CN111338310B - 一种工业过程稳态工况识别与分类方法 - Google Patents
一种工业过程稳态工况识别与分类方法 Download PDFInfo
- Publication number
- CN111338310B CN111338310B CN202010237820.8A CN202010237820A CN111338310B CN 111338310 B CN111338310 B CN 111338310B CN 202010237820 A CN202010237820 A CN 202010237820A CN 111338310 B CN111338310 B CN 111338310B
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- model
- spe
- steady
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000002414 normal-phase solid-phase extraction Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 9
- 238000007670 refining Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
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
- 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)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种工业过程稳态工况识别与分类方法，该方法首先选择多个工况相关变量建立主元分析模型；然后基于当前工况模型判断过程是否开始进行工况切换，若开始进行工况切换，则对实时数据的主元分析统计量进行稳态判断，从而得出新的稳态工况开始时间。同时，将新稳态工况的数据依次输入到历史稳态工况模型集合中并进行分类，若无匹配模型，则建立新的稳态工况模型。本发明综合多个变量信息建模判断工况是否稳定，并能对新工况进行分类，自动建模，实现历史工况模型集合的在线更新与扩充。该方法提高了稳态工况识别与分类的准确性和实时性，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。
Description
技术领域
本发明涉及工业过程稳态工况识别与分类，具体为一种基于数据驱动的面向连续工业过程的稳态工况识别与分类方法。
背景技术
工业自动化和与信息化的融合进程中，企业积累了大量的生产过程运行数据，充分利用海量数据信息，采用恰当的方法进行生产过程运行状态监测，对优化生产、提升效益具有重要意义。例如，实时优化(RTO)是提升企业经济效益的一个重要手段，而实施RTO的一个基本前提是流程当前必须处于稳态工况。因此，如何准确识别工业过程稳态工况是RTO必须解决的一个关键问题。鉴于工业生产过程运行机理复杂，基于机理分析的工况识别正逐渐被基于数据驱动的方法替代。
在基于数据驱动的工业过程稳态工况识别中，通常采用基于统计理论或基于趋势提取的稳态检测方法。基于统计理论的稳态检测方法如组合统计检验法和置信度法对测量数据划分区间，依据统计原理进行检验，但均假设测量值只含期望为0的正态分布随机误差，这一条件过于理想，实际应用中一旦出现大的干扰极易导致误判。基于趋势提取的稳态检测方法如多项式滤波法抗噪能力强，但是只能进行单变量的稳态检测，且滤波窗口的大小难以确定。此外，上述方法只能判定稳态工况，无法对工况进行分类，而在实施工业过程的RTO中，如果能够进行分类，将有利于快速确定优化方向和大小，对提升RTO性能具有重要价值。
发明内容
针对上述问题，本发明公开一种工业过程稳态工况识别与分类方法，针对工业过程，通过选择工况相关变量，建立多个主元分析模型，识别稳态工况，并进行工况分类。本方法具有以下步骤：
(1)分析工艺过程和传感器分布情况，确定与工况相关的变量集V；
(2)选择一段包含n组数据的正常平稳工况下的历史数据作为训练集；
(3)将训练集进行主元分析，建立模型M1并算出T2统计量上限Tα 2和SPE统计量上限δα 2，并将M1设置为当前模型Mp，加入工况模型集合Q；
(4)将待测数据输入当前模型Mp中，基于统计量T2和统计量SPE的越界情况判断当前工况是否符合当前模型Mp：若符合则判定当前工况平稳，返回步骤(4)；否则说明当前工况发生变化，转步骤(5)；
(5)从统计量越界的时刻开始，分别对T2和SPE进行数据平稳性检测，得到数据开始平稳的时刻ts，即从ts时刻开始，过程进入新的稳态工况；
(6)从ts开始，取n组数据，将它们依次输入集合Q的工况模型中，若有模型符合，说明当前工况已出现过，将当前模型Mp切换为符合当前工况的模型，转步骤(4)；否则，将它们作为训练集，转步骤(3)。
本方法中，ts的计算方法为：针对T2和SPE分别进行数据平稳性检测，算出统计量开始平稳时间tSPE和tT2，ts＝max{tSPE,tT2}。
本方法中，统计量数据平稳性检测步骤如下：
(5-1)令tSPE或tT2初始值为统计量越界的时刻；
(5-2)从tSPE或tT2时刻开始选择h组数据，求相邻两时刻的数据差值；
(5-3)对数据差值进行置信度为95％的区间估计；
(5-4)若估计出的区间包含0，则当前数据平稳，结束检测；否则，说明数据不平稳，
令tSPE＝tSPE+h或tT2＝tT2+h，转步骤(5-2)。
本方法的步骤(4)和步骤(6)中，判断模型符合的条件为：将待测数据输入工况模型后，计算出的T2和SPE将时间分为如下3类：
其中，T1∪T2∪T3为待测数据的完整时段，SPEt和Tt 2分别为t时刻的统计量值，δα 2和Tα 2分别为SPE和T2统计量上限，当时间集合T2和T3中出现的最大连续时间长度小于Δt，则判断模型符合。
有益效果：
本发明公开的工业过程稳态工况识别与分类方法，选择了工况相关的变量建立主元分析模型，综合多个变量信息判断工况是否稳定，减少了单个变量误差的影响；当工况切换至新的稳态时，可对新工况进行分类；当新工况不存在历史工况中时，自动建立新的主元分析模型，实现历史工况模型集合的在线更新。本方法提高了稳态工况识别与分类的准确性和实时性，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。
附图说明
图1是工业过程稳态工况识别与分类方法的实施流程图
图2是统计量数据平稳性检测方法的实施流程图
图3是某炼油企业常压塔的工艺及仪表示意图
图4是某炼油企业常压塔稳态工况模型M1的工况识别结果
图5是某炼油企业常压塔稳态工况模型M2的工况识别结果
图6是某炼油企业常压塔稳态工况模型M3的工况识别结果
具体实施方式
下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施案例。
本案例以某炼油企业的原油蒸馏过程为例，以该企业的一套常压塔装置2017年6月8日22:45～2017年6月14日7:39的数据，来说明本方法的有效性及实施过程。本案例实施流程如图1所示，具体的实施步骤如下：
(1)分析工艺过程和传感器分布情况，确定与工况相关的变量。该企业常压塔的工艺及仪表示意如图3所示。经工艺分析，选择工况相关的变量为：常一中油流量3、常顶回流油流量4、常二中油流量5、常顶油气温度16、常顶回流罐压力15、常压汽提塔常二线油液位11。
(2)选择6月8日22:45～6月9日22:45共1440组平稳工况下的数据作为训练集。
(3)将训练集进行主元分析，如表1所示，建立模型M1并算出T2统计量上限Ta 2和SPE统计量上限δa 2，并将M1设置为当前模型Mp，加入工况模型集合Q。
表1模型M1参数
(4)待测数据取为6月9日22:46之后的数据，输入当前模型Mp中，结果如图4所示。可知在6月10日13:37分之前，常压塔工况稳定；13:37分，T2开始越界，13:38分，SPE也开始越界，且越界时间均持续60分钟以上，表明当前工况开始切换。
(5)从13:37分开始，分别对T2和SPE进行数据平稳性检测，tSPE和tT2在图4中以“*”标出。具体流程如图2所示，对tSPE+h和tT2+h区间的数据求相邻时刻数据差值，再对数据差值进行置信度95％的区间估计，若估计区间包含0，则数据平稳，否则令tSPE＝tSPE+h或tT2＝tT2+h继续计算。以T2为例，计算过程如表2所示，其中tT2初始值为统计量越界时间13:37，h选为120。计算可得，T2统计量的稳态开始时刻tT2为6月10日21:37，而SPE统计量的稳态开始时刻tSPE为6月10日21:38，ts取较大值6月10日21:38。
表2 T2统计量的稳态开始时刻计算过程
| t<sub>T2</sub> | t<sub>T2</sub>+h | 估计区间 | 是否平稳 |
| 2017-06-10 13:37 | 2017-06-10 15:37 | [2.5617,20.6622] | 否 |
| 2017-06-10 15:37 | 2017-06-10 17:37 | [-12.0935,-2.0697] | 否 |
| 2017-06-10 17:37 | 2017-06-10 19:37 | [11.0342,60.4817] | 否 |
| 2017-06-10 19:37 | 2017-06-10 21:37 | [52.0598,152.8652] | 否 |
| 2017-06-10 21:37 | 2017-06-10 23:37 | [-7.9516,2.6656] | 是 |
(6)从6月10日21:38开始，取1440组数据，将它们依次输入集合Q的工况模型中，此时集合中只有模型M1，由图4可知待测数据显然不符合模型M1，因此需要重新建模。将这1440组数据(6月10日21:38～6月11日21:38)进行主元分析得到模型M2，如表3所示，并将M2加入工况模型集合Q中。
表3模型M2参数
将6月11日21:38后的数据作为测试数据输入，结果如图5所示。SPE统计量从6月12日3:20开始在控制限上下浮动，算得tSPE＝4:55；T2统计量从18:06分开始越界时间超过60分钟，算得tT2＝20:58。因此ts取6月12日20:58，即从20:58开始，常压塔进入新的稳态工况。
取6月12日20:58开始的1440组数据，依次输入到集合Q的模型中。由图4可知，在模型M1中，待测数据的SPE和T2统计量均越界，因此工况不符；由图5可知，在模型M2中，待测数据的T2统计量越界，因此工况也不符，需要重新建模。重新建模后的稳态工况判别结果如图6所示，6月14日22:26和22:24开始SPE和T2统计量分别越界超过60分钟，工况切换，从6月14日00:45开始进入新的稳态工况。
总结该企业5号常压塔2017年6月8日22:45～2017年6月14日7:39的工况如下：
表4该企业常压塔2017年6月8日22:45～2017年6月14日7:39工况
| 工况类型 | 稳态工况模型 | 稳态工况持续时间 |
| 类型1 | M<sub>1</sub> | 6月8日22:45～6月10日13:37 |
| 类型2 | M<sub>2</sub> | 6月10日21:38～6月12日3:20 |
| 类型3 | M<sub>3</sub> | 6月12日20:58～6月13日22:26 |
可见，本方法能准确识别常压塔蒸馏过程中的稳态工况，并对工况进行分类，自动建立新的稳态工况模型，实现历史工况模型集合的在线更新，为工业生产过程的运行优化、设备性能评价以及故障检测等研究提供了良好基础。
Claims (2)
1.一种工业过程稳态工况识别与分类方法，其特征在于针对工业过程，通过选择工况相关变量，建立多个主元分析模型，识别稳态工况，并进行工况分类，具有以下步骤：
(1)分析工艺过程和传感器分布情况，确定与工况相关的变量集V；
(2)选择一段包含n组数据的正常平稳工况下的历史数据作为训练集；
(3)对训练集进行主元分析，建立模型M1并算出T2统计量上限Tα 2和SPE统计量上限δα 2，并将M1设置为当前模型Mp，加入工况模型集合Q；
(4)将待测数据输入到当前模型Mp中，基于统计量T2和统计量SPE的越界情况判断当前工况是否符合当前模型Mp：若符合则判定当前工况平稳，返回步骤(4)；否则说明当前工况发生变化，转步骤(5)；
(5)从统计量越界的时刻开始，分别对T2和SPE进行数据平稳性检测，得到数据开始平稳的时刻ts，即从ts时刻开始，过程进入新的稳态工况；ts的计算方法为：针对T2和SPE分别进行数据平稳性检测，算出统计量开始平稳时间tSPE和tT2，ts＝max{tSPE,tT2}；统计量数据平稳性检测步骤如下：
(5-1)令tSPE或tT2初始值为统计量越界的时刻；
(5-2)从tSPE或tT2时刻开始选择h组数据，求相邻两时刻的数据差值；
(5-3)对数据差值进行置信度为95％的区间估计；
(5-4)若估计出的区间包含0，则当前数据平稳，结束检测；否则，说明数据非平稳，令tSPE＝tSPE+h或tT2＝tT2+h，转步骤(5-2)；
(6)从ts开始，取n组数据，将它们依次输入集合Q的工况模型中，若有模型符合，说明当前工况已出现过，将当前模型Mp切换为符合当前工况的模型，转步骤(4)；否则，将它们作为训练集，转步骤(3)。
2.根据权利要求1所述的一种工业过程稳态工况识别与分类方法，其特征在于步骤(4)和步骤(6)中，判断模型符合的条件为：将待测数据输入工况模型后，计算出的SPE和T2将时间分为如下3类：
其中，T1∪T2∪T3为待测数据的完整时段，SPEt和Tt 2分别为t时刻的统计量值，δα 2和Tα 2分别为SPE和T2统计量上限，当时间集合T2和T3中出现的最大连续时间长度小于Δt，则判断模型符合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237820.8A CN111338310B (zh) | 2020-03-30 | 2020-03-30 | 一种工业过程稳态工况识别与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237820.8A CN111338310B (zh) | 2020-03-30 | 2020-03-30 | 一种工业过程稳态工况识别与分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111338310A CN111338310A (zh) | 2020-06-26 |
| CN111338310B true CN111338310B (zh) | 2023-02-07 |
Family
ID=71182678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010237820.8A Active CN111338310B (zh) | 2020-03-30 | 2020-03-30 | 一种工业过程稳态工况识别与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111338310B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112228042B (zh) * | 2020-10-22 | 2022-07-15 | 南京富岛信息工程有限公司 | 一种基于云边协同计算的抽油机井工况相似性判别方法 |
| CN112311662B (zh) * | 2020-10-22 | 2022-08-30 | 南京富岛信息工程有限公司 | 一种智慧油田边缘计算网关 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
| CN103245759A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于自回归全潜结构投影模型的产品质量监测方法 |
| CN104635724A (zh) * | 2014-12-25 | 2015-05-20 | 重庆科技学院 | 基于动态核独立分量分析的天然气净化过程异常检测方法 |
| CN104977847A (zh) * | 2015-07-01 | 2015-10-14 | 南京富岛信息工程有限公司 | 一种面向常减压优化的稳态工况判别方法 |
| CN106647274A (zh) * | 2016-12-28 | 2017-05-10 | 中南大学 | 一种连续生产过程中运行工况稳态判别方法 |
-
2020
- 2020-03-30 CN CN202010237820.8A patent/CN111338310B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
| CN103245759A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于自回归全潜结构投影模型的产品质量监测方法 |
| CN104635724A (zh) * | 2014-12-25 | 2015-05-20 | 重庆科技学院 | 基于动态核独立分量分析的天然气净化过程异常检测方法 |
| CN104977847A (zh) * | 2015-07-01 | 2015-10-14 | 南京富岛信息工程有限公司 | 一种面向常减压优化的稳态工况判别方法 |
| CN106647274A (zh) * | 2016-12-28 | 2017-05-10 | 中南大学 | 一种连续生产过程中运行工况稳态判别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于负荷轴工况划分的发电厂关键设备非平稳状态监测;沙万里等;《浙江电力》;20191225;第38卷(第12期);第31-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111338310A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN105279365A (zh) | 用于学习异常检测的样本的方法 | |
| CN104793606B (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
| CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
| CN109815149A (zh) | 一种基于Weibull分布引进故障的软件可靠性增长模型 | |
| CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
| CN112363462B (zh) | 一种静-动态协同感知的复杂工业过程运行状态评价方法 | |
| CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
| CN111413949B (zh) | 一种降低工业过程故障预警误报率的方法 | |
| CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
| US20240316477A1 (en) | Method for monitoring a system and associated computer program product | |
| CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| CN109978059A (zh) | 一种原油蒸馏过程初馏塔冲塔故障预警方法 | |
| CN102750445B (zh) | 基于复化Simpson公式改进多变量灰色模型的故障预测方法 | |
| CN107563656B (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
| CN106647274B (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
| CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
| CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| CN115310561A (zh) | 一种基于集成即时学习的电磁阀故障监测方法 |
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 |