CN109144028B - 一种精馏塔能效退化检测方法 - Google Patents
一种精馏塔能效退化检测方法 Download PDFInfo
- Publication number
- CN109144028B CN109144028B CN201810785103.1A CN201810785103A CN109144028B CN 109144028 B CN109144028 B CN 109144028B CN 201810785103 A CN201810785103 A CN 201810785103A CN 109144028 B CN109144028 B CN 109144028B
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- sample
- data
- mutual information
- hypersphere
- 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.)
- Active
Links
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
Description
技术领域
本发明涉及过程能效退化监测领域,尤其涉及一种精馏塔能效退化检测方法。
背景技术
精馏过程由于其处理量大、操作连续被作为分离的主要方法,其能耗在整个化工生产过程中占据了较大比重。此外,精馏塔在很长的使用时间范围内,难免会出现设备老化、催化剂失活、换热器结垢等问题,这会导致塔设备能效退化和由此产生的能源成本增加。据统计,精馏过程中有15%到30%的能源被设备的老化和维护不善所浪费。多数情况下,精馏设备往往带“病”工作,如果能及时有效地排除故障,使设备恢复正常运行,将会产生较大的经济效益。基于数据驱动的能效退化检测技术无需复杂的机理知识和能量分析,就可动态地了解精馏设备的能效情况,实现最优的设备更换与维修。
基于数据驱动的能效退化检测方法,一般是采用特征提取与模型辨识的方法实现能效退化检测,其采用的特征提取方法多是主元分析、奇异值分解、局部线性嵌入、多维缩放、快速映射和等距映射等。这类特征提取方法通常是从样本集中提取出方差最大或是整体变化信息量最大的一组变量,难以有效地提取能效相关的故障特征变量。若能从样本集中有效地提取能效信息,构建能效特征样本集后再使用故障检测算法,将会明显提升能效退化检测的准确性。
发明内容
本发明针对传统主元分析方法难以有效地提取能效相关故障特征,以及故障样本难以获取的问题,采用互信息方法进行定向的能效特征提取,建立支持向量数据描述的辨识模型,进而提供一种精馏塔能效退化检测方法。
一种精馏塔能效退化检测方法,包括以下步骤:
(2)对步骤1)中的训练样本集进行异常数据剔除和数据归一化处理,构建模型训练样本集:
1)箱型图分析方法剔除异常数据;
对于训练样本数据集x1,x2,…xN,判断第i个样本xi是否满足下式的条件,若满足,则认为xi是正常样本,应予以保留;否则剔除该样本:
xL-1.5*xR≤xi≤xU+1.5*xR,i=1,2,…,N (1)
其中,xL为xi的下四分位数,xU为xi的上四分位数,xR为xi的四分位数间距,即上下四分位数之差。
2)归一化处理;
对于训练样本数据x1,x2,…xN,样本xi的归一化处理计算公式为:
1)估算边缘熵和条件熵;
互信息通常是由概率密度函数和复杂积分构成,但是在实际应用中,概率密度函数难以得到,所以采用k近邻方法来估计熵值:
其中,υi代表第i个样本点到距离它最近的k个点的距离,N为样本点的总量,C为Euler-Mascheroni常数。
互信息可以等价为两个变量的边缘熵与联合熵之差:
I(X,Y)=H(X)+H(Y)-H(X,Y) (4)
其中,H(X)和H(Y)分别为变量X、Y的边缘熵,H(X,Y)为X、Y的联合熵。
3)能效特征提取;
为了确保互信息能有效地提取能效信息,可使选取的g个测量变量的累积互信息贡献度大于0.85:
从m个变量类型中选取累积互信息贡献度最大的g个变量类型,其余变量类型剔除,达到能效特征样本提取的目的。
(4)由步骤3)获得的能效特征样本集建立支持向量数据描述模型,根据模型参数和支持向量得到能效退化检测模型的统计量和统计限:
1)找寻最优超球体;
将互信息提取所得的能效特征样本构造最优超球体,这个超球面半径最小化问题可以描述为下列带有不等式约束的二次规划问题:
其中,a为超球体的中心,R为超球体半径,C为给定的惩罚因子,ξi为松弛变量,用来增强分类的鲁棒性。
2)问题的对偶形式;
将该二次规划问题转化为其对偶形式后,往往更加容易求解,并且能引入核函数,将原始空间投影到高维空间从而解决非线性问题:
K(xi,xj)=exp(-(xi-xj)2/2δ2) (8)
其中,αi为拉格朗日乘子,K为高斯核函数,δ为核函数的核宽。转换后的新问题是原始问题的对偶问题,在满足某些条件的情况下,这两者相等,这个时候就可以通过求解对偶问题来间接地求解原始问题。二次规划问题求解得到拉格朗日乘子αi后,即可获得落在超球面上的支持向量。
3)统计量与统计限;
对于新样本数据点z,其对应支持向量数据描述的统计量为样本数据点z到超球心的空间几何距离Ω,统计限即为超球体半径R:
其中,xk为支持向量,得到支持向量数据集和拉格朗日乘子即得到了能效退化检测模型。
(5)对在线样本集进行数据预处理和能效特征提取,计算新样本对应能效退化检测模型的统计量,根据统计量与统计限的大小关系来判断样本是否属于能效退化状态。
根据步骤2)对在线样本集f1,f2,...,fL进行异常数据剔除和归一化,由步骤3)得到的能效特征对在线样本集提取能效特征样本,最后计算特征样本对应能效退化检测模型的统计量。如果样本数据点fl满足下式条件,则判定该样本数据点存在能效退化故障;反之,则判定为正常工况。
与传统技术相比,本发明有益效果是:
本发明融合了互信息与支持向量数据描述两种方法的优点,不仅能解决故障样本难以获取的问题,还能有效的提取原始数据中的特征变量,提高了精馏塔能效退化检测的精度,能用于指导精馏塔设备维护,有效实现精馏过程能效指标监测。
附图说明
图1是本发明方法的流程图;
图2是某工厂丙烯精馏塔的示意图;
图3a是现有的支持向量数据描述方法能效退化在线检测结果;
图3b是基于主元分析和支持向量数据描述方法的能效退化在线检测结果;
图3c是本发明方法能效退化在线检测结果。
具体实施方式
下面结合工厂实施例和附图来对本发明进行详细说明,以实例研究来充分理解本发明应用实施的过程和方法的有效性。
一种精馏塔能效退化检测方法,具体实施方式如下:
利用某工厂实际的丙烯精馏塔为例建立其对应的Aspen plus稳态精馏模拟过程,该精馏塔主要用来分离丙烷和丙烯,流程图如图2所示。丙烯精馏塔系统采用双塔操作,塔顶馏出为丙烯,塔底产品主要是丙烷。选取冷凝器污垢因子发生阶跃变化来模拟精馏过程能效退化故障。如果冷凝器的污垢因子增加,就会导致传热效率降低,换热器热通量减少,过程有效被浪费,效就会降低。效作为衡量过程有效能利用效率的指标,可以显著反映精馏过程能效退化情况,所以采用冷凝器污垢因子的阶跃变化说明能效退化与否。在Aspen Plus模拟过程中2号塔的冷凝器采用严格换热器模块来仿真,通过将换热器的污垢因子参数从0变化到8.6×10-3(sqm·K)/Watt,来模拟精馏过程能效退化。
(2)将训练样本进行数据预处理,包括采用箱型图分析方法剔除异常数据和数据归一化:
1)箱型图分析方法剔除异常数据;
对于训练样本数据集x1,x2,…xN,判断第i个样本xi是否满足下式的条件,若满足,则认为xi是正常样本,应予以保留;否则剔除该样本:
xL-1.5*xR≤xi≤xU+1.5*xR,i=1,2,…,N (1)
其中,xL为xi的下四分位数,xU为xi的上四分位数,xR为xi的四分位数间距,即上下四分位数之差。
2)归一化处理;
对于训练样本数据x1,x2,…xN,样本xi的归一化处理计算公式为:
1)估算边缘熵和条件熵;
互信息通常是由概率密度函数和复杂积分构成,但是在实际应用中,概率密度函数难以得到,所以采用k近邻方法来估计熵值:
其中,υi代表第i个样本点到距离它最近的k个点的距离,N为样本点的总量,C为Euler-Mascheroni常数。
互信息可以等价为两个变量的边缘熵与联合熵之差:
I(X,Y)=H(X)+H(Y)-H(X,Y) (4)
其中,H(X)和H(Y)分别为变量X、Y的边缘熵,H(X,Y)为X、Y的联合熵。
3)能效特征提取;
为了确保互信息能有效地提取能效信息,可使选取的g个测量变量的累积互信息贡献度大于0.85:
从13个变量类型中选取累积互信息贡献度最大的2个变量类型,即冷凝器冷却水流量(t/h)和冷却水出口温度(℃),其余变量类型剔除,达到能效特征样本提取的目的。
(4)然后,设定模型参数惩罚因子C=0.0068和核宽σ=61.1733,利用能效特征样本进行最优化计算,求解得到拉格朗日乘子和其对应的支持向量,由支持向量计算超球体半径:
1)找寻最优超球体;
将互信息提取所得的能效特征样本构造最优超球体,这个超球面半径最小化问题可以描述为下列带有不等式约束的二次规划问题:
其中,a为超球体的中心,R为超球体半径,C为给定的惩罚因子,ξi为松弛变量,用来增强分类的鲁棒性。
2)问题的对偶形式;
将该二次规划问题转化为其对偶形式后,往往更加容易求解,并且能引入核函数,将原始空间投影到高维空间从而解决非线性问题:
K(xi,xj)=exp(-(xi-xj)2/2δ2) (8)
其中,αi为拉格朗日乘子,K为高斯核函数,δ为核函数的核宽。转换后的新问题是原始问题的对偶问题,在满足某些条件的情况下,这两者相等,这个时候就可以通过求解对偶问题来间接地求解原始问题。二次规划问题求解得到拉格朗日乘子αi后,即可获得落在超球面上的支持向量。
3)统计量与统计限;
对于新样本数据点z,其对应支持向量数据描述的统计量为样本数据点z到超球心的空间几何距离Ω,统计限即为超球体半径R。其中,xk为支持向量,得到支持向量数据集和拉格朗日乘子即得到了能效退化检测模型。
(5)最后计算在线样本的超球心距离,由超球体半径作为退化检测的统计限,根据样本超球心距离与统计限大小关系来判定精馏过程能效是否发生退化:
将本发明方法与支持向量数据描述方法、基于主元分析和支持向量数据描述方法的能效退化检测率进行比较,表2给出了三种方法对在线样的能效退化检测率,图3三种方法的在线检测的效果对比图。结合表2和图3,明显是本发明方法比另外两种方法更优,其漏报率甚至是0,而且本发明方法的检测结果是波动范围最小的。在能效软故障检测上,单一支持向量数据描述方法对噪声很敏感。主元分析方法虽然能把方差小的变量类型作为噪音剔除,但并不能进行有效的特征提取,难以为能效退化进行检测。相比之下,互信息可以针对能效相关的故障来提取能效信息,具有很好的能效特征提取的效果,进一步提高了能效退化检测效果。
表1丙烯精馏过程测量变量
表2 SVDD、PCA-SVDD和MI-SVDD对能效相关故障的故障检测误报率和漏报率
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种精馏塔能效退化检测方法,其特征在于包括以下步骤:
1)采集精馏过程中精馏塔的测量变量数据样本,并且通过后续离线分析得到样本所对应的㶲效值,作为离线样本集;
2)对步骤1)中的训练样本集进行异常数据剔除和数据归一化处理,构建模型训练样本集;对训练样本进行数据预处理,预处理内容包括采用箱型图分析方法剔除异常数据和数据归一化,具体实施步骤如下:
21)箱型图分析方法剔除异常数据;
对于训练样本数据集x1,x2,…xN,判断第i个样本xi是否满足下式的条件,若满足,则认为xi是正常样本,应予以保留;否则剔除该样本:
xL-1.5*xR≤xi≤xU+1.5*xR,i=1,2,…,N (1)
其中,xL为xi的下四分位数,xU为xi的上四分位数,xR为xi的四分位数间距,即上下四分位数之差;
22)归一化处理;
对于训练样本数据x1,x2,…xN,样本xi的归一化处理计算公式为:
3)计算步骤2)获取的训练样本集中各个测量变量与㶲效之间的互信息值,根据累计互信息贡献度筛选出与㶲效相关性最大的一组能效特征变量,构建能效特征样本集;建立能效特征样本的详细步骤为:
31)估算边缘熵和条件熵;
互信息是由概率密度函数和复杂积分构成,但是在实际应用中,概率密度函数难以得到,所以采用k近邻方法来估计熵值:
其中,υi代表第i个样本点到距离它最近的k个点的距离,N为样本点的总量,C为Euler-Mascheroni常数;
32)计算变量与㶲效的互信息;
互信息等价为两个变量的边缘熵与联合熵之差:
I(X,Y)=H(X)+H(Y)-H(X,Y) (4)
其中,H(X)和H(Y)分别为变量X、Y的边缘熵,H(X,Y)为X、Y的联合熵;
33)能效特征提取;
为了确保互信息能有效地提取能效信息,使选取的g个测量变量的累积互信息贡献度大于0.85:
从m个变量类型中选取累积互信息贡献度最大的g个变量类型,其余变量类型剔除,达到能效特征样本提取的目的;
4)由步骤3)获得的能效特征样本集建立支持向量数据描述模型,根据模型参数和支持向量得到能效退化检测模型的统计量和统计限;详细步骤为:
41)找寻最优超球体;
将互信息提取所得的能效特征样本构造最优超球体,这个超球面半径最小化问题描述为下列带有不等式约束的二次规划问题:
其中,a为超球体的中心,R为超球体半径,C为给定的惩罚因子,ξi为松弛变量,用来增强分类的鲁棒性;
42)问题的对偶形式;
将该二次规划问题转化为其对偶形式后,往往更加容易求解,并且能引入核函数,将原始空间投影到高维空间从而解决非线性问题:
K(xi,xj)=exp(-(xi-xj)2/2δ2) (8)
其中,ai为拉格朗日乘子,K为高斯核函数,δ为核函数的核宽;转换后的新问题是原始问题的对偶问题,在满足某些条件的情况下,这两者相等,这个时候就通过求解对偶问题来间接地求解原始问题;二次规划问题求解得到拉格朗日乘子ai后,即可获得落在超球面上的支持向量;
43)统计量与统计限;
对于新样本数据点z,其对应支持向量数据描述的统计量为样本数据点z到超球心的空间几何距离Ω,统计限即为超球体半径R:
其中,xk为支持向量,得到支持向量数据集和拉格朗日乘子即得到了能效退化检测模型;
5)对在线样本集进行数据预处理和能效特征提取,计算新样本对应能效退化检测模型的统计量,根据统计量与统计限的大小关系来判断样本是否属于能效退化状态,具体步骤为:
根据步骤2)对在线样本集f1,f2,...,fL进行异常数据剔除和归一化,由步骤3)得到的能效特征来对在线样本集提取能效特征样本,最后计算特征样本对应能效退化检测模型的统计量;如果样本数据点fl满足下式条件,则判定该样本数据点存在能效退化故障;反之,则判定为正常工况;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785103.1A CN109144028B (zh) | 2018-07-17 | 2018-07-17 | 一种精馏塔能效退化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785103.1A CN109144028B (zh) | 2018-07-17 | 2018-07-17 | 一种精馏塔能效退化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144028A CN109144028A (zh) | 2019-01-04 |
CN109144028B true CN109144028B (zh) | 2020-07-28 |
Family
ID=64800926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810785103.1A Active CN109144028B (zh) | 2018-07-17 | 2018-07-17 | 一种精馏塔能效退化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144028B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310047A (zh) * | 2019-07-09 | 2019-10-08 | 上海新增鼎网络技术有限公司 | 一种工厂生产状态异常检测模型设计方法 |
CN110701487B (zh) * | 2019-09-18 | 2021-08-24 | 浙江工业大学 | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 |
CN112014378A (zh) * | 2020-09-23 | 2020-12-01 | 浙江警察学院 | 一种便携式血痕识别仪及其鉴别方法 |
CN113074516B (zh) * | 2021-04-30 | 2022-07-22 | 深圳高发气体股份有限公司 | 一种采用单塔的制氩方法 |
CN114493235B (zh) * | 2022-01-21 | 2023-04-07 | 南京工业大学 | 一种基于SVDD和Agent的精馏过程质量监控业务自适应演化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8896682B2 (en) * | 2008-12-19 | 2014-11-25 | The Johns Hopkins University | System and method for automated detection of age related macular degeneration and other retinal abnormalities |
CN105628383B (zh) * | 2016-02-01 | 2017-02-22 | 东南大学 | 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 |
JP6240804B1 (ja) * | 2017-04-13 | 2017-11-29 | 大▲連▼大学 | 改良した情報測定とgaに基づくフィルター式特徴選択アルゴリズム |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN107728589B (zh) * | 2017-09-25 | 2019-11-15 | 华南理工大学 | 一种柔性ic基板蚀刻显影工艺过程的在线监控方法 |
-
2018
- 2018-07-17 CN CN201810785103.1A patent/CN109144028B/zh active Active
Non-Patent Citations (2)
Title |
---|
Operational optimization of binary distillation column to achieve product quality using Imperialist Competitive Algorithm;Nur Fitriyani 等;《2016 6th International Annual Engineering Seminar (InAES)》;20170119;全文 * |
甲醇四塔精馏系统能效优化控制的研究;施辰斐;《中国优秀硕士论文全文库》;20141231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109144028A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109144028B (zh) | 一种精馏塔能效退化检测方法 | |
CN112070109B (zh) | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 | |
Deng et al. | Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring | |
CN106843195B (zh) | 基于自适应集成半监督费舍尔判别的故障分类方法 | |
CN108153267B (zh) | 一种基于误差主元分析模型的工业过程监测方法 | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
CN109977916B (zh) | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
CN108919755B (zh) | 一种基于多块非线性交叉关系模型的分布式故障检测方法 | |
CN111160401A (zh) | 一种基于均值漂移和XGBoost的异常用电判别方法 | |
CN109507972B (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
CN108388234B (zh) | 一种基于相关性划分多变量块pca模型的故障监测方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
CN111259523B (zh) | 基于kpca-cva模型和随机算法的过程监测方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
CN103616889B (zh) | 一种重构样本中心的化工过程故障分类方法 | |
Lu et al. | Variable-weighted FDA combined with t-SNE and multiple extreme learning machines for visual industrial process monitoring | |
CN110298385B (zh) | 一种基于㶲信息与增量svdd在线早期故障检测方法 | |
Dong et al. | A simple approach to multivariate monitoring of production processes with non-Gaussian data | |
CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
CN104499001B (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 |
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 |