CN109901534B - 用于对化工装置的报警进行预测的方法和存储介质 - Google Patents

Abstract

本发明涉及用于对化工装置的报警进行预测的方法和存储介质，方法包括：S1：采集DCS中待分析位点的DCS信号，将其按预设时间长度划分为多个子信号，每个子信号为一个样本；S2：根据EMD法将每个样本分解成本征模函数和余波；S3：从每个样本的本征模函数和余波中提取出对应的子信号特征；S4：建立包含所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，将与训练样本集中的子信号特征对应的样本分为报警和不报警的类；S5：采集该位点当前的预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与新样本对应的子信号特征构成的输入特征向量代入分类面方程，并根据计算结果判断新样本所属的类。

Description

用于对化工装置的报警进行预测的方法和存储介质

技术领域

本发明涉及石油化工技术领域，尤其涉及一种用于对化工装置的报警进行预测的方法。

背景技术

在生产过程中，一旦化工装置出现异常工况则会造成产品质量下降或生产周期延误，严重的则会导致事故的发生甚至人员的伤亡。因此，为保障化工生产装置在稳定、安全的工况下生产，化工装置的关键操作参数都会设置一定的上下限。将化工装置的关键操作参数控制在报警限以内，是制止异常工况发生、发展的措施。

现有技术中当操作参数超出上下限时，DCS(Distributed Control System，集散控制系统)就会发出报警。然而，对于化工装置的报警进行预测历来是一个难题。对报警进行预测是降低报警次数、减少报警时长的必要手段。目前对报警进行预测的主要方法，一是经验法，通过经验人员的观察、判断和干预对报警进行预测；二是直接的模式分类法，即将报警的工况做为一类，正常的工况做为另一类，直接依据生产操作参数DCS信号，如温度、压力、流量等，建立两类工况的分类器方程，当实时采集新的生产工况数据时，依据当前工况数据及分类器方程进行预测判别。

这两种方法都存在着缺点或不足：其中，经验法过度依赖人的经验，预测的正确率低；直接的模式分类法由于引起报警的原因众多，分类器建模困难，因此预测的正确率不高。另外，由于化工装置的时变性，所以要求对报警进行预测的方法具有自适应性；由于化工装置DCS信号的多样性、复杂性，所以要求对报警进行预测的方法具有普适性。然而，已有的对报警进行预测方法均不满足这两项要求。

发明内容

为了解决上述技术问题，本发明提供了一种用于对化工装置的报警进行预测的方法，该方法基于EMD(Empirical Mode Decomposition，经验模态分解)和SVM(SupportVector Machine，支持向量机))，能够根据判断当前的DCS信号所属的类，准确地预测出接下来一段时间内报警是否会发生，解决了预测准确率低和分类器建模困难的问题，满足了自适应性和普适性的要求，保证了化工装置在生产过程中的安全性和稳定性。

根据本发明的一个方面，提供了一种用于对化工装置的报警进行预测的方法，包括：

S1：采集集散控制系统DCS中待分析位点的DCS信号，将该位点的DCS信号按照预设时间长度划分为多个子信号，其中，每个子信号作为一个样本；

S2：根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征；

S4：建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类；

S5：采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与所述新样本对应的子信号特征构成的输入特征向量代入所述分类面方程，并根据计算出的结果判断所述新样本所属的类。

优选地，如果判断出所述新样本属于报警的类，则预测报警会发生；如果判断出所述新样本属于不报警的类，则预测报警不会发生。

优选地，所述子信号特征包括最高频本征模函数IMF的极差、方差和第一因子以及余波的最大值、最小值、极差、上预警矩、上预警矩和均值。

优选地，从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征包括：

根据下列公式分别计算出每个样本的最高频IMF的极差、方差和第一因子以及余波的极差、上预警矩和上预警矩：

设每个样本的本征模函数IMF或余波的数据序列Z有N个数据点，每个数据点表示为z_i(i＝1,2,…)，则

极差：ED＝max(Z)-min(Z)；

方差：

第一因子：

W_i为权重，

上预警矩：UL＝|U-max(Z)|，U为报警上限，UL用于度量数据序列中最大的观测值离预警上限的距离，距离越近，报警的可能性越大；

下预警矩：DL＝|D-min(Z)|，D为报警下限，DL用于度量数据序列中最小的观测值离预警下限的距离，距离越近，报警的可能性越大。

优选地，所述本征模函数IMF满足以下两个性质：

信号的极值点数目和过零点数目相等或最多相差一个；

由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。

优选地，根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波包括：

每个子信号都被分解为多个本征模函数IMF和一个余波，表达式为：

每个子信号＝∑IMF(t)+余波，

对于每个子信号，按照从最高频到最低频的顺序依次分解出多个本征模函数IMF的数据序列，直至剩余的数据序列被分解后不满足本征模函数IMF的所述两个性质，则所述剩余的数据序列就作为该子信号的余波。

优选地，建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类，包括：

设每个样本的子信号特征的个数为l，样本个数为n，则建立训练样本集T＝{(x₁,y₁),...(x_i,y_i),...(x_n,y_n)}∈(X×Y)ⁿ，

其中，x_i∈X＝R^l，y_i∈Y＝{1,-1},i＝1,...,n，

其中，x_i∈X＝R^l是由每个样本的子信号特征构成的输入特征向量，y_i∈Y＝{1,-1}是输出量，i＝1,...,n。

优选地，根据支持向量机建立分类面方程包括：

选择核函数并构造和求解最优化问题，

其中依据以下公式：

得到最优解

其中，k(x_i,x_j)为核函数，α表示拉格朗日乘子，α^*表示拉格朗日乘子α的最优解；

基于求得的最优解

求出分类面方程，

其中，在最优解α^*中选择一个正分量

并据此计算

求得分类面方程

其中，b表示位移量，决定了分类面与原点的距离，b^*表示位移量b的最优解。

优选地，所述核函数k(x_i,x_j)为下列四种核函数之一：

线性核函数k(x_i,x_j)＝x_i·x_j；

多项式核函数k(x_i,x_j)＝[(x_i+x_j)+1]^d，d为多项式核函数的次数；

径向基函数

σ>0，|| ||为2-范数；

神经网络核函数k(x_i,x_j)＝tanh(a(x_i·x_j)+b)，a>0，b>0。

根据本发明的另一个方面，提供了一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施用于对化工装置的报警进行预测的方法，所述方法包括：

S1：采集集散控制系统中待分析位点的DCS信号，将该位点的DCS信号根据预设时间段划分为多个子信号，其中，每个子信号作为一个样本。

S2：根据经验模态分解法将该位点每个样本中的子信号分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号的特征；

S4：建立一个包含该位点所有样本和子信号特征的训练样本集，含报警与不报警两类，根据支持向量机建立分类面方程，所述分类面方程将所述训练样本集中的样本分为报警和不报警的类；

S5：采集所述预设时间段内该位点当前的DCS信号，作为一个新样本，执行S2至S3，将由所述新样本的DCS信号的特征构成的输入特征向量代入分类面方程，并根据计算出的结果判断所述新样本所属的类。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果。

应用本发明实施例提供的用于对化工装置的报警进行预测的方法，首先通过经验模态分解法对采集到的一个位点的DCS信号进行分解，将其分解成多个子信号，将每个频率不规则的波(每个子信号)均转化为多个单一频率的波和一个余波的形式，从而便于从中抽提有利于报警预测的特征。

通过对每个样本的子信号特征的优化提取，能够把不相关的、冗余的各种特征清理掉，保留最简洁有效的特征作为预测模型的输入，提高模型精度，还利于研究结果的分析与理解。

通过建立一个包含该位点的所有样本的子信号特征的训练样本集，并根据支持向量机建立分类面方程，该分类面方程可将与训练样本集中的子信号特征对应的样本分为报警和不报警的类。根据判断当前的DCS信号所属的类，准确地预测出接下来一段时间内报警是否会发生，解决了预测准确率低和分类器建模困难的问题，满足了自适应性和普适性的要求，保证了化工装置在生产过程中的安全性和稳定性。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及说明书附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了根据本发明一实施例的用于对化工装置的报警进行预测的方法的流程图；

图2示意性示出了根据本发明一实施例的某一个子信号的原数据序列；

图3示意性示出了如图2所示的该子信号的原数据序列中所有的极大值点；

图4示意性示出了如图2所示的该子信号的原数据序列的上包络线；

图5示意性示出了如图2所示的该子信号的原数据序列中所有的极小值点；

图6示意性示出了如图2所示的该子信号的原数据序列的下包络线；

图7示意性示出了如图2所示的该子信号的原数据序列的上包络线和下包络线的均值；

图8示意性示出了如图2所示的该子信号的原数据序列的进行第一次分解后的新数据序列h1(t)；

图9示意性示出了如图2所示的该子信号的原数据序列的进行第二次分解后的数据序列h2(t)；

图10示意性示出了如图2所示的该子信号的原数据序列的去掉最高频IMF后的又一新的数据序列r1(t)；

图11示意性示出了支持向量机的原理图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不必用这里的具体细节或者所描述的特定方式来实施。

如上所述，为解决现有技术中用于对化工装置的报警预测准确率低和分类器建模困难的问题，本发明实施例提供了一种用于对化工装置的报警进行预测的方法。

图1示出了根据本发明一实施例的用于对化工装置的报警进行预测的方法的流程图。如图1所示，该方法包括：

S1：采集集散控制系统DCS中待分析位点的DCS信号，将该位点的DCS信号按照预设时间长度划分为多个子信号，其中，每个子信号作为一个样本；

S2：根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征；

S4：建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类；

S5：采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与所述新样本对应的子信号特征构成的输入特征向量代入所述分类面方程，并根据计算出的结果判断所述新样本所属的类。

首先，执行步骤S1：采集集散控制系统DCS中待分析位点的DCS信号，将该位点的DCS信号按照预设时间长度划分为多个子信号，其中，每个子信号作为一个样本。具体为，从化工装置已有的历史数据中采集待分析位点的一段时间长度的DCS信号，并按照预设时间长度划分为多个子信号，每个子信号作为一个样本。其中，对于每个子信号来说，其时间长度与其他子信号的时间长度相等。预设时间长度可根据实际情况调整，本发明不限于此。同样地，对于所采集待分析位点的DCS信号的时间长度也可以根据实际情况调整，本发明亦不限于此。

其中，每个子信号作为一个样本。可以理解为，如果划分了n个子信号，便有n个样本。

接下来，执行步骤S2：根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波。

现有技术中，EMD(Empirical Mode Decomposition，经验模态分解)是通过算法过程定义的，而并非由确定的理论公式定义的，所以对其进行准确的理论分析非常困难。

经验模态分解的基本思想：将一个频率不规则的波化为多个单一频率的波和一个余波的形式。

原信号波＝∑IMF+余波

所分解出来的各IMF分量包含了原信号的不同频率的局部特征信号。

EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模函数IMF(Intrinsic Mode Function)，且本征模函数IMF须满足以下两个性质：

信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个；

由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。

在本发明一实施例中，EMD方法是基于如下假设基础上的：

(1)信号至少有两个极值点，一个极大值和一个极小值；

(2)特征时间尺度通过两个极值点之间的时间定义；

(3)若数据缺乏极值点但有形变点，则可通过数据微分一次或几次获得极值点，然后再通过积分来获得分解结果。

在本发明一实施例中，根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波包括：

每个子信号都被分解为多个本征模函数IMF和一个余波，表达式为：

每个子信号＝∑IMF(t)+余波，

对于每个子信号，按照从最高频到最低频的顺序依次分解出多个本征模函数IMF的数据序列，直至剩余的数据序列被分解后不满足本征模函数IMF的两个性质，则所述剩余的数据序列就作为该子信号的余波。

具体为，以某一个子信号为例。图2示意性示出了根据本发明一实施例的某一个子信号的原数据序列。如图2所示，设该子信号的原数据序列为V(t)。

第一步、找出该原数据序列V(t)中的第一本征模函数IMF。

为此，首先，找出原数据序列V(t)的所有的极大值点。图3示意性示出了如图2所示的该子信号的原数据序列中所有的极大值点。

接下来，对原数据序列V(t)中的所有的极大值点采用三次样条函数拟合，其连接原数据序列V(t)的所有极大值的拟合后的曲线称为原数据序列V(t)的上包络线。其中，三次样条函数拟合的数学表达形式为ax³+bx²+cx+d，现有技术中已普遍使用，在此不再赘述。图4示意性示出了如图2所示的该子信号的原数据序列的上包络线。

接下来，找出原数据序列V(t)的所有的极小值点，对原数据序列V(t)中的所有的极小值点采用三次样条函数拟合，其连接原数据序列V(t)的所有极小值的拟合后的曲线称为原数据序列V(t)的下包络线。图5示意性示出了如图2所示的该子信号的原数据序列中所有的极小值点。图6示意性示出了如图2所示的该子信号的原数据序列的下包络线。

接下来，求出原数据序列V(t)的上包络线和下包络线的均值，记为m1(t)。图7示意性示出了如图2所示的该子信号的原数据序列的上包络线和下包络线的均值。

然后，将原数据序列V(t)减去m1(t)，可得到一个新数据序列h1(t)，即h1(t)＝V(t)－m1(t)。图8示意性示出了如图2所示的该子信号的原数据序列的进行第一次分解后的新数据序列h1(t)。

其中，如果新数据序列h1(t)满足本征模函数IMF的两个性质，则新数据序列h1(t)就作为第一个本征模函数分量IMF1(t)。

相反，如果新数据序列h1(t)不满足本征模函数IMF的两个性质，则重复上述过程。具体地，如果新数据序列h1(t)不满足本征模函数IMF的两个性质，则找出新数据序列h1(t)的所有极大值点，拟合出新数据序列h1(t)的上包络线；找出新数据序列h1(t)的所有极小值点，拟合出新数据序列h1(t)的下包络线；新数据序列h1(t)的上包络线和下包络线的均值，记为m2(t)；将新序列h1(t)减去m2(t)得到数据序列h2(t)，即h2(t)＝h1(t)－m2(t)。重复上述过程，直至数据序列hn(t)满足本征模函数IMF的两个性质，这样就得到第一个本征模函数IMF1(t)。图9示意性示出了如图2所示的该子信号的原数据序列的进行第二次分解后的数据序列h2(t)。

其中，由于在上述过程中原数据序列V(t)和数据序列hn(t)减去的是mn(t)所代表的低频成分，所以第一个本征模函数IMF1(t)表示该样本的DCS信号的原数据序列V(t)中最高频率的成分。

第二步，计算该样本原数据序列的剩余的本征模函数IMF和余波。

为此，首先，用原数据序列V(t)减去第一个本征模函数IMF1(t)，得到一个去掉最高频成分的另一个新数据序列r1(t)。图10示意性示出了如图2所示的该子信号的原数据序列的去掉最高频IMF后的新的数据序列r1(t)。

对于新数据序列r1(t)，与分解出第一个本征模函数IMF1(t)的过程相同，再进行上述第一步的分解，得到第二个本征模函数分量IMF2(t)。

重复上述过程，直到剩余的数据序列被分解后不满足本征模函数IMF的两个性质，则该剩余的数据序列就作为该子信号的余波。其中，余波代表原数据序列V(t)的趋势或均值。

通过以上执行步骤，该子信号被分解为多个本征模函数IMF和一个余波。

第三步，分解该位点剩余的子信号，计算出对应于该位点剩余样本中每个子信号被分解后的多个本征模函数IMF和一个余波。

具体为，重复上述第一步和第二步过程，直至将该位点的所有子信号都分解成多个本征模函数本征模函数IMF和一个余波。

需要说明的是，每个子信号只要能被分解成本征模函数IMF和余波的形式即可。本征模函数IMF的数量可以是一个，也可以是多个，其并不影响本发明的实施，本发明不限于此。

需要说明的是，所有子信号的分解过程可以是如上述依次进行的，但也可以是同时进行的，本发明不限于此。

本发明一实施例通过采用经验模态分解法，能将复杂的频率不规则子信号分解为有限个单一频率的本征模函数IMF，因此本发明一实施例提供的对报警进行预测的方法具有普适性。另外，经验模态分解法能使非平稳数据进行平稳化处理。由于本征模函数IMF是由原数据本身所分解得到的，因此与短时傅立叶变换、小波分解等方法相比，本发明一实施例采用的经验模态分解法是直观的、直接的、后验的和自适应的。由于分解是基于信号序列时间尺度的局部特性，因此本发明一实施例提供的对报警进行预测的方法具有自适应性。

接下来，执行步骤S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征。

特征提取是指从所有的数据特征中选择其中的一部分特征，用来进行研究的过程，为进一步的对报警进行预测提供服务。在实际应用中，数据信息要尽可能全面但无需重复。比如，有些数据特征之间不相关，有些数据特征之间存在相互依赖的信息冗余。这样的情况下，如果用过多的数据特征来建立训练分类模型则会影响分类效果，同时也会造成维度灾难。

有鉴于此，本发明一实施例通过对每个样本的特征优化提取，能够把不相关的、冗余的各种特征清理掉，保留最简洁有效的特征作为预测模型的输入，提高模型精度，还利于研究结果的分析与理解。

通过对比正常工况数据和报警工况数据，发现它们之间的差异主要体现在第一个本征模函数IMF以及最后的信号余波上。其中，第一个IMF代表了数据序列的最高频率的信号成分，余波代表了子信号整体的趋势。

具体地，在步骤S3中，每个样本的子信号特征包括：从最高频IMF中提取的极差、方差、第一因子，从余波中提取的最大值、最小值、极差、上预警矩、下预警矩、均值。

首先，根据下列公式分别计算出每个样本的最高频IMF的极差、方差和第一因子以及余波的极差、上预警矩和上预警矩：

设本征模函数IMF或余波的数据序列Z有N个数据点，每个数据点表示为z_i(i＝1,2,…)，则

极差：ED＝max(Z)-min(Z)；

方差：

第一因子：

W_i为权重，

上预警矩：UL＝|U-max(Z)|，U为报警上限，UL用于度量数据序列中最大的观测值离预警上限的距离，距离越近，报警的可能性越大；

下预警矩：DL＝|D-min(Z)|，D为报警下限，DL用于度量数据序列中最小的观测值离预警下限的距离，距离越近，报警的可能性越大。

接下来，提取已计算出的该样本的最高频IMF的极差、方差和第一因子以及余波的极差、上预警矩和下预警矩以及可直接提取的余波的最大值、最小值和均值。

重复上述过程，直至将所有样本的子信号特征全部提取出来。

需要说明的是，所有样本的子信号特征的提取过程可以是依次进行的，也可以是同时进行的，本发明不限于此。

接下来，执行步骤S4：建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类。

SVM(Support Vector Machine，支持向量机)是常见的一种判别方法。在机器学习领域，SVM是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

下面简单描述一下支持向量机的原理。图11示意性示出了支持向量机的原理图。如图11所示，图11中圆形和方形各代表不同的类别，H是分类面方程或分类器方程，而H1和H2是平行于H且过样本点离分类面方程H最近的两类样本的直线，H1和H2上的样本点称为支持向量，margin＝2/||w||表示H1和H2之间的分类间隔。SVM方法就是在两类样本数据中找到这样的分类面方程H。

对于支持向量机来说，其主要处理以下两种问题：线性可分问题和线性不可分问题。在本发明一实施例中，注意到对报警样本和不报警样本进行分类属于线性不可分问题。因此，优选地采取处理线性不可分问题的支持向量机对报警样本和不报警样本进行分类。同时，为了方便计算，引入了核函数。

下面简单描述一下核函数的作用。对于线性不可分问题，支持向量机是通过一个非线性映射φ(x)，把样本空间映射到一个高维的特征空间中，构造分类面方程：

f(x)＝wφ(x)+b，

上述分类面方程可以扩展为

其中，w为法向量，表示分类面方程的方向，b为位移量，决定了分类面与原点的距离。通过非线性映射φ(x)就使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，但是由于特征空间的维数可能很高，甚至是无穷维，因此计算φ(x)通常是非常困难的。因此，为了方便计算，本发明一实施例引入了核函数k(x_i,x_j)。

利用核函数k(x_i,x_j)＝φ(x_i)φ(x_j)，即将x_i和x_j在特征空间的内积等于它们在原始样本空间中通过核函数k(x_i,x_j)计算的函数值，也就是将高维内积转化为低维的函数运算，从而极大地降低了计算的复杂度和难度。总而言之，核函数它本质上隐含了从低维到高维的映射，从而避免直接计算高维的内积。

在本发明一实施例中，经过步骤S3，已经提取了每个样本的子信号特征，即从最高频IMF中提取极差、方差、第一因子，从余波中提取最大值、最小值、极差、上预警矩、下预警矩、均值。

在步骤S4中，首先，基于提取到的子信号特征和样本的性质(是否报警)，建立包含该位点的所有样本的子信号特征的训练样本集T。

设每个样本的子信号特征的个数为l，样本个数为n，

则建立训练样本集T＝{(x₁,y₁),...(x_i,y_i),...(x_n,y_n)}∈(X×Y)ⁿ，

其中，x_i∈X＝R^l，y_i∈Y＝{1,-1},i＝1,...,n

其中，x_i∈X＝R^l是每个样本的子信号特征构成的输入特征向量，y_i∈Y＝{1,-1}是输出量，{1,-1}中的1和-1表示样本点的性质，例如设1为报警，-1为不报警，i＝1,...,n这n个样本组成的集合称为训练样本集。

接下来，根据支持向量机建立分类面方程，包括：对于训练样本集T选择核函数并构造和求解最优化问题，其中依据以下公式：

得到最优解

其中，k(x_i,x_j)为核函数，α表示拉格朗日乘子，α^*表示拉格朗日乘子α的最优解；

基于求得的最优解

求出分类面方程，其中依据以下公式：

在最优解α^*中选择一个正分量

并据此计算

进而求得分类面方程

该分类面方程将与训练样本集中的子信号特征对应的样本分为报警和不报警的类，

其中，b表示位移量，决定了分类面与原点的距离，b^*表示位移量b的最优解。

其中，本发明一实施例中选取的核函数k(x_i,x_j)为下列四种核函数之一：

线性核函数k(x_i,x_j)＝x_i·x_j；

多项式核函数k(x_i,x_j)＝[(x_i+x_j)+1]^d，d为多项式核函数的次数；

径向基函数

σ>0，|| ||为2-范数；

神经网络核函数k(x_i,x_j)＝tanh(a(x_i·x_j)+b)，a>0，b>0。

接下来，执行步骤S5：采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与所述新样本对应的子信号特征构成的输入特征向量代入所述分类面方程，并根据计算出的结果判断所述新样本所属的类。

具体为，首先，采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本。需要说明的是，采集的该位点当前的DCS信号的预设时间长度与步骤S1中划分多个子信号的预设时间长度相等。此外，采集该位点当前的所述预设时间长度的DCS信号指的是采集该位点的当前时刻之前的这一预设时间长度的DCS信号。例如，当前时刻是9点，预设时间长度为2分钟，那么采集的是从8点58分至9点这两分钟内的DCS信号。接下来，根据在步骤S2至S3中描述的，提取出当前新样本的子信号特征。接下来，将与该新样本对应的子信号特征构成的输入指标向量x代入分类面方程

可得到计算出的结果，即输出量f(x)。

优选地，在本发明一实施例中，根据判断当前DCS信号所属的类，来预测在接下来一段时间(例如两分钟)内报警是否会发生。

假如在训练样本集T中报警样本处于f(x)>0的一侧，不报警样本处于f(x)<0的一侧。通过计算，如果当前的新样本的输出量f(x)>0，则可以预测出接下来两分钟内报警会发生；而如果当前的新样本的输出量f(x)<0，则可以预测出接下来两分钟内报警不会发生。相反，假如在训练样本集T中报警样本处于f(x)<0的一侧，不报警样本处于f(x)>0的一侧。通过计算，如果当前的新样本的输出指标f(x)>0，则可以预测出接下来两分钟内报警不会发生；如果当前的新样本的输出指标f(x)<0，则可以预测出接下来两分钟内报警会发生。

相应地，本发明一实施例还提供一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施用于对化工装置的报警进行预测的方法，所述方法包括：

S1：采集集散控制系统DCS中待分析位点的DCS信号，将该位点的DCS信号按照预设时间长度划分为多个子信号，其中，每个子信号作为一个样本；

S2：根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征；

S4：建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类；

S5：采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与所述新样本对应的子信号特征构成的输入特征向量代入所述分类面方程，并根据计算出的结果判断所述新样本所属的类。

自2016年开始，在镇海炼化对炼油四部2#常减压装置的关键DCS位号进行报警的预测研究中，开发了利用本发明一实施例提供的方法而建立的关键报警点的预警模型，经过在镇海炼化的应用验证，实现了对装置报警的及时准确捕获。

据统计对于大部分DCS信号的报警预测每周统计准确率都在90％及以上，误报率漏报率都维持在10％及以下。

综上所述，本发明提供了一种用于对化工装置的报警进行预测的方法及存储介质，该方法基于EMD(Empirical Mode Decomposition，经验模态分解)和SVM(SupportVector Machine，支持向量机))，能够根据判断当前的DCS信号所属的类，准确地预测出接下来一段时间内报警是否会发生，解决了预测准确率低和分类器建模困难的问题，满足了自适应性和普适性的要求，保证了化工装置在生产过程中的安全性和稳定性。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“实施例”并不一定均指同一个实施例。

本领域的技术人员应该明白，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域的技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM或技术领域内所公知的任意其它形式的存储介质中。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种用于对化工装置的报警进行预测的方法，包括：

S1：采集集散控制系统DCS中待分析位点的DCS信号，将该位点的DCS信号按照预设时间长度划分为多个子信号，其中，每个子信号作为一个样本；

S2：根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征，其中，所述子信号特征包括最高频本征模函数IMF的极差、方差和第一因子以及余波的最大值、最小值、极差、上预警矩、上预警矩和均值；

S4：建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类；

S5：采集该位点当前的所述预设时间长度的DCS信号，作为一个新样本，执行S2至S3，将与所述新样本对应的子信号特征构成的输入特征向量代入所述分类面方程，并根据计算出的结果判断所述新样本所属的类。

2.根据权利要求1所述的方法，还包括：

如果判断出所述新样本属于报警的类，则预测报警会发生；如果判断出所述新样本属于不报警的类，则预测报警不会发生。

3.根据权利要求1所述的方法，其中，从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号特征包括：

根据下列公式分别计算出每个样本的最高频IMF的极差、方差和第一因子以及余波的极差、上预警矩和上预警矩：

设每个样本的本征模函数IMF或余波的数据序列Z有N个数据点，每个数据点表示为z_i(i＝1,2,…)，则

极差：ED＝max(Z)-min(Z)；

方差：

第一因子：

W_i为权重，

上预警矩：UL＝|U-max(Z)|，U为报警上限，UL用于度量数据序列中最大的观测值离预警上限的距离，距离越近，报警的可能性越大；

下预警矩：DL＝|D-min(Z)|，D为报警下限，DL用于度量数据序列中最小的观测值离预警下限的距离，距离越近，报警的可能性越大。

4.根据权利要求1所述的方法，其中，所述本征模函数IMF满足以下两个性质：

信号的极值点数目和过零点数目相等或最多相差一个；

由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。

5.根据权利要求4所述的方法，其中，根据经验模态分解法将该位点的每个样本分解成本征模函数IMF和余波包括：

每个子信号都被分解为多个本征模函数IMF和一个余波，表达式为：

每个子信号＝∑IMF(t)+余波，

对于每个子信号，按照从最高频到最低频的顺序依次分解出多个本征模函数IMF的数据序列，直至剩余的数据序列被分解后不满足本征模函数IMF的所述两个性质，则所述剩余的数据序列就作为该子信号的余波。

6.根据权利要求1所述的方法，其中，建立包含该位点的所有样本的子信号特征的训练样本集，根据支持向量机建立分类面方程，所述分类面方程将与所述训练样本集中的子信号特征对应的样本分为报警和不报警的类，包括：

设每个样本的子信号特征的个数为l，样本个数为n，则建立训练样本集T＝{(x₁,y₁),...(x_i,y_i),...(x_n,y_n)}∈(X×Y)ⁿ，

其中，x_i∈X＝R^l，y_i∈Y＝{1,-1},i＝1,...,n，

其中，x_i∈X＝R^l是由每个样本的子信号特征构成的输入特征向量，y_i∈Y＝{1,-1}是输出量，i＝1,...,n。

7.根据权利要求6所述的方法，其中，根据支持向量机建立分类面方程包括：

选择核函数并构造和求解最优化问题，

其中依据以下公式：

得到最优解

其中，k(x_i,x_j)为核函数，α表示拉格朗日乘子，α^*表示拉格朗日乘子α的最优解；

基于求得的最优解

求出分类面方程，

其中，在最优解α^*中选择一个正分量

并据此计算

求得分类面方程

其中，b表示位移量，决定了分类面与原点的距离，b^*表示位移量b的最优解。

8.根据权利要求7所述的方法，其中，所述核函数k(x_i,x_j)为下列四种核函数之一：

线性核函数k(x_i,x_j)＝x_i·x_j；

多项式核函数k(x_i,x_j)＝[(x_i+x_j)+1]^d，d为多项式核函数的次数；

径向基函数

σ>0，|| ||为2-范数；

神经网络核函数k(x_i,x_j)＝tanh(a(x_i·x_j)+b)，a>0，b>0。

9.一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施权利要求1至8中任一项所述的用于对化工装置的报警进行预测的方法，所述方法包括：

S1：采集集散控制系统中待分析位点的DCS信号，将该位点的DCS信号根据预设时间段划分为多个子信号，其中，每个子信号作为一个样本,

S2：根据经验模态分解法将该位点每个样本中的子信号分解成本征模函数IMF和余波；

S3：从每个样本的本征模函数IMF和余波中提取出与该样本对应的子信号的特征；

S4：建立一个包含该位点所有样本和子信号特征的训练样本集，含报警与不报警两类，根据支持向量机建立分类面方程，所述分类面方程将所述训练样本集中的样本分为报警和不报警的类；

S5：采集所述预设时间段内该位点当前的DCS信号，作为一个新样本，执行S2至S3，将由所述新样本的DCS信号的特征构成的输入特征向量代入分类面方程，并根据计算出的结果判断所述新样本所属的类。

Images