量的主元分析步骤，用于利用统计理论中的主成分分析算法寻找第一主成分和第二主成分；
判断两个主成分贡献率步骤，用于判断所得到第一主成分和第二主成分的累加贡献率是否达到确定正常生产模式所需的精度要求；
确定第一主成分步骤，用于得出用于描述正常生产模式的第一主成分表达式；
确定第二主成分步骤，用于得出用于描述正常生产模式的第二主成分表达式；
计算第一主成分得分步骤，用于将历史数据代入第一主成分表达式后得到相对应的第一主成分得分矩阵；
计算第二主成分得分步骤，用于将历史数据代入第二主成分表达式后得到相对应的第二主成分得分矩阵；
生成正常运行模式步骤，用于基于第一主成分得分矩阵和第二主成分得分矩阵生成用于描述正常生产模式的封闭区域；
获取第一主成分实时数据步骤，用于从实时数据库中获取用于描述第一主成分的关键控制变量的实时数据；
获取第二主成分实时数据步骤，用于从实时数据库中获取用于描述第二主成分的关键控制变量的实时数据；
计算第一主成分实时得分步骤，用于基于所获取的实时数据和已经确定的第一主成分表达式计算实时得分；
计算第二主成分实时得分步骤，用于基于所获取的实时数据和已经确定的第二主成分表达式计算实时得分；
运行模式判定步骤，用于基于第一主成分实时得分和第二主成分实时得分，判断其目前位置是否处于所生成的用于描述正常生产模式的封闭区域；
运行模式报警步骤，用于当目前生产模式处于正常生产模式的区域外触发报警信号。
2.根据权利要求1所述的方法，其特征在于，进一步包括运行结果显示步骤，实时显示该工序下基于第一主成分和第二主成分实时得分所生成坐标处于封闭区域的位置。
3.根据权利要求1所述的方法，其特征在于，所述初始条件设置步骤，初始化的设定条件包括该牌号产品的全部生产工序的结束标志和其各个工序的开始与结束标志，设定条件随着产品牌号不同而不同。
4.根据权利要求1所述的方法，其特征在于，所述间歇生产结束判定步骤，用于根据设定条件和从实时数据库中获取的数据判断该牌号的间歇生产过程是否结束。
5.根据权利要求1所述的方法，其特征在于，所述确定间歇生产工序步骤，当判断间歇生产过程尚未结束，用于根据设定条件和从实时数据库中获取的数据确定间歇生产过程目前所处的工序。
6.根据权利要求1所述的方法，其特征在于，所述用于数据清洗步骤的生产处于异常、装置未开车等状态的判定可通过查阅生产操作记录人工完成或设定判断逻辑自动完成。
7.根据权利要求1所述的方法，其特征在于，所述基于多变量的主元分析步骤，同时生产第一主成分和第二主成分的贡献率。
8.根据权利要求1所述的方法，其特征在于，所述的判断两个主成分贡献率步骤，将所得到的第一主成分和第二主成分贡献率进行累加，累加结果大于等于80％则达到确定正常生产模式所需的精度要求；反之则不满足精度要求，需要重新获取历史数据后继续寻找。
9.根据权利要求1所述的方法，其特征在于，所述的确定第一主成分步骤，所确定的第一主成分是该工序化工生产过程关键控制变量的线性组合：
a0+a1x1+a2x2+…+akxk，
其中，[a0…ak]是第一主成分系数矩阵。
10.根据权利要求1所述的方法，其特征在于，所述的确定第二主成分步骤，所确定的第二主成分是该工序化工生产过程关键控制变量的线性组合：
b0+b1x1+b2x2+…+bjxj，
其中，[b0…bj]是第二主成分系数矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610397296.4A CN106054832B (zh) | 2016-06-07 | 2016-06-07 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610397296.4A CN106054832B (zh) | 2016-06-07 | 2016-06-07 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106054832A true CN106054832A (zh) | 2016-10-26 |
| CN106054832B CN106054832B (zh) | 2020-01-21 |
Family
ID=57170485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610397296.4A Active CN106054832B (zh) | 2016-06-07 | 2016-06-07 | 基于多变量的间歇化工生产过程动态在线监测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106054832B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019178948A1 (zh) * | 2018-03-21 | 2019-09-26 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
| CN111679643A (zh) * | 2020-06-28 | 2020-09-18 | 中国矿业大学 | 一种二阶修正自适应间歇过程优化方法 |
| US11120350B2 (en) | 2018-03-21 | 2021-09-14 | Jiangnan University | Multilevel pattern monitoring method for industry processes |
| CN113419502A (zh) * | 2021-08-23 | 2021-09-21 | 山东大拇指喷雾设备有限公司 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105004542A (zh) * | 2015-07-15 | 2015-10-28 | 浙江中烟工业有限责任公司 | 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法 |
| CN105388876A (zh) * | 2015-12-22 | 2016-03-09 | 蓝星（北京）技术中心有限公司 | 获得基于班组的间歇型化工生产工艺符合度的方法及装置 |
| CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
| CN103853152B (zh) * | 2014-03-21 | 2016-08-17 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
-
2016
- 2016-06-07 CN CN201610397296.4A patent/CN106054832B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103853152B (zh) * | 2014-03-21 | 2016-08-17 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
| CN105004542A (zh) * | 2015-07-15 | 2015-10-28 | 浙江中烟工业有限责任公司 | 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法 |
| CN105388876A (zh) * | 2015-12-22 | 2016-03-09 | 蓝星（北京）技术中心有限公司 | 获得基于班组的间歇型化工生产工艺符合度的方法及装置 |
| CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019178948A1 (zh) * | 2018-03-21 | 2019-09-26 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
| US11120350B2 (en) | 2018-03-21 | 2021-09-14 | Jiangnan University | Multilevel pattern monitoring method for industry processes |
| CN111679643A (zh) * | 2020-06-28 | 2020-09-18 | 中国矿业大学 | 一种二阶修正自适应间歇过程优化方法 |
| CN111679643B (zh) * | 2020-06-28 | 2021-10-15 | 中国矿业大学 | 基于过程迁移模型的间歇过程二阶修正自适应优化方法 |
| CN113419502A (zh) * | 2021-08-23 | 2021-09-21 | 山东大拇指喷雾设备有限公司 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
| CN113419502B (zh) * | 2021-08-23 | 2021-11-09 | 山东大拇指喷雾设备有限公司 | 基于人工智能的制壳生产过程的工序监测方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106054832B (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106054832A (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
| CN107850889A (zh) | 管理系统及管理方法 | |
| CN108780312B (zh) | 用于使用路径追踪针对装配线的根本原因分析的方法和系统 | |
| US20220035356A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
| JP2018147419A (ja) | 管理装置および管理プログラム | |
| CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
| CN108595687A (zh) | 用水量异常检测方法和数据库服务器 | |
| CN110059293A (zh) | 基金估值数据的数据质量的确定方法、装置和服务器 | |
| CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
| CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN110795324B (zh) | 一种数据处理方法及装置 | |
| CN116009495A (zh) | 基于数字孪生的资源模型建立方法、装置、设备和介质 | |
| Flores et al. | Statistical quality control with the qcr package | |
| Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
| Amiri et al. | Evaluating multi-objective economic-statistical design of attribute C control charts for monitoring the number of non-conformities | |
| Kim et al. | Data-analytics-based factory operation strategies for die-casting quality enhancement | |
| CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
| KR20110121014A (ko) | 무역역조현황 추적 진단 및 특허기술 모니터링 시스템 및 방법 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN115168154A (zh) | 一种基于动态基线的异常日志检测方法、装置及设备 | |
| Liu et al. | Economic optimisation in automotive body manufacturing quality control based on multivariate Bayesian control chart | |
| CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 | |
| CN108052087A (zh) | 基于信息熵的制造过程多元质量诊断分类器 | |
| CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
| CN111913431A (zh) | 一种兆候管理设备、控制方法、控制系统及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |