CN110097175A - 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 - Google Patents
面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 Download PDFInfo
- Publication number
- CN110097175A CN110097175A CN201910371736.2A CN201910371736A CN110097175A CN 110097175 A CN110097175 A CN 110097175A CN 201910371736 A CN201910371736 A CN 201910371736A CN 110097175 A CN110097175 A CN 110097175A
- Authority
- CN
- China
- Prior art keywords
- pipe
- temperature
- dcnn
- data
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于裂解炉控制技术领域,公开了一种面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,采集乙烯裂解炉管数据;选用距离数据与温度数据,对温度数据与距离数据进行分割、归一化处理,然后基于深度半非矩阵分解(Semi‑Non‑negative Matrix Factorization,Semi‑NMF)的乙烯裂解炉管特征提取;建立基于深度卷积神经网络的混合结构神经网络重管识别模型。本发明的乙烯裂解炉管温度检测装置及相应的检测方法,能应用于大型石化公司的乙烯裂解装置;基于深度非负矩阵分解的乙烯裂解炉管数据特征提取算法,提取的特征作为深度卷积神经网络的输入,实现了裂解炉管温度的准确判别;本发明的深度卷积神经网络压缩方法能面向边缘应用。
Description
技术领域
本发明属于裂解炉控制技术领域,尤其涉及一种面向乙烯裂解炉管重管识别的嵌入式DCNN(Deep Convolution Neural Network,DCNN)压缩方法。
背景技术
目前,业内常用的现有技术是这样的:
石油化工是推动世界经济发展的支柱产业之一,而乙烯是石油化工的龙头产品,俗称“石油化工之母”。目前约有75%的石油化工产品由乙烯生产,主要有聚乙烯、环氧乙烷、二氯乙烷、苯乙烯等。乙烯是生产有机原料的基础,其生产规模、产量、技术水平标志着一个国家石化工业发展的水平。管式炉蒸汽裂解技术是目前乙烯生产的主导技术,世界上约90%的乙烯产量通过该技术生产得到。管式炉蒸汽裂解是指裂解原料与稀释蒸汽在管式裂解炉的对流段炉管内被预热后,进入管式裂解炉的辐射段炉管后发生碳链断裂或脱氢反应产生裂解气的过程。
目前世界上的管式裂解炉型主要有:鲁姆斯公司(Lummus)的SRT型裂解炉;斯通·韦伯斯特公司(Stone&Webster)的USC型裂解炉;KBR公司的 SC型裂解炉;KTI公司的GK型裂解炉;林德公司(Linde)的Pyrocrack型裂解炉等。这些炉型各有特点,它们的共同点就是满足烯烃生产所需的高温、短停留时间及低烃分压。
随着乙烯裂解炉的日益大型化,为了保证其关键构件——裂解炉管能够安全、可靠的运行,对其高温性能提出了极高的要求。裂解炉管的设计寿命一般为10万个小时,然而由于其长期在高碳势、低氧压的环境下工作,其需要承受由于高温复杂环境所引起的各种损伤,如弯曲变形、渗碳损伤、氧化损伤、蠕变损伤等,这将导致炉管的提前失效。炉管的提前失效一方面会导致裂解炉的非计划性停车,影响正常的生产,造成了经济损失,另一方面,裂解炉运行中的炉管失效断裂会造成原料的泄露,会引起燃烧,可能会导致安全事故,危害操作人员的安全(甚至人员伤亡),同时也会对企业造成巨大的损失。
在裂解炉管失效的多种形式中,90%以上的案例都与温度有直接关系,可以说温度是裂解炉管失效的主要影响因素。为了确保裂解炉炉管安全运行,并对故障炉管维修时提供处理依据,必须对炉管温度进行监控、统计、分析,从而积累炉管运行状况的各种信息,以便对炉管的运行状况做出准确的判断。在乙烯裂解炉实际生产中,炉内炉管呈“一字”形间隔排列,但在高温、高压以及加热震动的环境下,炉管排列方式会发生重叠、遮管的现象。由此,在使用运行于裂解炉外测轨道上的智能测温仪对炉管进行测温过程中,易产生无法区分测量温度属于哪根炉管或者温度分割不准确的问题,所以如何准确判别和分割由重管中每一根炉管对应的温度,对于下一步实现准确判断炉管结焦状态起着至关重要的作用。
温度是裂解炉管失效的主要影响因素。为了确保裂解炉炉管安全运行,并对故障炉管维修时提供处理依据,必须对炉管温度进行监控、统计、分析,从而积累炉管运行状况的各种信息,以便对炉管的运行状况做出准确的判断。对于裂解炉管采集到的温度数据,主要应用包括:(1)通过热电偶监测裂解炉辐射段炉管气体出口温度(COT),判断物料在高温下的裂解深度是否达标;(2)监测裂解炉管外表面温度,根据该温度与COT的差值来判断炉管结焦情况等。
因此,实现炉管表面温度实时准确测量和记录,并实时与COT对比,自动而又精确判断火焰燃烧状态、热分布情况和炉管结焦状况,并提出进料量、汽烃比等优化调整意见,这对提高裂解炉生产能力和乙烯装置的经济效益具有重要的现实意义,是乙烯行业亟待解决的重要课题,也是管式炉蒸汽热裂解技术的一个重要发展方向。目前裂解炉管外表面温度检测方法主要有接触式测温以及非接触式测温。
接触式测温法是指测温时将传感器置于在被测温度介质或场中直接放入测温元件,此时传感器测温元件与物体保持相同温度。热电偶是在工业生产中所应用最多的一种温度监测元件,其具备的以下特点:
(1)测温精度高:在工业生产的过程中,热电偶所釆用的测温方式是直接与被测物体进行直接接触的,故可以免去中间介质的影响。
(2)测温范围广:热电偶所适用的温度一般介于800-1200之间,所以在一般的测量过程中,都能适用。
(3)构造简单:热电偶结构具有两种不同种金属线,可以很方便地使用,但不向外界区分不同的大小和开口,可以安装保护套管。
在大多数传统行业中热电偶的使用量很大的。但是在乙烯裂解炉中使用热电偶进行炉管测温存在以下不足:裂解炉的工作环境一直处于高温状态,导致元件费用消耗大,由于热电偶损耗的增大也在同时增大了维护的难度,而且热电偶在测温时需要与被测介质充分进行热交换才能得到测量结果,这需要一定的时间来达到达热平衡状态,存在着延迟测温的现象。因此采用热电偶法测温无法满足现代工业对于工作过程中环境温度场的实时监测的效果,同时受到要求材料的耐高温限制,热电偶也不能适用于较高温度的检测。
非接触式测温
非接触式测温在现阶段主要是指利用辐射测温的方法。自然界任何物体都在不断的向外界辐射,且辐射强度与温度的有固定的函数关系,该方法就是利用这种对应函数关系来进行温度测量的。因为非接触式测温法无需与被测量物体接触而且测温范围广,不会破坏被测目标体的温度场,测温响应迅速并且能够对运动物体进行测温,所以在实际工业生产中应用比较普遍。常用的方法包括:有比色法、亮度法,多波长法以及全辐射法等。
现有非负矩阵分解技术:
NMF即半非负矩阵分解技术作为一个简单的两层非负矩阵分解网络已在信号处理等领域得到了成功应用,但它没有考虑数据的非线性特点,是一个单层分解方法,无法对数据进行深层特征表达。
综上所述,现有技术存在的问题是:
(1)裂解炉管外表面温度检测中接触式测温精度高,但元器件消耗大,维护困难;非接触式测温使用范围广,但存在设备昂贵或测量准确率不足等问题;
(2)现有非负矩阵分解技术没有考虑数据的非线性特点,是一个单层分解方法,无法对数据进行深层特征表达。
解决上述技术问题的难度:
对于裂解炉管外表面温度的监测,传统的测温方式主要为在炉管的不同部位安装热电偶测量或者人工使用手持式测温枪对炉管进行定位瞄准测量,但热电偶在高温环境中极易损坏或发生漂移,给工艺操作控制带来极大不便。而人工手持测温枪在定位测量过程中,由于裂解炉在运行时会产生强烈振动和噪音,加之恶劣的高温测温环境,使得手持测温枪定位测量方式会存在测量效率低、精度差、劳动强度大等缺点。因此,到目前为止,如何准确测量裂解炉管外表面温度仍然是亟待解决的棘手问题。
解决上述技术问题的意义:
由于裂解炉管外表面温度的恰当监测和控制直接关系到企业的经济效益、设备的生产安全性和运行耐久性以及操作工人的人身安全性,所以,在乙烯工业中亟需装备一套能实现对裂解炉管的精准定位、外表面温度的准确测量和炉管的智能结焦诊断与预测,进而为避免炉管结焦、开裂、堵漏、碳化、腐蚀,掌握裂解炉热场分布、改善裂解炉优化操作,延长裂解炉运行周期提供依据。
发明内容
针对现有技术存在的问题,本发明提供了一种面向乙烯裂解炉管重管识别的嵌入式DCNN(Deep Convolution Neural Network,DCNN深度卷积神经网络) 压缩方法。
本发明是这样实现的,一种面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法具体包括:
步骤一,采集乙烯裂解炉管数据;
步骤二,选用距离数据与温度数据,对温度数据与距离数据进行分割、归一化处理,然后基于深度半非矩阵分解的乙烯裂解炉管特征提取;
步骤三,建立基于深度卷积神经网络的混合结构神经网络重管识别模型。
进一步,步骤一中,所述乙烯裂解炉管数据采集方法具体包括:
设裂解炉管表面发射率为ε,因其为不透明材料,故其表面反射率为1-ε;设烟气的透射率为τ,其反射率为零,故烟气发射率为1-τ;
则智能测温仪接收到的总辐射S=目标辐射+反射辐射+烟气辐射,即:
S=τεS0+τ(1-ε)Sa+(1-τ)Satm (1)
上式中:S为智能测温仪从炉管外表面接收到的总辐出度;S0为炉管外表面温度下智能测温仪接收到的辐出度;Sa为炉膛内墙温度下智能测温仪接收到的辐出度;Satm为炉膛内烟气温度下智能测温仪接收到的辐出度;
利用智能测温仪由试验确定的仪器系数C,可将上述的辐射关系转换为热值关系,即:
I0=CS0;
则I'0=τεI0+τ(1-ε)Ia+(1-τ)Iatm
上式中:
I'0为智能测温仪测试的炉管热值;I0为炉管外表面温度下被标定的热值;Ia为炉膛内墙温度下被标定的热值;Iatm为炉膛内烟气温度下被标定的热值;
由上式可得炉管外表面温度下标定的热值为:
则被标定的热值与相对应的温度关系为:
上式中:I为温度T下被标定的热值;T为热力学温度;R、B、F依赖于光圈、滤光镜和扫描器类型的标定常数;
另外,式中的气体透射率为:
其中,a为衰减系数,短波扫描器取0.046;d为从探测器到被测目标的距离。
进一步,步骤二中,所述数据归一化处理具体包括:
将温度和距离数据均归一到区间(-1,1)。
进一步,步骤二中,所述基于深度半非矩阵分解的乙烯裂解炉管特征提取具体包括:
将Semi-NMF中的系数矩阵H多次分解,将分解结果作为下一层的输入,最终形成一个深层次的网络结构。
具体地:Semi-NMF将初始矩阵X分解为基矩阵Z和系数矩阵H,即 X±≈Z±H+,通过多次迭代,将原始数据X分解成m+1个因子,即:
进一步,步骤三中,所述基于深度卷积神经网络的混合结构神经网络重管识别模型包括:
DCNN网络结构包1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,各层按以下顺序依次进行分布:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连通层和输出层。DCNN网络结构的输入是一个32x32像素的炉管特征灰度图,其输出为重管和非重管的分类概率。
选择交叉熵作为损失函数,每条数据的标签Y=[y1,y2]使用下式进行表示:
损失函数通过下式进行计算:
其中为神经网络输出的二分类概率值;
定义损失函数之后,每次训练神经网络经过前向计算后回溯更新网络参数,采用BP(back propagation)算法。
进一步,步骤三中,所述基于深度卷积神经网络的混合结构神经网络重管识别模型具体为:
DCNN网络结构包1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,各层按以下顺序依次进行分布:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连通层和输出层。DCNN网络结构的输入是一个32x32像素的炉管特征灰度图,其输出为重管和非重管的分类概率。
将神经网络表示为:
其中为第l层第i个神经元与第l+1层第j个神经元之间的连接;nl指的是第l层包含的神经元数目,nl指的是第l+1层包含的神经元数目;表示相应的连接不存在;
令f(W)表示评估模型W准确率的评估函数,同时令δ表示用户指定的准确率损失容忍程度;对于模型W,在δ的约束下寻找最优裁剪模型的任务可以表示如下:
式中W'是模型W的一个子集,同时也是一个裁剪后的模型;|W'|表示模型W' 的大小而W*表示满足准确率约束的条件下最小的模型,即最优裁剪模型;
在LMP算法中,裁剪结果由每层的裁剪阈值决定。模型W的第l层裁剪过程可形式化为:
其中表示的绝对值,εl表示第l层的裁剪阈值;
考虑超参数cl的函数g,即εl=g(cl),则该LMP模型可形式化为:
其中向量c=(c1,c2,...,cL);
通过联立上式,超参数可表示为:
进一步,所述超参数求解方法具体包括:
采用NCS算法进行模型的优化及求解;
NCS适应度函数:
fitness(c)=-eval(LMP(W,c))
本发明的另一目的在于提供一种实施所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩控制系统。
本发明的另一目的在于提供一种搭载所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方控制系统的裂解炉。
综上所述,本发明的优点及积极效果为:
本发明的乙烯裂解炉管温度检测装置及相应的检测方法,能应用于某大型石化公司的乙烯裂解装置;本发明的基于深度非负矩阵分解的乙烯裂解炉管数据特征提取算法,提取的特征作为深度卷积神经网络的输入,实现了裂解炉管温度的准确判别;本发明的深度卷积神经网络压缩方法能面向边缘应用。
本发明提供的检测方法偏向于异常检测,构建的神经网络在遇到未知数据类型时也具有较好的辨识能力。
本发明提供的基于深度卷积神经网络的裂解炉重管识别算法,综合使用采集到的温度和距离数据,实现裂解炉管的精确识别。
本发明采用深度半非负矩阵分解解决了NMF泛化能力差、作为单层网络学习特征能力有限、以及现有的深度非负矩阵分解方法未考虑数据的非线性等问题。
本发明使用距离+温度数据样本在训练与测试时,其精确率、召回率和F1 值均是最优;建立混合结构深度神经网络模型能够更加全面提取采集数据信息。
本发明采用的NCS算法是一个基于种群的启发式优化算法,它在诸多多模态优化问题上取得了目前世界上最佳的效果,同时它在求解问题的过程中并不需要梯度信息。NCS通过强化不同个体之间的负相关关系来增加解决方案之间的差异,并鼓励不同的个体去搜索解空间中的不同区域。
附图说明
图1是本发明实施例提供的面向乙烯裂解炉管重管识别的嵌入式DCNN (DeepConvolution Neural Network,DCNN深度卷积神经网络)压缩方法流程图。
图2是本发明实施例提供的混合神经网络结构示意图。
图3是本发明实施例提供的红外自动测温仪原始测量数据示例图。
图4是本发明实施例提供的原始测量数据的直方图。
图5是本发明实施例提供的模型使用3种不同激活函数的训练效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,裂解炉管外表面温度检测中接触式测温精度高,但元器件消耗大,维护困难;非接触式测温使用范围广,但存在设备昂贵或测量准确率不足等问题;现有非负矩阵分解技术没有考虑数据的非线性特点,是一个单层分解方法,无法对数据进行深层特征表达。
为解决上述问题,下面结合附图对本发明的应用原理做详细描述。
如图1所示,本发明实施例提供的面向乙烯裂解炉管重管识别的嵌入式 DCNN压缩方法具体包括:
S101,采集乙烯裂解炉管数据。
S102,选用距离数据与温度数据,对温度数据与距离数据进行分割、归一化处理,然后基于深度半非矩阵分解的乙烯裂解炉管特征提取。
S103,建立基于深度卷积神经网络的混合结构神经网络重管识别模型。
步骤S101中,本发明实施例提供的乙烯裂解炉管数据采集方法具体包括:
设裂解炉管表面发射率为ε,因其为不透明材料,故其表面反射率为1-ε;设烟气的透射率为τ,其反射率为零,故烟气发射率为1-τ;
则智能测温仪接收到的总辐射S=目标辐射+反射辐射+烟气辐射,即:
S=τεS0+τ(1-ε)Sa+(1-τ)Satm (1)
上式中:S为智能测温仪从炉管外表面接收到的总辐出度;S0为炉管外表面温度下智能测温仪接收到的辐出度;Sa为炉膛内墙温度下智能测温仪接收到的辐出度;Satm为炉膛内烟气温度下智能测温仪接收到的辐出度;
利用智能测温仪由试验确定的仪器系数C,可将上述的辐射关系转换为热值关系,即:
I0=CS0;
则I'0=τεI0+τ(1-ε)Ia+(1-τ)Iatm
上式中:
I'0为智能测温仪测试的炉管热值;I0为炉管外表面温度下被标定的热值;Ia为炉膛内墙温度下被标定的热值;Iatm为炉膛内烟气温度下被标定的热值;
由上式可得炉管外表面温度下标定的热值为:
则被标定的热值与相对应的温度关系为:
上式中:I为温度T下被标定的热值;T为热力学温度;R、B、F依赖于光圈、滤光镜和扫描器类型的标定常数;
另外,式中的气体透射率为:
其中,a为衰减系数,短波扫描器取0.046;d为从探测器到被测目标的距离。
步骤S102中,本发明实施例提供的数据归一化处理具体包括:
将温度和距离数据均归一到区间(-1,1)。
步骤S102中,本发明实施例提供的基于深度半非矩阵分解的乙烯裂解炉管特征提取具体包括:
将Semi-NMF中的系数矩阵H多次分解,将分解结果作为下一层的输入,最终形成一个深层次的网络结构。
如图2所示,步骤S103中,本发明实施例提供的基于深度卷积神经网络的混合结构神经网络重管识别模型包括:
DCNN网络结构包1个输入层、3个卷积层、3个max池化层、1个全连通层和一个输出层,各层按以下顺序依次进行分布:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连通层和输出层。DCNN网络结构的输入是一个32x32像素的炉管特征灰度图,其输出为重管和非重管的分类概率。
选择交叉熵作为损失函数,每条流量数据的标签Y=[y1,y2]使用下式进行表示:
损失函数通过下式进行计算:
其中为神经网络输出的二分类概率值;
定义损失函数之后,每次训练神经网络经过前向计算后回溯更新网络参数,采用BP(back propagation)算法。
步骤S103中,本发明实施例提供的基于深度卷积神经网络的混合结构神经网络重管识别模型具体为:
其中为第l层第i个神经元与第l+1层第j个神经元之间的连接;nl指的是第l层包含的神经元数目,nl指的是第l+1层包含的神经元数目;表示相应的连接不存在;
令f(W)表示评估模型W准确率的评估函数,同时令δ表示用户指定的准确率损失容忍程度;对于模型W,在δ的约束下寻找最优裁剪模型的任务可以表示如下:
式中W'是模型W的一个子集,同时也是一个裁剪后的模型;|W'|表示模型W' 的大小而W*表示满足准确率约束的条件下最小的模型,即最优裁剪模型;
在LMP算法中,裁剪结果由每层的裁剪阈值决定。模型W的第l层裁剪过程可形式化为:
其中表示的绝对值,εl表示第l层的裁剪阈值;
考虑超参数cl的函数g,即εl=g(cl),则该LMP模型可形式化为:
其中向量c=(c1,c2,...,cL);
通过联立上式,超参数可表示为:
本发明实施例提供的超参数求解方法具体包括:
采用负相关搜索(Negatively Correlated Search,NCS)算法进行模型的优化及求解;
NCS适应度函数:
fitness(c)=-eval(LMP(W,c))
下面结合具体实施例对本发明的应用原理做进一步描述。
实施例1:
1、乙烯裂解炉管数据采集:
设裂解炉管表面发射率为ε,因其为不透明材料,故其表面反射率为1-ε;设烟气的透射率为τ,其反射率为零,故烟气发射率为1-τ。
则智能测温仪接收到的总辐射S=目标辐射+反射辐射+烟气辐射,即:
S=τεS0+τ(1-ε)Sa+(1-τ)Satm
上式中:S为智能测温仪从炉管外表面接收到的总辐出度;S0为炉管外表面温度下智能测温仪接收到的辐出度;Sa为炉膛内墙温度下智能测温仪接收到的辐出度;Satm为炉膛内烟气温度下智能测温仪接收到的辐出度。
利用智能测温仪由试验确定的仪器系数C,可将上述的辐射关系转换为热值关系,即:
I0=CS0
则I'0=τεI0+τ(1-ε)Ia+(1-τ)Iatm
上式中:
I'0为智能测温仪测试的炉管热值;I0为炉管外表面温度下被标定的热值;Ia为炉膛内墙温度下被标定的热值;Iatm为炉膛内烟气温度下被标定的热值。
由上式可得炉管外表面温度下标定的热值为:
则被标定的热值与相对应的温度关系为:
上式中:I为温度T下被标定的热值;T为热力学温度;R、B、F依赖于光圈、滤光镜和扫描器类型的标定常数。
另外,式中的气体透射率为:
其中,a为衰减系数,短波扫描器取0.046;d为从探测器到被测目标的距离。表1红外自动测温仪检测精度(第一行表示800摄氏度下,检测误差为2摄氏度;第二行表示900摄氏度下测试误差为;其余行含义类似)
另外,用于本发明测温的自动智能测温仪,其具备温度和距离同步测量的功能,此功能目的是为了区分测量温度数据中包含的炉管温度和炉壁温度。在温度距离同步测量过程中,红外自动测温仪采集的数据为一维数据。一直以来,由人为校对数据时,通常将测量得到的一维数据变换为二维形式的直方图进行识别重管,并以此为标准,来衡量原始重管识别算法的准确性。原始测量的得到的一维原始测量数据(如图3所示)的直方图表现形式(如图4所示)。
2、基于深度神经网络的重管识别:
如上所述,在乙烯裂解炉实际生产中,炉内炉管呈“一字”形间隔排列,但在高温、高压以及加热震动的环境下,炉管排列方式会发生重叠、遮管的现象。由此,在使用运行于裂解炉外测轨道上的智能测温仪对炉管进行测温过程中,易产生无法区分测量温度属于哪根炉管或者温度分割不准确的问题,所以如何准确判别和分割由重管中每一根炉管对应的温度,对于下一步实现准确判断炉管结焦状态起着至关重要的作用。
实施例2
本发明提出一种基于深度卷积神经网络的裂解炉重管识别算法,综合使用采集到的温度和距离数据,实现裂解炉管的精确识别。
具体包括:
(1)基于深度半非矩阵分解的乙烯裂解炉管特征提取:
A)非负矩阵分解:
定义:对一个M维的随机向量v进行n次的观测,记录观测值为vj,j=1,2,…,N,取V=[V·1,V·2,…,V·N],其中V·j=vj,j=1,2,…,N,则要求存在非负的M×L的基矩阵W=[W·1,W·2,…,W·N] 和L×N的系数矩阵H=[H·1,H·2,…,H·N],使得V≈WH。通常要求L≤min(M,N),即当W包含随机变量的本质特征时,才能使用较少的基去描述大量的样本数据使V≈WH成立。
现有技术证明了NMF存在唯一解的条件,基本思想是合理地构造目标函数,交替地优化W和H从而得到NMF的一个局部最优解。NMF的实现是一个优化求解的过程,算法的关键是目标函数的设定和迭代规则的选择,常用的目标函数和迭代规则如下:
目标函数:最小化||V-WH||2,对于任意W,H,当W,H≥0
迭代规则:
NMF的心理学和生理学构造依据是人类对整体的感知由对组成整体的部分的感知构成,即整体是由部分叠加而成。因此NMF在某种程度上体现了智能化数据描述的本质。
B)深度半非负矩阵分解:
NMF作为一个简单的两层非负矩阵分解网络已在信号处理等领域得到了成功应用。但它没有考虑数据的非线性特点,是一个单层分解方法,无法对数据进行深层特征表达。数据通常含有复杂的层次结构信息,为了学习到这些复杂的分层信息,仅对数据进行一次矩阵分解是不充分的。从几何的角度来看,数据通常是采样自嵌入在高维空间中的内在低维流形上(特别是近邻观测数据在内在嵌入流形上也是近邻的)。数据表达往往希望在保持几何结构的基础上,找到简洁的表达来发现数据中的隐层信息。现有技术提出了深度半非负矩阵分解(Deep Semi-nonnegative Matrix Factorization,Deep Semi-NMF)算法。Deep Semi-NMF通过将Semi-NMF中的系数矩阵H多次分解,将分解结果作为下一层的输入,最终形成一个深层次的网络结构。
Deep Semi-NMF能够自动学习隐层的特征表达,发现最合适的数据表达来实现聚类功能,该算法解决了NMF泛化能力差、作为单层网络学习特征能力有限、以及现有的深度非负矩阵分解方法未考虑数据的非线性等问题。
(2)基于深度半非矩阵分解的乙烯裂解炉管特征提取:
在实验中,数据中分量之间较大的差异性会导致较小分量被掩盖,从而无法提取特征,导致神经网络无法有效收敛。因此需要对数据进行归一化操作,本发明对温度和距离数据分别进行归一化,深度半非矩阵分解Deep Semi-NMF进行特征提取,温度和距离数据均归一到区间(-1,1)。
同时针对数据选择问题,本发明分别使用距离数据、温度数据、距离+温度数据作为张量化数据输入模型进行了实验。根据实验结果,使用距离+温度数据样本在训练与测试时,其精确率、召回率和F1值均是最优。
(3)混合结构深度神经网络模型:
本发明基于将距离数据和温度数据共同处理,选择能更全面提取采集数据信息的深度卷积神经网络组件的思想,提出了一种对应的混合结构深度神经网络模型,并在特定数据集上建立一个较优的模型组合。
下面结合神经网络结构对本发明作进一步描述。
用在一维时间序列上的典型深度卷积神经网络的结构如图5所示。深度卷积神经网络的卷积层通常包含若干个特征平面,每个特征平面由同一个滤波器对原信号进行滤波而来,这里滤波器就是卷积核。每个特征平面使用同一个滤波器的直接好处是权值共享减少了网络各层之间的连接,进而降低了网络过拟合的风险。卷积核一般以随机小数的形式初始化,在网络的训练过程中卷积核通过学习得到合理的权值。池化也叫作子采样,通常有均值子采样和最大值子采样两种形式。池化的目的是为了对主要特征进行提取,降低特征维数。
理论上引入非线性隐含层后,神经网络可以拟合任意函数,且层数越深,拟合函数越复杂。但使用较深的网络也会遇到如梯度弥散等问题,因此在实际使用时需要权衡层数和问题复杂度之间的关系。本发明使用多层感知机处理统计信息,在提取合适的统计特征和参数更新问题之间的权衡下,经过实验调试确立了如图2左侧的结构,包含有2个隐含层,形成10维的张量输出。
(1)输出层
神经网络在处理分类问题时,输出层通常使用softmax regression,对类别特征求指数函数,然后进行标准化,使得其和为1,特征的值越小的类,输出概率也越小。softmaxregression保证模型输出结果形成一种概率分布,如下式所示。
softmax(x)=normalize(ex)
其中,判定为第i类别的概率如下式所示:
从上两式可以看出,原始神经网络的输出被用作置信度输入之后变成了一种概率分布,从而可以使用经典损失函数进行模型优化。
(2)损失函数——交叉熵
神经网络需要定义一个适当的损失函数,作为参数优化的方向。目前,处理分类问题的神经网络一般使用交叉熵作为损失函数,因为交叉熵刻画的是2 个概率分布之间的距离,而神经网络输出可变为概率分布,数据标签Y用 one-hot码表示后也可以作为一个概率分布。交叉熵如下式所示,表示通过概率分布q来表达p的困难程度,因此,q代表预测值概率分布,p代表正确的概率分布。
本发明分析的是二分类问题,选择交叉熵作为损失函数,每条流量数据的标签Y=[y1,y2]使用式(6)进行表示
损失函数通过下式进行计算:
其中为神经网络输出的二分类概率值。定义了损失函数之后,每次训练神经网络经过前向计算后回溯更新网络参数,采用BP(back propagation)算法。
下面结合基于NCS的CNN压缩对本发明作进一步描述。
本发明设计的神经网络可表示成其中为第l层第i个神经元与第l+1层第j个神经元之间的连接。nl指的是第l层包含的神经元数目,nl指的是第l+1层包含的神经元数目。表示相应的连接不存在。
令f(W)表示评估模型W准确率的评估函数,同时令δ表示用户指定的准确率损失容忍程度。对于模型W,在δ的约束下寻找最优裁剪模型的任务可以表示如下:
式中W'是模型W的一个子集,同时也是一个裁剪后的模型。|W'|表示模型W' 的大小而W*表示满足准确率约束的条件下最小的模型,即最优裁剪模型。在LMP算法中,裁剪结果由每层的裁剪阈值决定。模型W的第l层裁剪过程可形式化为:
其中表示的绝对值,εl表示第l层的裁剪阈值。通常LMP算法是由一个包含超参数的启发式函数g决定的。本发明只考虑包含一个超参数cl的函数 g,即εl=g(cl),则该LMP模型可形式化为:
其中向量c=(c1,c2,...,cL)。通过联立上式,超参数可表示为:
上式所代表的问题往往非常困难,因为它常常是非连续且不可微的。应此需要采用一个强有力的非梯度优化算法来优化它。本发明选择NCS算法来求解该超参数。
NCS算法是一个基于种群的启发式优化算法,它在诸多多模态优化问题上取得了目前世界上最佳的效果,同时它在求解问题的过程中并不需要梯度信息。NCS通过强化不同个体之间的负相关关系来增加解决方案之间的差异,并鼓励不同的个体去搜索解空间中的不同区域。
NCS适应度函数
fitness(c)=-eval(LMP(W,c))
下面结合实验验证对本发明作进一步描述。
本发明提出的炉管温度诊断系统应用于某大型石化公司的乙烯裂解装置。该乙烯裂解装置有多个裂解炉,每个裂解炉有8个观察孔和96根炉管,每孔可观察到12根炉管。
(1)数据选择实验及分析:
针对数据选择问题,本发明分别使用文本信息、统计信息、文本+统计信息作为张量化数据输入模型进行了实验。根据实验结果,使用文本+统计信息的数据样本在训练与测试时,其精确率、召回率和F1值均是最优。
(2)激活函数选择实验及分析:
激活函数是网络节点进行信号传递的工具,将网络中当前节点的输出转为后续节点的输入。主流激活函数有ReLU函数,sigmoid函数、tanh函数。理论上,当收集信号到来时,sigmoid函数会激活一半的神经元,对输入信号很敏感; tanh函数具有单侧抑制性,但存在梯度消失问题;二ReLU函数较为简单但最符合实际神经元模型。这3中函数表达式如下所示。
sigmoid函数:
tanh函数:
ReLU函数:R=max(0,y);
使用ReLU函数的模型收敛的速度最快,且最终的测试效果也最优。
(3)CNN重管识别实验及分析:
在乙烯裂解过程中,裂解炉运行于高温、高压和强烈震动的环境下,导致炉管位置时刻发生着变动,不同时段测量得到的炉管位置存在不同程度上的差异。本次实验用于CNN重管识别模型训练的测试集和训练集采集于不同的时间段,训练集和测试集的样本构成如表1所示。
CNN重管识别模型的验证过程:首先在PC端对CNN模型进行训练并验证,经验证训练模型的准确率为:99.85%;接下来对训练完成的模型的进行权值转换,生成可运行于嵌入式处理器内的数据类型,转换完成后的模型经再次验证,其准确率为:99.70%。分析准确率,生成的识别模型完全符合实际生产所适用的准确率范围。
表1实验数据结构组成
样本 | 非重管 | 重管 | 总计 |
训练样本 | 980 | 560 | 1540 |
测试样本 | 620 | 230 | 850 |
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法具体包括:
步骤一,采集乙烯裂解炉管数据;
步骤二,选用距离数据与温度数据,对温度数据与距离数据进行分割、归一化处理,然后基于深度半非矩阵分解的乙烯裂解炉管特征提取;
步骤三,建立基于深度卷积神经网络的混合结构神经网络重管识别模型。
2.如权利要求1所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,步骤一中,所述乙烯裂解炉管数据采集方法具体包括:
设裂解炉管表面发射率为ε,表面反射率为1-ε;烟气的透射率为τ,烟气发射率为1-τ;
则智能测温仪接收到的总辐射S=目标辐射+反射辐射+烟气辐射,即:
S=τεS0+τ(1-ε)Sa+(1-τ)Satm;
上式中:S为智能测温仪从炉管外表面接收到的总辐出度;S0为炉管外表面温度下智能测温仪接收到的辐出度;Sa为炉膛内墙温度下智能测温仪接收到的辐出度;Satm为炉膛内烟气温度下智能测温仪接收到的辐出度;
利用智能测温仪由试验确定的仪器系数C,将辐射关系转换为热值关系,即:
I0=CS0;
则I'0=τεI0+τ(1-ε)Ia+(1-τ)Iatm;
上式中:I'0为智能测温仪测试的炉管热值;I0为炉管外表面温度下被标定的热值;Ia为炉膛内墙温度下被标定的热值;Iatm为炉膛内烟气温度下被标定的热值;
得炉管外表面温度下标定的热值为:
被标定的热值与相对应的温度关系为:
上式中:I为温度T下被标定的热值;T为热力学温度;R、B、F依赖于光圈、滤光镜和扫描器类型的标定常数;
气体透射率为:
其中,a为衰减系数,短波扫描器取0.046;d为从探测器到被测目标的距离。
3.如权利要求1所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,步骤二中,所述数据归一化处理具体包括:将温度和距离数据均归一到区间(-1,1)。
4.如权利要求1所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,步骤二中,所述基于深度半非矩阵分解的乙烯裂解炉管特征提取具体包括:
将Semi-NMF中的系数矩阵H多次分解,将分解结果作为下一层的输入,最终形成一个深层次的网络结构。
5.如权利要求1所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,步骤三中,所述基于深度卷积神经网络的混合结构神经网络重管识别模型包括:
使用多层感知机处理统计信息,深度卷积神经网络有2个隐含层,具备10维的张量输出;
选择交叉熵作为损失函数,每条流量数据的标签Y=[y1,y2]使用下式进行表示:
损失函数通过下式进行计算:
其中为神经网络输出的二分类概率值;
定义损失函数之后,每次训练神经网络经过前向计算后采用BP算法回溯更新网络参数。
6.如权利要求1所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,步骤三中,所述基于深度卷积神经网络的混合结构神经网络重管识别模型具体为:
其中为第l层第i个神经元与第l+1层第j个神经元之间的连接;nl指的是第l层包含的神经元数目,nl指的是第l+1层包含的神经元数目;表示相应的连接不存在;
令f(W)表示评估模型W准确率的评估函数,同时令δ表示用户指定的准确率损失容忍程度;对于模型W,在δ的约束下寻找最优裁剪模型的任务表示如下:
式中W'是模型W的一个子集,同时也是一个裁剪后的模型;|W'|表示模型W'的大小而W*表示满足准确率约束的条件下最小的模型,即最优裁剪模型;
在LMP算法中,裁剪结果由每层的裁剪阈值决定;模型W的第l层裁剪过程可形式化为:
其中表示的绝对值,εl表示第l层的裁剪阈值;
超参数cl的函数g,εl=g(cl),LMP模型形式化为:
其中向量c=(c1,c2,...,cL);
通过联立上式,超参数表示为:
7.如权利要求6所述的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法,其特征在于,所述超参数求解方法具体包括:
采用NCS算法进行模型的优化及求解;
NCS适应度函数:
8.一种实施权利要求1所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法的面向乙烯裂解炉管重管识别的嵌入式DCNN压缩控制系统。
9.一种搭载权利要求8所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩控制系统的裂解炉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371736.2A CN110097175B (zh) | 2019-05-06 | 2019-05-06 | 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371736.2A CN110097175B (zh) | 2019-05-06 | 2019-05-06 | 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097175A true CN110097175A (zh) | 2019-08-06 |
CN110097175B CN110097175B (zh) | 2020-04-17 |
Family
ID=67447020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371736.2A Active CN110097175B (zh) | 2019-05-06 | 2019-05-06 | 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097175B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673578A (zh) * | 2019-09-29 | 2020-01-10 | 华北电力大学(保定) | 故障劣化程度确定方法、装置、计算机设备及存储介质 |
CN110795235A (zh) * | 2019-09-25 | 2020-02-14 | 北京邮电大学 | 一种移动web深度学习协作的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1316484A (zh) * | 2001-04-11 | 2001-10-10 | 中国石化集团扬子石油化工有限责任公司 | 乙烯装置中裂解炉的智能控制方法 |
EP2097793A1 (de) * | 2007-01-02 | 2009-09-09 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems |
CN101620414A (zh) * | 2009-08-12 | 2010-01-06 | 华东理工大学 | 工业乙烯裂解炉裂解深度在线优化方法 |
EP3152600A1 (en) * | 2014-06-06 | 2017-04-12 | Quantico Energy Solutions, LLC | Synthetic logging for reservoir stimulation |
CN108803554A (zh) * | 2017-05-04 | 2018-11-13 | 上海电气集团股份有限公司 | 一种发电机信号的智能诊断方法 |
CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
-
2019
- 2019-05-06 CN CN201910371736.2A patent/CN110097175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1316484A (zh) * | 2001-04-11 | 2001-10-10 | 中国石化集团扬子石油化工有限责任公司 | 乙烯装置中裂解炉的智能控制方法 |
EP2097793A1 (de) * | 2007-01-02 | 2009-09-09 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems |
CN101620414A (zh) * | 2009-08-12 | 2010-01-06 | 华东理工大学 | 工业乙烯裂解炉裂解深度在线优化方法 |
EP3152600A1 (en) * | 2014-06-06 | 2017-04-12 | Quantico Energy Solutions, LLC | Synthetic logging for reservoir stimulation |
CN108803554A (zh) * | 2017-05-04 | 2018-11-13 | 上海电气集团股份有限公司 | 一种发电机信号的智能诊断方法 |
CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795235A (zh) * | 2019-09-25 | 2020-02-14 | 北京邮电大学 | 一种移动web深度学习协作的方法及系统 |
CN110673578A (zh) * | 2019-09-29 | 2020-01-10 | 华北电力大学(保定) | 故障劣化程度确定方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110097175B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Data mining based sensor fault diagnosis and validation for building air conditioning system | |
Munkittrick et al. | A review of potential methods of determining critical effect size for designing environmental monitoring programs | |
CN101501593B (zh) | 用于分析核蒸汽发生器资产管理方案的经济效果的方法 | |
CN111859288B (zh) | 一种采空区自燃危险性预测方法 | |
CN110097175A (zh) | 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
Zhao et al. | A method for measuring tube metal temperature of ethylene cracking furnace tubes based on machine learning and neural network | |
Bubtiena et al. | Application of artificial neural networks in modeling water networks | |
CN109858707A (zh) | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
Sun et al. | Design of an adaptive nonnegative garrote algorithm for multi-layer perceptron-based soft sensor | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
Saemian et al. | Performance of Max-HEWMAMS control chart for simultaneous monitoring of process mean and variability in the presence of measurement errors | |
Zhang et al. | Sustainable maintainability management practices for offshore assets: A data-driven decision strategy | |
CN116429269A (zh) | 一种乙烯裂解炉炉管红外智能分析系统 | |
Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
Zhou et al. | A Probabilistic Copula-Based Fault Detection Method With TrAdaBoost Strategy for Industrial IoT | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
Park et al. | Methodological approach for calibration of building energy performance simulation models applied to a common “measurement and verification” process | |
CN116380816A (zh) | 一种煤质在线检测系统故障判定方法、程序以及存储介质 | |
Dixon et al. | Data mining to support anaerobic WWTP monitoring | |
CN108491995B (zh) | 一种用于饮用水风险因子识别的关键控制因素筛选方法 | |
Lefebvre et al. | Improving the Predictivity of a Steam Generator Clogging Numerical Model by Global Sensitivity Analysis and Bayesian Calibration Techniques | |
Zhang et al. | Application of the rough set theory and BP neural network model in disease diagnosis | |
Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW |
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 |