CN110531729A - 一种基于大数据的储罐作业风险智能识别与操作方法 - Google Patents
一种基于大数据的储罐作业风险智能识别与操作方法 Download PDFInfo
- Publication number
- CN110531729A CN110531729A CN201910975444.XA CN201910975444A CN110531729A CN 110531729 A CN110531729 A CN 110531729A CN 201910975444 A CN201910975444 A CN 201910975444A CN 110531729 A CN110531729 A CN 110531729A
- Authority
- CN
- China
- Prior art keywords
- production
- spe
- variable
- production model
- data
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 38
- 238000011017 operating method Methods 0.000 title claims description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 202
- 238000000034 method Methods 0.000 claims abstract description 9
- 239000007788 liquid Substances 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- SGHZXLIDFTYFHQ-UHFFFAOYSA-L Brilliant Blue Chemical compound [Na+].[Na+].C=1C=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C(=CC=CC=2)S([O-])(=O)=O)C=CC=1N(CC)CC1=CC=CC(S([O-])(=O)=O)=C1 SGHZXLIDFTYFHQ-UHFFFAOYSA-L 0.000 claims description 8
- 229960001506 brilliant green Drugs 0.000 claims description 6
- HXCILVUBKWANLN-UHFFFAOYSA-N brilliant green cation Chemical compound C1=CC(N(CC)CC)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](CC)CC)C=C1 HXCILVUBKWANLN-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 150000001555 benzenes Chemical class 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及化工生产企业和商业仓储企业的储罐作业风险智能识别与操作指导方法，所述方法包括以下步骤：步骤1采集储罐系统近三年的开关变量和模拟变量数据；步骤2根据采集的数据计算储罐系统的生产模式种类；步骤3根据每种生产模式的累计运行时间，将生产模式再划分三大类；步骤4扫描当前开关变量和模拟变量数据，判断当前生产状态属于哪种生产模式及哪类生产类别，并用提示灯进行提示；步骤5计算每种生产模式下模拟变量的关联关系指标限值SPE，并判断当前储罐系统模拟变量关系是否正常；步骤6扫描当前模拟变量数据。本发明利用历史大数据总结贮运生产规律，给操作员辅助操作信息，使生产更加平稳，提高了故障解决效率。
Description
技术领域
本发明涉及化工生产领域，尤其涉及一种基于大数据的储罐作业风险智能识别与操作方法。
背景技术
贮运生产具有重大危险源多、操作频繁、与装置联系紧密、流程复杂等特点，易造成跑冒串漏，历来是重大安全事故的高发区，而且一旦发生事故，会对企业的安全生产造成重大影响，甚至影响周边的生态环境。贮运的液体储罐没有规律，收付动作频繁，贮运生产的故障的解决完全基于个人的操作经验，故障解决依据单一，故障解决效率低下。
发明内容
本发明正是针对现有技术中存在的技术问题，提供一种基于大数据的储罐作业风险智能识别与操作方法，基于历史大数据，总结贮运生产规律，判断当前生产状态，给操作员辅助操作信息，使生产更加平稳，提高了故障解决效率。
本发明的技术方案如下：
一种基于大数据的储罐作业风险智能识别与操作方法，包括以下步骤：
S1、采集储罐系统2-5年开关变量和模拟变量的历史生产数据，
S2、计算储罐系统的生产模式种类；
S3、计算每种生产模式的累计运行时间，将生产模式划为正常生产类和异常生产类；
S4、扫描实时开关变量和模拟变量生产数据，判断当前储罐系统的生产状态，并用提示灯进行提示；
S5、计算每种生产模式下模拟变量的关联关系限值SPE和当前生产模式下模拟变量的关联关系实时值spe，并判断当前储罐系统模拟变量关联关系是否正常，并用提示灯进行提示；
S6、扫描当前模拟变量数据，计算每个储罐液位到达储罐上限或者下限的时间T，并用提示灯进行提示。
进一步的，采集2年或者3年或者4年或者5年模拟变量和开关变量历史生产数据，形成矩阵Di(n+m)，其中i代表样本数，m代表开关变量的个数，n代表模拟变量的个数，开关变量表示阀门变量，打开用1表示，关闭用0表示，模拟变量表示液位、流量变量，液位的值有变化时用1表示，液位的值无变化时用0表示；流量有值时用1表示，流量无值时用0表示。这样可以简化模型，让数学方法与工厂的实际状况能够最大限度地匹配，流量是一个不确定的值，同一个测量对象，流量也会随工况不同而不同，如果直接使用原始数据，会导致模型极其复杂简化后，就两种状态，一个是有量，一个是没有量。
进一步的，步骤S2利用求解矩阵D的秩得到储罐系统的生产模式种类k，即：
k=R(Di(n+m))。
进一步的，所述步骤S3中，按从大到小的顺序排序每种生产模式累计运行时间,利用公式计算前几种生产模式累计运行时间占总运行时间的比，所述公式如下：,其中，q<k，A为时间占比；
其中A>=95%时停止计算，将此时参与计算的生产模式定义为正常生产类，剩余生产模式定义为异常生产类，k是储罐系统的生产模式种类，q是正常生产类的种类，分类的目的是为了发出合适的警报。
进一步的，所述步骤S4中，扫描当前开关变量和模拟变量生产数据：,将跟每种生产模式下的变量状态Z(0-k)比对，生产状态属于正常生产类，亮绿灯；生产状态属于异常生产类，亮黄灯，未出现过的生产模式,亮红灯。
进一步的，如果生产模式属于正常生产类或异常生产类，步骤S5包括：
S51、扫描每种生产模式Z(0-K)={N1,N2,...Nn,M1,M2...Mm}，M1,...Mm和N1,...Nn为0或者1，对应的历史生产数据
其中表示每种生产模式对应的历史生产数据样本数, 累计加和等于i；
S52、利用历史生产数据计算每种生产模式下模拟变量的关联关系限值SPE；
S53、扫描当前模拟变量生产数据：，利用公式计算spe，所述公式如下：,其中
S54、当spe大于SPE均值加三倍SPE标准偏差时，亮红灯；当spe大于SPE均值减一倍SPE标准偏差小于SPE均值加三倍SPE标准偏差时，亮黄灯；当spe小于SPE均值减一倍SPE标准偏差范围时，亮绿灯；并显示当前生产模式的SPE及spe的值；
如果生产模式未出现过，步骤S5亮蓝灯。
进一步的，步骤S52包括：
S521、对生产模式下的模拟变量的历史生产数据进行归一化处理，归一化处理如下：，mean为各列平均值，std为各列标准差；
其中表示生产模式下模拟变量的历史生产数据样本数，
S522、计算Dnorm协方差矩阵的特征值和特征向量；
S523、将特征值各列元素按从大到小排序得到，及其对应的特征向量；,其中, ；
S524、利用公式计算主元个数，公式如下：
,当b>=0.85时，主元个数为s，s<m+n；
S525 、模拟变量的关联关系限值SPE计算公式如下：
其中，，，，，为常量，范围为1.3-1.7。
进一步的，步骤S6中，如果模拟变量关联关系正常(当spe小于SPE均值加三倍SPE标准偏差时)，利用公式每个储罐的液位变化率v和罐高剩余高度L，计算液位到达储罐上限或者下限的时间T，所述公式如下：
T=(L-vt)/v,其中t是储罐系统运行时间。当T大于45时，亮绿色灯，当T在7-45分钟时，亮黄色灯，当T小于7分钟时，亮红色灯，并显示T的值；提醒操作人员进行储罐的切换操作）。
如果模拟变量关联关系异常(当spe大于SPE均值加三倍SPE标准偏差时)或spe无值时，步骤S6亮蓝灯。
一种基于大数据的储罐作业风险智能识别与操作系统，所述系统包括数据采集模块，生产状态计算识别模块，模拟变量关联关系计算识别模块，储罐液位计算模块，显示模块；利用数据采集模块采集储罐系统开关变量和模拟变量的历史生产数据和实时生产数据，通过生产状态计算识别模块，计算统计生产模式种类和生产类别，通过模拟量关系计算识别模块计算模拟量关联关系限值及实时值，并判断当前生产模式的模拟量关系是否正常，然后通过储罐液位计算模块计算储罐液位到达上限或者下限的时间，最后通过显示模块对生产状态、模拟变量关联关系及储罐液位的状态和当前值进行显示；所述数据采集模块包括历史数据采集单元和实时数据采集单元；所述历史数据采集单元用于每天凌晨采集三年的历史生产数据，所述实时数据采集单元用于实时采集当前生产数据；所述生产状态计算识别模块包括生产模式计算单元和生产类别计算单元,所述生产模式计算单元用于每天凌晨计算历史生产模式种类,所述生产类别计算单元用于每天凌晨将生产模式分为两大类别，并识别当前生产状态；所述模拟变量关联关系计算识别模块包括SPE计算单元和spe计算单元；所述SPE计算单元用于每天凌晨计算生产模式模拟变量关联关系限值；所述spe计算单元用于计算生产模式模拟变量关联关系实时值，并识别当前生产模拟变量关联关系是否正常；所述储罐液位计算模块用于实时计算液位到达储罐上限或者下限的时间T；所述显示模块用于指示灯提示和数字提示。
相对于现有技术，本发明的优点如下：1）本发明采用如上技术方案，提出了一种基于大数据的储罐作业风险智能识别与操作方法，将其应用在储罐系统中，基于历史大数据，总结生产规律，判断储罐系统当前生产状态，给操作员提供辅助操作信息，相比于传统的故障发现时间提前了2-8小时，给故障处理争取了更多的解决时间，有效提高了故障解决效率，2）基于数据分析，对于潜在故障，本发明通过指示灯的方式进行提醒，降低了故障发生率，使生产更加平稳；3）该方案是基于数据，而不是基于经验，即便是新手，依据本发明方法，根据指示灯颜色提示可判断当前生产状态，当状态异常时能快速定位故障原因。
附图说明
图1所示为本发明实施例1的储罐系统示意图；
图2所示为本发明实施例1的逻辑流程示意图；
图3所示为本发明实施例2的系统流程示意图；
图4为本发明实施例3系统结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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，并用于限定本发明。
实施例1：参见图1、图2，本发明实施例提供了一种基于大数据的储罐作业风险智能识别与操作方法，如图1所示，其为本发明实施例储罐系统流程示意图，所述方法包括以下步骤：
步骤S1、采集储罐系统三年的开关变量和模拟变量生产数据；
该实施例中，储罐系统变量有11个，
即{F1,ZS11,ZS12,L1,ZS21,ZS22,L2,ZS31,ZS32,L3,F2}，其中F1（流量）,F2（流量）,L1（液位）,L2（液位）,L3（液位）表示模拟变量，当F1,F2有值时用1表示其状态，无值时用0表示其状态，L1,L2,L3有变化时用1表示其状态，无变化时用0表示其状态。其他变量均是开关变量，打开时用1表示状态，关闭时用0表示状态。即m=6,n=5,将此储罐系统3年的历史生产数据建立1000x11的矩阵, ，如表1所示。
表1
步骤S2、求解矩阵D的秩，即储罐系统的生产模式种类为k，即：k=R(Di(n+m))
本实施例中，k=15；
步骤S3中，按从大到小的顺序排序每种生产模式累计运行时间,利用公式计算前几种生产模式累计运行时间占总运行时间的比，所述公式如下：,其中，q<k，A为时间占比；
其中A>=95%时停止计算，将此时参与计算的生产模式定义为正常生产类，剩余生产模式定义为异常生产类，k是储罐系统的生产模式种类，k=15，q是正常生产类的种类,q=9。
步骤S4、扫描当前开关变量和模拟变量生产数据： ,将
跟每种生产模式下的变量状态Z(0-K)比对，生产状态属于正常生产类，亮绿灯；生产状态属于异常生产类，亮黄灯，未出现过的生产模式亮红灯；
如果步骤S4亮绿灯、黄灯，步骤S5包括：
S51、扫描每种生产模式Z(0-K)={N1,N2,...Nn,M1,M2...Mm}，M1,...Mm和N1,...Nn为0或者1，对应的历史生产数据
其中表示每种生产模式对应的历史生产数据样本数, 累计加和等于i；
S52、利用历史生产数据计算每种生产模式下模拟变量的关联关系限值SPE；
S53、扫描当前模拟变量生产数据：，利用公式计算spe，所述公式如下：,其中；
S54、当spe大于SPE均值加三倍SPE标准偏差时，亮红灯；当spe大于SPE均值减一倍SPE标准偏差小于SPE均值加三倍SPE标准偏差时，亮黄灯；当spe小于SPE均值减一倍SPE标准偏差范围时，亮绿灯；并显示当前生产模式的SPE及spe的值；
如果步骤S4亮红灯，步骤S54中的亮蓝灯。
步骤S52包括：
S521、对生产模式下的模拟变量的历史生产数据进行归一化处理，归一化处理如下：，mean为各列平均值，std为各列标准差；
其中表示生产模式下模拟变量的历史生产数据样本数，
S522、计算Dnorm协方差矩阵的特征值和特征向量；
S523、将特征值各列元素按从大到小排序得到，及其对应的特征向量；,其中, ；
S524、利用公式计算主元个数，公式如下：
,当b>=0.85时，主元个数为s，s<m+n；
S525 、模拟变量的关联关系限值SPE计算公式如下：
；
其中，，，，，为常量，范围为1.3-1.7。
本实施例中，设定，本技术领域人员可以根据经验进行设定。
步骤S6中，如果步骤S5亮绿灯、黄灯，利用公式每个储罐的液位变化率v和罐高剩余高度L，计算液位到达储罐上限或者下限的时间T，所述公式如下：
T=(L-vt)/v,其中t是储罐系统运行时间。
当T大于30分钟时，亮绿色灯，当T小于30分钟时，亮黄色灯，当T小于5分钟时，亮红色灯，并显示T的值；
如果步骤S5亮红灯、蓝灯，步骤S6亮蓝灯。
实施例2：如图3所示，本发明实施例提供了一种基于大数据的储罐作业风险智能识别与
操作方法，其为本发明实施例苯收付系统流程示意图，所述方法包括以下步骤：
步骤S1、采集苯收付系统五年的开关变量和模拟变量生产数据；
该实施例中，苯收付系统变量有14个，即
{G301,G302,G303,G304,HV3042,HV3032,HV3041,HV3031,HV3022,HV3012,HV3021,HV3011,FIQ
311,FIQ200}，其中G301（液位）,G302（液位）,G303（液位）,G304（液位）,FIQ311(流量)，
FIQ200(流量)表示模拟量，当G301,G302,G303,G304有变化时用1表示其状态，无变化时用
0表示其状态，当FIQ311，FIQ200有值时用1表示其状态，无值时用0表示，其他变量均是
开关变量，打开时用1表示状态，关闭时用0表示状态。即m=8,n=6,将此苯收付系统5年的
历史生产数据建立1600x14的矩阵,，如表2所示。
表2
步骤S2、求解矩阵D的秩，即苯收付系统的生产模式种类为k，即：
k=R(Di(n+m))；
本实施例中，k=7；
步骤S3、按从大到小的顺序排序每种生产模式累计运行时间利用公式计算前几种生产模式累计运行时间占总运行时间的比，所述公式如下：,其中，q<k；
其中A>=95%时停止计算，将此时参与计算的生产模式定义为正常生产类，剩余生产模式定义为异常生产类，k是苯收付系统的生产模式种类，k=7，q是正常生产类的种类,q=5。
步骤S4、扫描当前开关变量和模拟变量生产数据：，将跟每种生产模式下的变量状态Z(0-K)比对，生产状态属于正常生产类，亮绿灯；生产状态属于异常生产类，亮黄灯，未出现过的生产模式亮红灯；
如果步骤S4亮绿灯、黄灯，步骤S5包括：
S51、扫描每种生产模式Z(0-K)={N1,N2,...Nn,M1,M2...Mm}，M1,...Mm和N1,...Nn为0或者1，对应的历史生产数据
其中表示每种生产模式对应的历史生产数据样本数, 累计加和等于i；
S52、利用历史生产数据计算每种生产模式下模拟变量的关联关系限值SPE；
S53、扫描当前模拟变量生产数据：，利用公式计算spe，所述公式如下：,其中；
S54、当spe大于SPE均值加三倍SPE标准偏差时，亮红灯；当spe大于SPE均值减一倍SPE标准偏差小于SPE均值加三倍SPE标准偏差时，亮黄灯；当spe小于SPE均值减一倍SPE标准偏差范围时，亮绿灯；并显示当前生产模式的SPE及spe的值；
如果步骤S4亮红灯，步骤S54中的亮蓝灯。
步骤S52包括：
S521、对生产模式下的模拟变量的历史生产数据进行归一化处理，归一化处理如下：，mean为各列平均值，std为各列标准差；
其中表示生产模式下模拟变量的历史生产数据样本数，
S522、计算Dnorm协方差矩阵的特征值和特征向量；
S523、将特征值各列元素按从大到小排序得到，及其对应的特征向量；,其中, ；
S524、利用公式计算主元个数，公式如下：
,当b>=0.85时，主元个数为s，s<m+n；
S525 、模拟变量的关联关系限值SPE计算公式如下：
；
其中，，，，，为常量，范围为1.3-1.7。
本实施例中，设定，本技术领域人员可以根据经验进行设定。
步骤S6中，如果步骤S5亮绿灯、黄灯，利用公式每个储罐的液位变化率v和罐高剩余高度L，计算液位到达储罐上限或者下限的时间T，所述公式如下：
T=(L-vt)/v,其中t是储罐系统运行时间。
当T大于45时，亮绿色灯，当T在7-45分钟时，亮黄色灯，当T小于7分钟时，亮红色灯，并显示T的值；如果步骤S5亮红灯、蓝灯，步骤S6亮蓝灯。
实施例3：参见图4，一种基于大数据的储罐作业风险智能识别与操作系统，所述系统包括数据采集模块，模拟变量关联关系计算模块，生产状态计算模块，储罐液位计算模块，识别模块以及显示模块；利用数据采集模块采集储罐系统开关变量和模拟变量的历史生产数据和实时生产数据，通过生产状态计算识别模块，计算统计生产模式种类和生产类别，通过模拟量关系计算识别模块计算模拟量关联关系限值及实时值，并判断当前生产模式的模拟量关联关系是否正常，然后通过储罐液位计算模块计算储罐液位到达上限或者下限的时间，最后通过显示模块对生产状态、模拟变量关联关系及储罐液位的状态和当前值进行显示；所述数据采集模块包括历史数据采集单元和实时数据采集单元；所述历史数据采集单元用于每天凌晨采集三年的历史生产数据，所述实时数据采集单元用于实时采集当前生产数据；所述模拟变量关联关系计算模块包括SPE计算单元和spe计算单元；所述SPE计算单元用于每天凌晨计算生产模式各模拟变量关联关系限值；所述spe计算单元用于计算生产模式各模拟变量关联关系实时值；所述生产状态计算模块包括生产模式计算单元和生产类别计算单元,所述生产模式计算单元用于每天凌晨计算历史生产模式种类,所述生产类别计算单元用于每天凌晨将生产模式分为两大类别；所述储罐液位计算模块用于实时计算液位到达储罐上限或者下限的时间T；所述识别模块包括生产状态识别单元和模拟变量关联关系识别单元；所述生产状态识别单元用于判断当前系统的生产状态；所述模拟变量关联关系识别单元用于判断当前生产模式下的模拟变量关联关系是否正常。所述显示模块用于指示灯提示和数字提示。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (9)
1.一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述方法包括以下步骤：
S1、采集储罐系统开关变量和模拟变量2-5年的历史生产数据；
S2、计算储罐系统的生产模式种类；
S3、计算每种生产模式的累计运行时间，将生产模式划为正常生产类和异常生产类；
S4、扫描实时开关变量和模拟变量生产数据，判断当前储罐系统的生产状态，并用提示灯进行提示；
S5、计算每种生产模式下模拟变量的关联关系限值SPE和当前生产模式下模拟变量的关联关系实时值spe，并判断当前储罐系统模拟变量关联关系是否正常，并用提示灯进行提示；
S6、扫描当前模拟变量数据，计算每个储罐液位到达储罐上限或者下限的时间T，并用提示灯进行提示。
2.根据权利要求1所述的一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S1中，采集3年或者5年模拟变量和开关变量历史生产数据，形成矩阵Di(n+m)，其中i代表样本数，m代表开关变量的个数，n代表模拟变量的个数；开关变量表示阀门变量，打开用1表示，关闭用0表示；模拟变量表示液位、流量变量，液位的值有变化时用1表示，液位的值无变化时用0表示；流量有值时用1表示，流量无值时用0表示。
3.根据权利要求2所述的一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S2利用求解矩阵Di(n+m)的秩得到储罐系统的生产模式种类k，即：
k=R(Di(n+m))。
4.根据权利要求1所述的一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S3中，按从大到小的顺序排序每种生产模式累计运行时间,利用公式计算前几种生产模式累计运行时间占总运行时间的比，所述公式如下：,其中，q<k，A为时间占比；
其中A>=95%时停止计算，将此时参与计算的生产模式定义为正常生产类，剩余生产模式定义为异常生产类，k是储罐系统的生产模式种类，q是正常生产类的种类。
5.根据权利要求4所述的基于一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S4中，扫描当前开关变量和模拟变量生产数据：,将跟每种生产模式下的变量状态Z(0-k)比对，生产状态属于正常生产类，亮绿灯；生产状态属于异常生产类，亮黄灯，未出现过的生产模式亮红灯。
6.根据权利要求5所述的基于一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，如果生产模式属于正常生产类或异常生产类，所述步骤S5包括：
S51、扫描每种生产模式Z(0-K)={N1,N2,...Nn,M1,M2...Mm}，M1,...Mm和N1,...Nn为0或者1，对应的历史生产数据
其中表示每种生产模式对应的历史生产数据样本数, 累计加和等于i；
S52、利用历史生产数据计算每种生产模式下模拟变量的关联关系限值SPE；
S53、扫描当前模拟变量生产数据：，利用公式计算spe，所述公式如下：,其中
S54、当spe大于SPE均值加三倍SPE标准偏差时，亮红灯；当spe大于SPE均值减一倍SPE标准偏差小于SPE均值加三倍SPE标准偏差时，亮黄灯；当spe小于SPE均值减一倍SPE标准偏差范围时，亮绿灯；并显示当前生产模式的SPE及spe的值；
如果生产模式未出现过，步骤S5亮蓝灯。
7.根据权利要求6所述的基于一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S52包括：
S521、对生产模式下的模拟变量的历史生产数据 进行归一化处理，归一化处理如下：，mean为各列平均值，std为各列标准差；
其中表示生产模式下模拟变量的历史生产数据样本数，
S522、计算Dnorm协方差矩阵的特征值和特征向量；
S523、将特征值各列元素按从大到小排序得到，及其对应的特征向量；,其中, ；
S524、利用公式计算主元个数，公式如下：
,当b>=0.85时，主元个数为s，s<m+n；
S525 、模拟变量的关联关系限值SPE计算公式如下：
其中，，，，，为常量，范围为1.3-1.7。
8.根据权利要求1所述的一种基于大数据的储罐作业风险智能识别与操作方法，其特征在于，所述步骤S6中，如果模拟变量关联关系正常即当spe小于SPE均值加三倍SPE标准偏差时，利用公式计算每个储罐的液位变化率v和罐高剩余高度L，计算液位到达储罐上限或者下限的时间T，所述公式如下：
T=(L-vt)/v,
其中t是储罐系统运行时间，当T大于45时，亮绿色灯，当T在7-45分钟时，亮黄色灯，当T小于7分钟时，亮红色灯，并显示T的值；如果模拟变量关联关系异常(当spe大于SPE均值加三倍SPE标准偏差时)或spe无值时，步骤S6亮蓝灯。
9.一种基于大数据的储罐作业风险智能识别与操作系统，其特征在于，用于实现权利要求1-8中的所述方法，所述系统包括数据采集模块，生产状态计算识别模块，模拟变量关联关系计算识别模块，储罐液位计算模块，显示模块；利用数据采集模块采集储罐系统开关变量和模拟变量的历史生产数据和实时生产数据，通过生产状态计算识别模块，计算统计生产模式种类和生产类别，通过模拟量关系计算识别模块计算模拟变量关联关系限值及实时值，并判断当前生产类别的模拟变量关系是否正常，然后通过储罐液位计算模块计算储罐液位到达上限或者下限的时间，最后通过显示模块对生产状态、模拟变量关联关系及储罐液位的状态和当前值进行显示；所述数据采集模块包括历史数据采集单元和实时数据采集单元；所述历史数据采集单元用于每天凌晨采集三年的历史生产数据，所述实时数据采集单元用于实时采集当前生产数据；所述生产状态计算识别模块包括生产模式计算单元和生产类别计算单元,所述生产模式计算单元用于每天凌晨计算历史生产模式种类,所述生产类别计算单元用于每天凌晨将生产模式分为两大类别，并识别当前生产状态；所述模拟变量关联关系计算识别模块包括SPE计算单元和spe计算单元；所述SPE计算单元用于每天凌晨计算生产模式模拟变量关联关系限值；所述spe计算单元用于计算生产模式模拟变量关联关系实时值，并识别当前生产模式下的模拟变量关联关系是否正常；所述储罐液位计算模块用于实时计算液位到达储罐上限或者下限的时间T；所述显示模块用于指示灯提示和数字提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910975444.XA CN110531729B (zh) | 2019-10-15 | 2019-10-15 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910975444.XA CN110531729B (zh) | 2019-10-15 | 2019-10-15 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110531729A true CN110531729A (zh) | 2019-12-03 |
| CN110531729B CN110531729B (zh) | 2020-03-20 |
Family
ID=68671853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910975444.XA Active CN110531729B (zh) | 2019-10-15 | 2019-10-15 | 一种基于大数据的储罐作业风险智能识别与操作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110531729B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
| CN106338975A (zh) * | 2016-09-21 | 2017-01-18 | 浙江中控技术股份有限公司 | 一种报警归并方法及报警归并系统 |
| CN106896833A (zh) * | 2017-04-14 | 2017-06-27 | 中国石油化工股份有限公司 | 原油罐区液位防护安全控制方法 |
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| CN107798353A (zh) * | 2017-11-16 | 2018-03-13 | 中国民航大学 | 一种间歇过程监控数据处理方法 |
| CN109389268A (zh) * | 2017-08-09 | 2019-02-26 | 中国石油化工股份有限公司 | 基于固有危险度信息的罐区施工作业风险智能分析装置及方法 |
-
2019
- 2019-10-15 CN CN201910975444.XA patent/CN110531729B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
| CN106338975A (zh) * | 2016-09-21 | 2017-01-18 | 浙江中控技术股份有限公司 | 一种报警归并方法及报警归并系统 |
| CN106980902A (zh) * | 2017-04-05 | 2017-07-25 | 广州中国科学院工业技术研究院 | 液化气储罐事故预测系统及方法 |
| CN106896833A (zh) * | 2017-04-14 | 2017-06-27 | 中国石油化工股份有限公司 | 原油罐区液位防护安全控制方法 |
| CN109389268A (zh) * | 2017-08-09 | 2019-02-26 | 中国石油化工股份有限公司 | 基于固有危险度信息的罐区施工作业风险智能分析装置及方法 |
| CN107798353A (zh) * | 2017-11-16 | 2018-03-13 | 中国民航大学 | 一种间歇过程监控数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110531729B (zh) | 2020-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104331710A (zh) | 开关状态识别系统 | |
| CN113298422B (zh) | 一种基于用电数据的污染源企业违规生产监控方法 | |
| CN103198147B (zh) | 自动化监测异常数据的判别及处理方法 | |
| CN114137916B (zh) | 基于数据分析的电路板生产用监督管控系统 | |
| CN105044497B (zh) | 一种牵引变流器故障智能分析方法 | |
| CN103337043B (zh) | 电力通信设备运行状态的预警方法和系统 | |
| CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
| CN105893700A (zh) | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 | |
| CN113484572A (zh) | 一种基于用电大数据的反窃电监测方法及系统 | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN111460969B (zh) | 一种基于云计算的工业信息智能化监控系统 | |
| CN111131237A (zh) | 基于bp神经网络的微网攻击识别方法及并网接口装置 | |
| CN115167273A (zh) | 一种工地现场的施工用电节能管理控制系统 | |
| CN110298567A (zh) | 利用综合能源系统能耗大数据确定典型日负荷曲线的方法 | |
| CN114884054B (zh) | 一种基于物联网的城市智慧交通应急监测调控管理系统 | |
| CN114493368A (zh) | 一种应用于环境工程的智慧监测灯杆控制系统及方法 | |
| CN116824517A (zh) | 基于可视化的变电站运维安全管控系统 | |
| CN108171397A (zh) | 一种配电二次设备状态风险评估方法 | |
| CN111144549A (zh) | 基于卷积神经网络的微网攻击识别方法及微网协调控制器 | |
| CN104657814A (zh) | 基于ems系统的继电保护装置信号模板抽取定义方法 | |
| CN112488361B (zh) | 一种基于大数据的台区低电压预测方法及装置 | |
| CN110531729A (zh) | 一种基于大数据的储罐作业风险智能识别与操作方法 | |
| CN113541306A (zh) | 一种绿色能源低碳效能监测系统及方法 | |
| CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
| CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 |
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 |