CN107272626A - 油气生产与加工系统风险传播多尺度监测预警方法及装置 - Google Patents
油气生产与加工系统风险传播多尺度监测预警方法及装置 Download PDFInfo
- Publication number
- CN107272626A CN107272626A CN201710567896.5A CN201710567896A CN107272626A CN 107272626 A CN107272626 A CN 107272626A CN 201710567896 A CN201710567896 A CN 201710567896A CN 107272626 A CN107272626 A CN 107272626A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- process variable
- risk
- mtd
- 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 352
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 110
- 238000012545 processing Methods 0.000 title claims abstract description 104
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 100
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 100
- 238000004891 communication Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 289
- 230000035939 shock Effects 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 27
- 238000005194 fractionation Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 239000002283 diesel fuel Substances 0.000 description 10
- 239000007788 liquid Substances 0.000 description 9
- 238000007670 refining Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004523 catalytic cracking Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000001364 causal effect Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000000299 nuclear matrix Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 239000012043 crude product Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004508 fractional distillation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种油气生产与加工系统风险传播多尺度监测预警方法及装置,该方法包括:确定针对油气生产与加工系统划分出的多个空间尺度;在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;根据所述传播路径进行相应预警。本申请实施例可提高预测油气生产与加工系统中风险传播的准确度。
Description
技术领域
本申请涉及油气生产与加工过程风险预警技术领域,尤其是涉及一种油气生产与加工系统风险传播多尺度监测预警方法及装置。
背景技术
油气生产与加工过程往往非常复杂、设备众多且工艺条件苛刻,并常伴有高温、高压、真空、大流量、高转速等极端条件。在一个油气生产与加工厂区中一旦某单一设备或工艺过程出现故障,极易借助系统单元之间的相互依存、相互制约关系,触发连锁效应,由一种扰动或故障经过一段时间传播,从一个地域空间传播至另一个更广阔的地域空间。从而引起衍生事故,并有可能引发出一系列故障链。
为了有效抑制油气生产与加工过程的风险传播,保证生产安全及产品质量,需要分析风险扰动传播路径并对高危风险及时作出预警。然而,现有技术多是针对某一设备进行监测与诊断,而忽视了风险扰动传播对整个单元甚至整个厂区带来的风险影响。因此,现有技术难以准确预测出油气生产与加工系统中的风险传播,从而无法作出准确的风险预警。
发明内容
本申请实施例的目的在于提供一种油气生产与加工系统风险传播多尺度监测预警方法及装置,以提高预测油气生产与加工系统中风险传播的准确度。
为达到上述目的,一方面,本申请实施例提供了一种油气生产与加工系统风险传播多尺度监测预警方法,包括:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,所述在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,包括:
在每个空间尺度下,根据以下公式求出每两个相邻的过程变量X和Y间的关联系数及传播方向;
其中,ρX,Y为过程变量X和Y间的关联系数;TY→X为由Y至X的传递熵;TX→Y为由X至Y的传递熵;ρX,Y=TY→X表示两过程变量间传播方向为由Y至X;ρX,Y=TX→Y表示两过程变量间传播方向为由X至Y;ρX,Y=0表示两过程变量间无因果关系。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,每个空间尺度对应的风险因素尺度推绎模型包括该空间尺度下所代表的各个过程变量及所述过程变量之间的有向连线,所述有向连线的方向指示扰动传播方向。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,所述根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,包括:
对于每个空间尺度,根据产生所述扰动的过程变量,以及该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合;
确定所述风险过程变量集合中每个过程变量的扰动变化率;
根据所述扰动变化率以及所述风险过程变量集合中每两个相邻的过程变量间的关联系数,确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
根据所述影响因数确定所述扰动该空间尺度下的传播路径。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,根据如下公式确定所述风险过程变量集合中每个过程变量的扰动变化率;
其中,xik为标准化后的过程变量Xi在第tk个时刻的变量值,且 为标准化前的过程变量Xi在第tk个时刻的变量值,xiL为过程变量的报警下限阈值,xiH为过程变量的报警上限阈值。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,根据如下公式确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
其中,α为调整参数,ρXi,Xj为每两个相邻的过程变量Xi和Xj间的关联系数,为过程变量Xi的扰动变化率,Ri为过程变量Xi对其各下级过程变量的影响因数。
另一方面,本申请实施例还提供了一种油气生产与加工系统风险传播多尺度监测预警装置,包括:
空间尺度确定模块,用于确定针对油气生产与加工系统划分出的多个空间尺度;
推绎模型建立模块,用于在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
传播路径预测模块,用于在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
传播路径预警模块,用于根据所述传播路径进行相应预警。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警装置,所述在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,包括:
在每个空间尺度下,根据以下公式求出每两个相邻的过程变量X和Y间的关联系数及传播方向;
其中,ρX,Y为过程变量X和Y间的关联系数;TY→X为由Y至X的传递熵;TX→Y为由X至Y的传递熵;ρX,Y=TY→X表示两过程变量间传播方向为由Y至X;ρX,Y=TX→Y表示两过程变量间传播方向为由X至Y;ρX,Y=0表示两过程变量间无因果关系。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警装置,每个空间尺度对应的风险因素尺度推绎模型包括该空间尺度下所代表的各个过程变量及所述过程变量之间的有向连线,所述有向连线的方向指示扰动传播方向。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警装置,所述根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,包括:
对于每个空间尺度,根据产生所述扰动的过程变量,以及该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合;
确定所述风险过程变量集合中每个过程变量的扰动变化率;
根据所述扰动变化率以及所述风险过程变量集合中每两个相邻的过程变量间的关联系数,确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
根据所述影响因数确定所述扰动该空间尺度下的传播路径。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警装置,根据如下公式确定所述风险过程变量集合中每个过程变量的扰动变化率;
其中,xik为标准化后的过程变量Xi在第tk个时刻的变量值,且 为标准化前的过程变量Xi在第tk个时刻的变量值,xiL为过程变量的报警下限阈值,xiH为过程变量的报警上限阈值。
本申请实施例的油气生产与加工系统风险传播多尺度监测预警装置,根据如下公式确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
其中,α为调整参数,ρXi,Xj为每两个相邻的过程变量Xi和Xj间的关联系数,为过程变量Xi的扰动变化率,Ri为过程变量Xi对其各下级过程变量的影响因数。
另一方面,本申请实施例还提供了一种油气生产与加工系统风险传播多尺度监测预警装置,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
另一方面,本申请实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
由以上本申请实施例提供的技术方案可见,本申请上述实施例首先对油气生产与加工系统的空间尺度进行划分;在每个空间尺度下,然后确定油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;在油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,并根据传播路径进行相应预警,从而为后续准确、及时的切断风险传播路径提供可靠的理论依据,避免造成严重后果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请一实施例的油气生产与加工系统风险传播多尺度监测预警方法的流程图;
图2为本申请一实施例的极限学习机网络模型示例图;
图3为本申请一实施例的尺度推绎模型示意图;
图4为本申请一实施例的分馏单元示例图;
图5为本申请一实施例的冲塔风险因素尺度推绎模型图;
图6为本申请一实施例的冲塔风险过程传播路径搜索图;
图7a-图7i为本申请一实施例的各下级过程变量时间序列数据拟合曲线图;
图8为本申请一实施例的油气生产与加工系统风险传播多尺度监测预警装置的结构框图;
图9为本申请另一实施例的油气生产与加工系统风险传播多尺度监测预警装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
参考图1所示,本申请实施例的油气生产与加工系统风险传播多尺度监测预警方法,包括:
S101、确定针对油气生产与加工系统划分出的多个空间尺度。
一般的,一个油气生产与加工系统可包含多套生产装置,如一个炼油厂主要由炼油过程和辅助设备两大部分组成,经过多个物理及化学的炼油过程将原油炼制成各种石油产品。通常,每个炼油过程相对独立的组成一个炼油生产装置。
炼油生产装置按生产目的可分为原油分离装置、重油轻质化装置、油品改质及油品精制装置、气体加工装置、炼化产品生产装置等。由于生产方案不同,炼厂中所包含的炼油过程的种类和和规模大小各不相同,或者说复杂程度都有所不同。一般来说,规模大的炼厂其复杂程度更高,但也有一些大规模炼厂的复杂程度并不高。此外,辅助设施是维持炼厂正常运转和生产所必需的,主要的辅助设施有:供电系统、供水系统、原油和产品储运系统、三废处理系统等。
油气生产与加工系统的空间尺度可定义为油气生产与加工系统空间范围的大小。这里的空间范围是指在一定尺度的系统中进行风险分析的范围。本申请一个实施例中,根据油气生产与加工系统的规模大小,可以将空间尺度分为大尺度、中尺度和小尺度三种类型,从而可以在多种空间尺度下对油气生产与加工系统风险传播进行监测预警。
其中,大尺度主要包括生产装置级及比其空间范围更大的油气生产与加工系统。其研究区域的范围小至单个生产装置(如常减压装置、催化裂化装置等),大至整个厂区。
中尺度则主要指单元级。其研究区域的范围为生产装置中的某一单元。
传统分析中,单元的定义为整体中自为一组或自成系统的独立单位。在安全生产风险管理中,为了保证风险辨识的科学性、系统性、合理性和可操作性而将研究对象整体按照某种规则划分为相对独立的部分。因此,这里的单元是指将某个生产装置按照其生产功能划分的各个相对独立的部分。如催化裂化装置可划分为反应再生单元、分馏单元、吸收稳定单元等。
小尺度主要是指设备级,其研究区域的范围为某一过程设备,这里的设备包括各种塔器、反应器、换热器、各类储罐等,如提升管反应器、分馏塔、回炼油罐等。具体的尺度划分如表1所示。
表1炼化生产系统空间尺度划分
S102、在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型。
信息熵是信息论中用于度量信息量的一个概念,其定义为
其中p(x)表示变量X的概率分布。
两个变量X和Y的信息熵大小可用联合熵表示,其定义为
式中p(x,y)为X和Y的联合概率分布。
互信息是信息论中用于表示信息之间相关性的一个概念,可以看成是一个随机变量中包含的关于另一个随机变量的信息量,其定义为
但互信息仅能表示两变量间关联性的大小,而无法体现两变量间信息传递的方向。为了准确度量动态过程中随机变量之间的关联性及传播方向,T.Schreiber于2000年在信息熵的基础上提出了传递熵分析法,它是一种基于概率分布、信息熵及统计方法得出时间序列间因果性的方法。具体如下:
变量Y到变量X的传递熵定义为
式中两个参数k和l表示时间序列延迟的长度。
Y到X的传递熵实质为Y的信息对于X不确定性大小的改变,即Y传递给X的信息量的大小。因此,传递熵可以作为衡量变量间因果性的指标。由于传递熵考虑的是变量间的信息量传递,而不需要假定变量间具有特定形式的关系,因此具有比Wiener-Granger因果性更好的适用性,尤其是对于具有非线性特征的油气生产与加工系统的过程变量。
油气生产与加工过程工艺复杂,设备众多,同一过程设备及相邻设备间的过程监控变量往往具有关联性。因此,采用传递熵分析方法可分析不同过程变量间的关联关系,从而推断他们之间固有的因果关系,从而可以建立油气生产与加工风险因素尺度推绎模型。具体实现如下:
对于两个相邻的过程变量X和Y,过程变量Y到X的传递熵TY→X的计算公式如式(4),Y到X的传递熵实质为Y的信息对于X不确定性大小的改变,即Y传递给X的信息量的大小。因此,传递熵可以作为衡量过程变量间因果性的指标。
同样,可以求出过程变量X到Y的传递熵,两过程变量间的关联系数由式(13)确定:
其中,ρX,Y为过程变量X和Y间的关联系数;TY→X为由Y至X的传递熵;TX→Y为由X至Y的传递熵;ρX,Y=TY→X表示两过程变量间传播方向为由Y至X;ρX,Y=TX→Y表示两过程变量间传播方向为由X至Y;ρX,Y=0表示两过程变量间无因果关系。
关联系数由上述方法计算得到,但若TY→X与TX→Y的差值过小,考虑两个相邻的过程变量间的因果性将没有意义。因此还可以设置合适的阈值对两个相邻的过程变量间因果关系的显著性水平进行检验。例如选取73个长度为200的随机生成序列,令tX→Y=TX→Y-TY→X,通过式计算每两个序列间的tX→Y值,并求出所有|tX→Y|(tX→Y的绝对值)的均值和标准差通过式(14)计算阈值,以判断两个相邻的过程变量间因果关系的显著性。若关联系数没有通过显著性检验,表明两个相邻的过程变量间不具备显著的因果性。
通过计算可得
对于不同尺度下的N个过程变量X1,…,XN,可通过计算传递熵确定其中每两个相邻的过程变量的关联系数及传播方向,并据此建立风险因素尺度推绎模型,如图3所示。风险因素尺度推绎模型可以由有向连线(如图3的有向弧)和代表过程变量的节点组成,还可以用矩形框区分不同设备的过程变量。对于任意两个相邻的过程变量Xi和Xj,若tXi→Xj>0,有向弧由Xi指向Xj,即由上级原因变量Xi指向下级影响变量Xj,反之,则传播方向相反。在本申请其他实施例中,还可以结合过程知识检验传播路径的合理性,从而对模型进行适当修正。
S103、在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径。
本申请实施例中,所述的扰动是指过程变量发生报警。由于过程设备之间的关联性,扰动可能传播并影响大量过程变量,如果不能及时得到有效控制,可能导致风险的出现甚至灾难性的后果。为此,在所述油气生产与加工系统中任意一个过程变量出现扰动时,可根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,以便当报警发生时可及时辨识风险传播途径,提醒操作人员及时采取有效措施,避免异常风险的进一步发展。
在本申请一实施例中,所述根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径可以包括如下步骤:
首先,对于每个空间尺度,根据产生所述扰动的过程变量,以及该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合。
对于每个空间尺度,相同的扰动可能产生不同的风险传播路径。为了准确辨识风险传播路径,当某一设备的过程变量Xj发生扰动时,将其作为上级原因变量,并根据该上级原因变量和该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合。例如,图3中的X5报警,可搜索到其两个下级过程变量节点X3和X6,则X3和X6构成风险过程变量集合。
其次,确定所述风险过程变量集合中每个过程变量的扰动变化率。
若过程变量Xj在tκ时刻发生扰动,对于Xj的各相关下级过程变量Xi(i=1,2,…,I,I为下级过程变量个数),可通过式(15)计算过程变量Xi的扰动变化率,其值大小可近似反映各相关下级过程变量受上级过程变量扰动的影响大小。其中,扰动变化率(Disturbance Rate,DR)定义如下:
对于过程变量Xi,考虑以时刻tκ为中心,选择时间间隔为[tκ-m,tκ+m](时间序列长度为2m+1)的过程变量Xi的时间序列进行最小二乘线性拟合如式(15),所求斜率ai绝对值的大小作为过程变量Xi的扰动变化率。
其中,过程变量Xi在tκ+1至tκ+m时刻的值通过核极限学习机(KernelExtremeLearning Machine,简称KELM)方法预测得到,KELM方法如下:
极限学习机(Extreme Learning Machine,简称ELM)是一种单隐层前馈神经网络学习算法,其网络训练模型如图2所示:
假设有W个训练样本xj=[xj1,xj,...,xjz]T为一个z维输入样本,tj为其对应期望输出值,对于一个有L个隐层节点,激活函数为g(xj)的ELM网络模型可以表示为
其中ωi=[ωi1,ωi2,,ωiz]T为第i个隐层节点的输入权重,βi为第i个隐层节点的输出权重,bi为第i个隐层节点的偏置,oj为ELM网络模型的实际输出值。
ELM网络学习的目标是使得输出的误差最小为即
上式可由矩阵表示为
Hβ=T (7)
β=[β1,...,βL]T,T=[t1,...,tW]T
其中H为ELM的隐层输出矩阵,β为输出权重矩阵,T为期望输出向量。
可采用最小二乘法求取最优权重向量β*使得实际输出与期望输出差值的平方和最小,其解为
β*=HΨT (8)
HΨ是矩阵H的Moore-Penrose广义逆。
KELM与ELM相比具有更为理想的泛化能力和稳定性,KELM将核函数引入到ELM中,设ELM的隐层节点数为L,有W个训练样本定义KELM核矩阵为:
Ω=HHT,Ωij=h(xi)·h(xj)=K(xi,xj),i,j=1,...,W (9)
核矩阵Ω替代ELM中的随机矩阵HHT,利用核函数将z维输入样本映射到高维隐层特征空间。核函数K(xi,xj)是核矩阵Ω中第i行第j列的元素,包括RBF核函数、线性核函数和多项式核函数等,通常选择RBF核函数,其表达式为:
K(xi,xj)=exp(-γ(xi-xj)2),γ>0 (10)
其中,γ为核参数。
将参数I/C添加到HHT中的主对角线上,使其特征根不为零,并由此求权重向量β*为
β*=HT(I/C+HHT)-1T (11)
其中I为单位对角矩阵,C为惩罚系数,用于权衡结构风险和经验风险之间的比例。
可得KELM模型的实际输出为
其中,α=(I/C+HHT)-1T为KELM网络的输出权值。
以过程变量Xi在tκ时刻前一段时间内(ts至tκ时刻)的历史数据构造KELM的训练样本,输入样本Xi*和输出样本T分别为
z为输入样本维数,样本个数为W=κ-z-s+1,xil(l=s,s+1,...κ)为过程变量Xi在第tl时刻的值。
令xik=aitk+bi,k=κ-m,…,κ,…,κ+m,tk=1,…,2m+1,i=1,…,N,N为过程变量个数,xik为标准化后的过程变量Xi在第tk个时刻的变量值,最小二乘线性拟合公式如式(15):
对过程变量Xi的标准化公式如式(16):
其中,xik为标准化后的过程变量Xi在第tk个时刻的变量值,且 为标准化前的过程变量Xi在第tk个时刻的变量值,xiL为过程变量的报警下限阈值,xiH为过程变量的报警上限阈值,κ,m和k均为时刻的下标。
然后,根据所述扰动变化率以及所述风险过程变量集合中每两个相邻的过程变量间的关联系数,确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数。
通过式(13)可计算所述风险过程变量集合中每两个相邻的过程变量间Xi和Xj间的关联系数,而通过式(15)可计算所述风险过程中每个过程变量的扰动变化率,基于所求关联系数和扰动变化率,可根据如下式(17)计算上级过程变量Xj对各下级过程变量Xi的影响因数Ri。
其中,α为调整参数,ρXi,Xj为每两个相邻的过程变量Xi和Xj间的关联系数,为过程变量Xi的扰动变化率,Ri为过程变量Xi对其各下级过程变量的影响因数。
最后,根据所述影响因数确定所述扰动该空间尺度下的传播路径。
下级过程变量的影响因数Ri越大,其受上级过程变量的影响越大,因此,通过比较影响因数Ri的大小,可以比较上级过程变量对各相关下级过程变量产生扰动的影响大小,可将影响因数最大值对应的下级过程变量作为其下级影响变量。若所求影响因数过小,说明该过程变量的时间序列数据趋于平稳,并受到上级过程变量影响,因此,如果Ri值小于预设阈值,则可以不考虑该下级过程变量。由此,确定可能受到风险影响的各设备过程变量并确定风险在各空间尺度下最可能的传播路径。
S104、根据所述传播路径进行相应预警。
在每个空间尺度下,对于所确定的传播路径中各过程变量Xi,其报警上、下限阈值分别为xiH和xiL,统计该过程变量的历史数据计算其均值μ和标准差σ,当Xi≥μ+3σ时,记该时刻为tn,可采用上述KELM预测方法预测过程变量Xi在时刻tn后指定步数(例如30步)内的值,若预测出在未来tf时刻的变量值超过xiH或低于xiL,则对过程变量Xi进行预警,并给出预警时间为tf-tn,报警类型为xiH或xiL。
本申请上述实施例首先对油气生产与加工系统的空间尺度进行划分;在每个空间尺度下,然后确定油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;在油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,并根据传播路径进行相应预警,从而为后续准确、及时的切断风险传播路径提供可靠的理论依据,避免造成严重后果。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
为便于更加清楚理解本申请的油气生产与加工系统风险传播多尺度监测预警方法,下面将结合一个示例性实施例对上述油气生产与加工装备风险传播多尺度监测预警系统进行说明,然而值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
在本示例性实施例中,以催化裂化分馏单元的冲塔风险过程为研究对象进行分析。数据从在中国某一石化公司的真实分馏过程中收集。
就分馏塔冲塔风险而言,可主要从设备级小尺度和单元级中尺度两个尺度进行分析建模。
分馏单元本身属中尺度研究范围,其研究区域为催化裂化生产装置中的分馏单元如图4所示,主要包括分馏塔、分馏塔顶油气分离器、回炼油罐、原料油缓冲罐和轻柴油汽提塔。
某石化企业催化裂化分馏单元的冲塔风险过程变量如下表2所示。
表2分馏单元冲塔风险过程变量
序号 | 过程变量描述 | 序号 | 过程变量描述 |
1 | 轻柴油汽提塔液位 | 10 | 一中返塔温度 |
2 | 分馏塔顶循回流温度 | 11 | 分馏塔塔底温度 |
3 | 油浆上返塔流量 | 12 | 分馏塔顶循环油流量 |
4 | 分馏塔塔底搅拌蒸汽流量 | 13 | 回炼油罐液位 |
5 | 重柴油侧线馏出口温度 | 14 | 分馏塔顶压力 |
6 | 油浆下返塔流量 | 15 | 人字挡板上温度 |
7 | 分馏塔塔底液位 | 16 | 分馏塔塔顶温度 |
8 | 塔顶油气分离罐液位 | 17 | 轻柴油侧线馏出口温度 |
9 | 一中回流量 | 18 | 回炼油下返塔流量 |
其中,分馏塔、分馏塔顶油气分离器、回炼油罐、原料油缓冲罐和轻柴油汽提塔属设备级小尺度研究范围,若仅从小尺度考虑时,各设备包括的风险过程变量如下表3所示。
表3各设备风险过程变量
根据小尺度及中尺度下的冲塔风险过程变量及某石化企业的历史数据(采样间隔为5秒,数据长度为1000),通过传递熵计算(见式(13))可得到分馏单元的冲塔过程变量间的关联系数,并依据式(14)判断两过程变量间因果关系的显著性。若关联系数没有通过显著性检验,表明两过程变量间不具备显著的因果性,从而建立冲塔的风险因素尺度推绎模型,如图5所示。图5中各过程变量之间的关联系数如下表4:
表4各过程变量间关联系数
以一个发生在某一石化公司的分馏塔冲塔事件为例,采用上述的风险传播搜索方法进行分析。某石化公司催化裂化分馏塔发生冲塔,经现场人员调查分析,冲塔发生原因为一中回流泵故障,引起一中回流量过低发生低报警,使得分馏塔塔顶温度升高,且在一中回流量发生低报警后的7分30秒时发生高报警,重柴油侧线馏出口温度升高,分馏塔底液位过低,造成回炼油下返塔流量过低,操作人员发现回炼油下返塔流量过低后及时排查出了回流泵的故障原因,并采取措施使过程恢复到了正常运行状态。
下面基于所建立的冲塔的风险因素尺度推绎模型,进行风险传播路径搜索分析,如图6所示。其中:
步骤1:因一中回流量过低(节点9)发生报警,所以将其作为上级过程变量,根据因果图搜索与其直接相连的下级过程变量分馏塔塔顶温度(节点16)。
步骤2:通过极限学习机预测方法预测节点9发生报警时刻后3分钟(共36个时刻)节点16的变量值,由式(15)可得其扰动变化率如下表5所示,各过程变量时间序列数据拟合曲线如图7a-图7i所示。
表5各上级过程变量的扰动变化率
步骤3:根据式(17)计算节点16的影响因数如表4所示,因节点16的影响因数值Ri=1.9053,大于阈值CRth(这里设为1.75),故将分馏塔塔顶温度(节点16)作为下级影响变量。
步骤4:继续搜索节点16的下级影响变量包括重柴油侧线馏出口温度(节点5)、分馏塔塔底液位(节点7)、轻柴油侧线馏出口温度(节点17)、塔顶油气分离罐液位(节点8)和分馏塔顶循回流温度(节点2),通过极限学习机预测方法预测节点9发生报警时刻后3分钟(共36个时刻)各节点的变量值,由式(15)及式(17)可得其扰动变化率及影响因数如表所示,通过比较各相关下级影响变量的影响因数,其最大值为1.7714,对应节点7,大于阈值CRth,因此将该最大值对应的下级过程变量分馏塔塔底液位(节点7)作为下级影响变量,继续搜索节点7的下级过程变量包括一中返塔温度(节点10)和回炼油下返塔流量(节点18)(属回炼油罐设备尺度),由式(15)及式(17)可得其扰动变化率及影响因数如表所示,通过比较各相关下级过程变量的影响因数,其最大值为2.3357,对应节点18,大于阈值CRth,因此将该最大值对应的下级过程变量回炼油下返塔流量(节点18)作为下级影响变量,继续搜索节点18的下级过程变量轻柴油汽提塔液位(节点1)(属轻柴油汽提塔设备尺度),由式(15)及式(17)可得其扰动变化率及影响因数如表所示,因节点1的影响因数值Ri=1.6541,小于阈值CRth,搜索结束。
综上分析,冲塔风险在整个分馏单元内的最可能传播路径为:一中回流量过低(节点9)导致分馏塔塔顶温度升高(节点16),从而引起分馏塔塔底液位(节点7)及回炼油下返塔流量过低(节点18)。
表6传播路径中各过程变量的高低报警阈值
过程变量Xi | X9 | X16 | X7 | X18 |
xiH | 440t/h | 124℃ | 75% | 150 |
xiL | 330t/h | 105℃ | 40% | 80 |
μ | 371.2 | 115.3 | 55% | 115.7 |
σ | 4.3 | 0.5 | 3.2% | 2.8 |
对于所确定的传播路径中的过程变量Xi,其报警上、下限阈值分别为xiH和xiL,如表6所示,统计该过程变量的历史数据计算其均值μ和标准差σ,当节点9发生报警时刻5分钟后,发现X16=118.5>115.3+3×0.5=116.8,因采样间隔为5秒,五分钟内已采集60个时刻的值,所以记该时刻为tn=61,可采用KELM预测方法预测过程变量X16在时刻tn后30步内的值,如表7所示:
表7过程变量X16在时刻tn后30步内的变量值
tn | X16 | tn | X16 | tn | X16 |
61 | 115.3 | 71 | 116.45 | 81 | 119.57 |
62 | 115.32 | 72 | 116.98 | 82 | 119.89 |
63 | 115.34 | 73 | 117.54 | 83 | 120.21 |
64 | 115.41 | 74 | 117.87 | 84 | 120.78 |
65 | 115.51 | 75 | 117.88 | 85 | 121.54 |
66 | 115.57 | 76 | 118.13 | 86 | 122.65 |
67 | 115.81 | 77 | 118.29 | 87 | 123.45 |
68 | 115.87 | 78 | 118.67 | 88 | 124.32 |
69 | 116.12 | 79 | 119.11 | 89 | 124.45 |
70 | 116.32 | 80 | 119.35 | 90 | 125.65 |
通过预测得出,在未来tf=88时刻的变量值超过x16H=124,则对过程变量X16进行预警,预警时间为tf-tn=88-61=17,报警类型为x16H,即分馏塔塔顶温度高报警。通过以上分析可以得出该预测结果与实际情况基本一致,证实了本申请实施例方法的可行性。
参考图8所示,本申请一实施例的油气生产与加工系统风险传播多尺度监测预警装置,可以包括:
空间尺度确定模块81,可以用于确定针对油气生产与加工系统划分出的多个空间尺度;
推绎模型建立模块82,可以用于在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
传播路径预测模块83,可以用于在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
传播路径预警模块84,可以用于根据所述传播路径进行相应预警。
本申请实施例的装置与上述实施例的方法对应,因此,有关于本申请的装置细节,请参见上述实施例的方法,在此不再赘述。
参考图9所示,本申请另一实施例的油气生产与加工系统风险传播多尺度监测预警装置,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时执行如下步骤:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
本申请实施例的装置与上述实施例的方法对应,因此,有关于本申请的装置细节,请参见上述实施例的方法,在此不再赘述。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,包括:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
2.如权利要求1所述的油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,所述在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,包括:
在每个空间尺度下,根据以下公式求出每两个相邻的过程变量X和Y间的关联系数及传播方向;
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo><</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,ρX,Y为过程变量X和Y间的关联系数;TY→X为由Y至X的传递熵;TX→Y为由X至Y的传递熵;ρX,Y=TY→X表示两过程变量间传播方向为由Y至X;ρX,Y=TX→Y表示两过程变量间传播方向为由X至Y;ρX,Y=0表示两过程变量间无因果关系。
3.如权利要求1所述的油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,每个空间尺度对应的风险因素尺度推绎模型包括该空间尺度下所代表的各个过程变量及所述过程变量之间的有向连线,所述有向连线的方向指示扰动传播方向。
4.如权利要求1所述的油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,所述根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,包括:
对于每个空间尺度,根据产生所述扰动的过程变量,以及该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合;
确定所述风险过程变量集合中每个过程变量的扰动变化率;
根据所述扰动变化率以及所述风险过程变量集合中每两个相邻的过程变量间的关联系数,确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
根据所述影响因数确定所述扰动该空间尺度下的传播路径。
5.如权利要求4所述的油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,根据如下公式确定所述风险过程变量集合中每个过程变量的扰动变化率;
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msubsup>
<mi>t</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>xi</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<msub>
<mi>xi</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,xik为标准化后的过程变量Xi在第tk个时刻的变量值,且 为标准化前的过程变量Xi在第tk个时刻的变量值,xiL为过程变量的报警下限阈值,xiH为过程变量的报警上限阈值。
6.如权利要求4所述的油气生产与加工系统风险传播多尺度监测预警方法,其特征在于,根据如下公式确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</msup>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mi>i</mi>
<mo>,</mo>
<mi>X</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,α为调整参数,ρXi,Xj为每两个相邻的过程变量Xi和Xj间的关联系数,为过程变量Xi的扰动变化率,Ri为过程变量Xi对其各下级过程变量的影响因数。
7.一种油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,包括:
空间尺度确定模块,用于确定针对油气生产与加工系统划分出的多个空间尺度;
推绎模型建立模块,用于在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
传播路径预测模块,用于在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
传播路径预警模块,用于根据所述传播路径进行相应预警。
8.如权利要求7所述的油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,所述在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,包括:
在每个空间尺度下,根据以下公式求出每两个相邻的过程变量X和Y间的关联系数及传播方向;
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo><</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>Y</mi>
<mo>&RightArrow;</mo>
<mi>X</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>X</mi>
<mo>&RightArrow;</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,ρX,Y为过程变量X和Y间的关联系数;TY→X为由Y至X的传递熵;TX→Y为由X至Y的传递熵;ρX,Y=TY→X表示两过程变量间传播方向为由Y至X;ρX,Y=TX→Y表示两过程变量间传播方向为由X至Y;ρX,Y=0表示两过程变量间无因果关系。
9.如权利要求7所述的油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,每个空间尺度对应的风险因素尺度推绎模型包括该空间尺度下所代表的各个过程变量及所述过程变量之间的有向连线,所述有向连线的方向指示扰动传播方向。
10.如权利要求7所述的油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,所述根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径,包括:
对于每个空间尺度,根据产生所述扰动的过程变量,以及该空间尺度对应的风险因素尺度推绎模型,确定受所述扰动影响的所有过程变量,构成风险过程变量集合;
确定所述风险过程变量集合中每个过程变量的扰动变化率;
根据所述扰动变化率以及所述风险过程变量集合中每两个相邻的过程变量间的关联系数,确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
根据所述影响因数确定所述扰动该空间尺度下的传播路径。
11.如权利要求10所述的油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,根据如下公式确定所述风险过程变量集合中每个过程变量的扰动变化率;
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msubsup>
<mi>t</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>xi</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>&kappa;</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
<mrow>
<mi>&kappa;</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<msub>
<mi>xi</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,xik为标准化后的过程变量Xi在第tk个时刻的变量值,且 为标准化前的过程变量Xi在第tk个时刻的变量值,xiL为过程变量的报警下限阈值,xiH为过程变量的报警上限阈值。
12.如权利要求10所述的油气生产与加工系统风险传播多尺度监测预警装置,其特征在于,根据如下公式确定所述风险过程变量集合中每个过程变量对其各下级过程变量的影响因数;
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</msup>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mover>
<mi>a</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mi>i</mi>
<mo>,</mo>
<mi>X</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,α为调整参数,ρXi,Xj为每两个相邻的过程变量Xi和Xj间的关联系数,为过程变量Xi的扰动变化率,Ri为过程变量Xi对其各下级过程变量的影响因数。
13.一种油气生产与加工系统风险传播多尺度监测预警装置,包括存储器、处理器、以及存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被所述处理器运行时执行如下步骤:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
14.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
确定针对油气生产与加工系统划分出的多个空间尺度;
在每个空间尺度下,确定所述油气生产与加工系统中,每两个相邻的过程变量间的关联系数及传播方向,并据此建立该空间尺度下的风险因素尺度推绎模型;
在所述油气生产与加工系统中任意一个过程变量出现扰动时,根据预设的风险传播搜索方法,预测所述扰动在每个空间尺度对应的风险因素尺度推绎模型中的传播路径;
根据所述传播路径进行相应预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567896.5A CN107272626B (zh) | 2017-07-13 | 2017-07-13 | 油气生产与加工系统风险传播多尺度监测预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710567896.5A CN107272626B (zh) | 2017-07-13 | 2017-07-13 | 油气生产与加工系统风险传播多尺度监测预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107272626A true CN107272626A (zh) | 2017-10-20 |
CN107272626B CN107272626B (zh) | 2019-08-02 |
Family
ID=60072842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710567896.5A Active CN107272626B (zh) | 2017-07-13 | 2017-07-13 | 油气生产与加工系统风险传播多尺度监测预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107272626B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762238A (zh) * | 2018-06-15 | 2018-11-06 | 东北大学 | 一种基于dcd的湿法冶金浸出过程故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448154A (zh) * | 2015-09-21 | 2016-03-30 | 中国南方电网有限责任公司 | 一种基于一体化平台的变电运行训练舱 |
CN106026190A (zh) * | 2016-05-10 | 2016-10-12 | 山东大学 | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 |
-
2017
- 2017-07-13 CN CN201710567896.5A patent/CN107272626B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105448154A (zh) * | 2015-09-21 | 2016-03-30 | 中国南方电网有限责任公司 | 一种基于一体化平台的变电运行训练舱 |
CN106026190A (zh) * | 2016-05-10 | 2016-10-12 | 山东大学 | 基于风电纵向时刻概率模型的日前调度计划风险分析方法 |
Non-Patent Citations (2)
Title |
---|
胡瑾秋: "炼化装置故障链式效应定量安全预警方法", 《化工学报》 * |
胡瑾秋等: "考虑保护层响应的炼化过程系统风险动态转移模型", 《中国安全科学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108762238A (zh) * | 2018-06-15 | 2018-11-06 | 东北大学 | 一种基于dcd的湿法冶金浸出过程故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107272626B (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Methods and models in process safety and risk management: Past, present and future | |
Liu et al. | Risk evaluation approaches in failure mode and effects analysis: A literature review | |
Komulainen et al. | An online application of dynamic PLS to a dearomatization process | |
Xu et al. | Optimal pipe replacement strategy based on break rate prediction through genetic programming for water distribution network | |
CN106991145A (zh) | 一种监测数据的方法及装置 | |
CN102928720A (zh) | 油浸式主变压器的缺陷率检测方法 | |
Liu et al. | Fault detection and diagnosis using Bayesian network model combining mechanism correlation analysis and process data: Application to unmonitored root cause variables type faults | |
KR20220139920A (ko) | 적어도 2개의 상호접속된 화학 플랜트들을 포함하는 프로세스 네트워크의 표현 생성 | |
Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
Waghen et al. | Interpretable logic tree analysis: A data-driven fault tree methodology for causality analysis | |
CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
Liu et al. | Optimized principal component analysis and multi-state Bayesian network integrated method for chemical process monitoring and variable state prediction | |
JP2023513506A (ja) | 産業プラントの監視 | |
Raeihagh et al. | Risk assessment of sour gas inter-phase onshore pipeline using ANN and fuzzy inference system–Case study: The south pars gas field | |
Cai et al. | Scale-reasoning based risk propagation analysis: An application to fluid catalytic cracking unit | |
Miao et al. | Examining the impact of different periodic functions on short‐term freeway travel time prediction approaches | |
CN107272626A (zh) | 油气生产与加工系统风险传播多尺度监测预警方法及装置 | |
Chen et al. | Spatio‐temporal data mining method for joint cracks in concrete dam based on association rules | |
Panjapornpon et al. | Energy efficiency and savings analysis with multirate sampling for petrochemical process using convolutional neural network-based transfer learning | |
Martinez-Martinez et al. | Two neural network based strategies for the detection of a total instantaneous blockage of a sodium-cooled fast reactor | |
Feijoo-Martinez et al. | Event analysis on power communication networks with big data for maintenance forms | |
Ahmad et al. | Quantitative analysis of product quality of naphtha reforming process under uncertain process conditions | |
Kusiak et al. | Sensor fault detection in power plants | |
EP4102322A1 (en) | Prediction device, prediction method, and program | |
Song et al. | Predictive abnormal events analysis using continuous bayesian network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |