CN111949700B - 用于石化装置的智能安全保障实时优化方法及系统 - Google Patents
用于石化装置的智能安全保障实时优化方法及系统 Download PDFInfo
- Publication number
- CN111949700B CN111949700B CN202010593913.4A CN202010593913A CN111949700B CN 111949700 B CN111949700 B CN 111949700B CN 202010593913 A CN202010593913 A CN 202010593913A CN 111949700 B CN111949700 B CN 111949700B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- time
- petrochemical
- data
- parameters
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008901 benefit Effects 0.000 claims abstract description 5
- 238000003745 diagnosis Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000005312 nonlinear dynamic Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000008278 dynamic mechanism Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 19
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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]
Abstract
本发明涉及用于石化装置的智能安全保障实时优化方法及系统,属于安全生产智能保障领域。包括建立智能监测模型和智能预警模型,对提示的异常工况发生原因进行异常预判推理;实时采集石化装置异常期间的关键参数和关联操作参数,进行数据处理动态整定操作,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定。基于数字孪生的双重异常智能预警预测模块将工艺机理建模和大数据分析方法创新融合应用到生产异常工况预警预测的工业场景,比单一数据的工艺预测更具有可解释性和有效性;基于动态实时优化和先进控制闭环联动技术模块,能对装置异常工况进行实时响应,通过动态优化调整保证生产装置的安全运行和经济效益。
Description
技术领域
本申请属于安全生产智能保障领域,尤其是涉及用于石化装置的智能安全保障实时优化方法及系统。
背景技术
石油化工过程具有工艺流程复杂、相互影响制约因素多、高温、高压、易燃和易爆等特点。装置生产过程中的异常工况如果发生,同时处置不及时或者过程安全管理不到位,都会造成装置产品质量下降或生产周期延误,甚至很容易会导致事故的发生。
目前,国内石化企业的安全生产隐患排查工作主要靠人力,通过人的专业知识去发现生产中存在的安全隐患。这种方式容易受到主观因素影响,且很难界定安全与危险状态,可靠性差;另外,由于在事故发生后才分析事故原因、追究事故责任和制订防治措施,这种方式也存在着很大局限性,不能达到从源头上防治事故的目的。
虽然,现有的先进技术已经应用在了工业企业的装置安全生产上。不过这些技术主要集中在故障预测与健康管理(PHM)方面,且多聚焦在单一开环技术(如设备在线监测、健康度预测等),对于融合装置生产异常工况在线监测、预警和推理诊断、动态实时优化(DRTO)和先进控制的闭环联动等集成技术很少,大大制约了技术的实际应用效果。
在工业企业的装置安全生产监测方面,主要专利技术有:
一种工业化加工渣油的在线实时故障监测与诊断的系统装置(CN201010291938.5)。
上述专利主要提供了一种业化加工渣油的在线实时故障监测与诊断的系统装置,具有数据采集、数据滤波、传感器有效性分析、报警管理、设备监测、专家知识管理、故障“剧情”智能自解释与可视化显示等功能,并能提供交接班、操作日志、工作台历、工艺卡片等日常管理功能。但该专利在监测上采用单一数据的工艺预测,技术本身可解释性和有效性较差,另外,该专利为开环系统,实施优化运行效果差,且该专利主要针对延迟焦化装置生产过程的故障诊断监测,局限性较大。
发明内容
本申请是为了克服现有技术中,现有的石化装置在生产过程中,安全生产隐患排查工作主要靠人力,导致生产隐患排查能力差、可靠性差且存在局限性的问题,提供了一种安全性强,能够提高经济收益,并且能够帮助实现石化企业装置安全生产保障和持续闭环实时优化经济运行的用于石化装置的智能安全保障实时优化方法及系统。
为实现上述目的,本申请采用以下技术方案:
一方面,本申请提供了用于石化装置的智能安全保障实时优化方法,包括如下步骤:
步骤一,从石化装置中实时获取装置生产过程各类参数数据;
步骤二,收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,在石化装置工作异常期间参数数据的匹配下,若有关键参数被识别出异常,则会自动给出警告;
步骤三,根据石化装置在线运行的实时输入数据,自动给出石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
步骤四,对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
步骤五,自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
步骤六,将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行。
可选的,所述智能预警模块基于智能预警模型,所述智能预警模型的建立,包括如下步骤:
利用动态机理建模方法建立装置关键参数的动态预警模型,并对装置各种异常工况进行模拟仿真,生成仿真的虚拟外推样本集其中/>为与关键参数关联的操作参数虚拟样本,/>为关键参数虚拟样本;
采集装置实时历史数据作为离线基础训练样本集并与虚拟外推样本集混合为建模样本(X,Y);
对所述建模样本经过智能标注、深度特征预学习抽取出与装置的设备、工艺各相关参数之间的耦合关联,并基于大数据模型挖掘出装置设备关键参数在各种复杂工况下的运行规律,对未来的关键参数工况进行预测,并设定预警阈值,若关键参数输出有超限的趋势则提前触发异常预警。
其中,Yt,Xt,Yt-i,Xt-i,i=1,2,3...分别为当前时刻t和过去时刻t-i关键参数和关联操作参数输入输出样本,为关键参数未来时刻预测输出,f(·)为关键参数大数据预警模型,δmin,n,δmax,n为预警阈值上下限。
可选的,所述智能推理诊断模块基于智能推理诊断模型,所述智能推理诊断模块基于智能推理诊断模型,所述智能推理诊断模型的建立,包括如下步骤:
通过贝叶斯结构学习和贝叶斯参数学习构建贝叶斯网络,计算不同参数下石化装置发生故障的概率,得到各节点的条件概率表,概率最大的值即为根源参数。
可选的,所述贝叶斯参数学习采用最大后验概率的方法,包括如下步骤:
对于故障现象的先验概率由历史数据统计直接计算获得;
对于观测节点的先验概率,假设观测节点p符合贝塔分布Beta(p:α,β);
其中,α和β是贝塔分布中的大于0的参数,并且它们的值可以由样本均值和样本方差确定;
以最大化参数p的验前概率密度函数π(p)的熵H(Beta(p:α,β))为目标,求解最优的α和β;
根据历史样本数据学习得到各观测节点的验后概率。
可选的,步骤五中所述的数据处理整定操作,包括数据一致性检测、数据在线预处理及动态数据整定和参数估计。
可选的,步骤五中所述动态数据整定和参数估计,包括利用装置生产过程的物料平衡或者能量平衡关系,在原始测量数据的基础上,对测量数据进行动态整定,利用数据整定后的数据集,动态调整装置模型的参数,要求整定值与整定值对应的测量值的偏差之平方和最小,其数学表达为:
其中,Xt表示t时刻己测变量向量,Ut表示t时刻未测变量向量,表示t时刻整定值向量,/>表示t时刻整定值向量的偏导数,m为优化的时间长度,βt表示t时刻估计的模型参数,Q为测量变量协方差矩阵,G为装置模型的开放式动态约束方程。
可选的,步骤五中所述根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定,包括:
将整定后的当前数据集输入至非线性动态模型,以安全和经济综合关键指标作为优化调整目标,同时考虑石化装置生产原料、产品及操作的约束条件,通过约束条件确定的可行域内利用非线性规划求解器,在线实时求得异常关联操作参数优化设定。
可选的,步骤五中所述优化调整目标,即在保证装置安全生产要求的前提下最大化生产经济效益,优化调整目标函数表达为:
式中,OBJ为最小化目标函数,目标函数第一项为最大产品收率目标,第二项为装置最小能耗目标;PrYldt为t时刻的产品收率,EnergyCostt为t时刻的能耗,m为优化的时间长度;w1,w2分别为目标函数两项的权重。
可选的,步骤五中所述约束条件如下:
yquality,min≤yquality,t≤yquality,max
其中,Xmin,Xmax分别为各装置关联操作参数最小值和最大值,yquality,min,yquality,max分别为装置产品质量要求最小规格、最大规格,G(·)为非线性动态模型方程组;所述非线性动态模型方程组包括装置物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程,各装置单元间的联结方程、物性推算方程、分子归一方程以及预警模型方程f;为关键参数未来t+n时刻预测输出,δmin,n,δmax,n为监测或预警的关键参数阈值上下限。
另一方面,用于石化装置的智能安全保障实时优化系统,所述智能安全保障实时优化系统包括:
数据采集模块,用于从石化装置中实时获取装置生产过程各类参数数据;
智能监测模块,用于收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,若有关键参数被识别出异常,则会自动给出警告;
智能预警模块,用于根据石化装置在线运行的实时输入数据,自动给出石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
装置生产案例知识库模块,用于自动采集石化装置工作异常期间的参数数据,建立异常快照,提取关键参数作为判断依据,进行保存;
智能推理诊断模块,用于对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
动态优化模块,用于自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,并根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
先进控制模块,用于将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行。
因此,本申请具有如下有益效果:
(1)基于人工智能深度学习和知识库案例匹配结合的在线监测与诊断技术,提高在线应用精度和可靠性;
(2)基于数字孪生的双重异常智能预警预测技术将工艺机理建模和大数据分析方法创新融合应用到生产异常工况预警预测的工业场景,比单一数据的工艺预测更具有可解释性和有效性;
(3)基于贝叶斯网络技术的智能推理诊断模块能自动快速定位装置异常根源,准确给出优化调整方向和策略;
(4)基于动态实时优化和先进控制闭环联动技术模块,可以避免常规RTO操作方法对生产稳态苛刻要求,更适合工业安全智能防护和工艺经济快速调整;
(5)有机融合了在线检测-案例知识库-预测预警-异常推理诊断-动态实时优化-先进控制等集成技术,可保证“无人自动驾驶”式全流程闭环智能安全生产和实时优化运行。
附图说明
图1为本申请中的用于石化装置的智能安全保障实时优化方法的流程示意图;
图2为本申请中的用于石化装置的智能安全保障实时优化系统的结构框图。
图中:数据采集模块1、智能监测模块2、智能预警模块3、装置生产案例知识库模块4、智能推理诊断模块5、动态优化模块6、先进控制模块7、石化装置8
具体实施方式
下面结合附图与具体实施方式对本申请做进一步的描述:
实施例1:
如图1所示,本申请提供了用于石化装置的智能安全保障实时优化方法,包括如下步骤:
步骤一,从石化装置中实时获取装置生产过程各类参数数据;
步骤二,收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,在石化装置工作异常期间参数数据的匹配下,若有关键参数被识别出异常,则会自动给出警告;
步骤三,根据石化装置在线运行的实时输入数据,自动给出石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
步骤四,对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
步骤五,自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
步骤六,将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行,从而实现对石化装置的在线闭环实时优化和先进控制。
本实施例中,步骤二基于人工智能深度学习和知识库案例匹配结合的在线监测与诊断技术,提高在线应用精度和可靠性;
步骤三基于数字孪生的双重异常智能预警预测技术将工艺机理建模和大数据分析方法创新融合应用到生产异常工况预警预测的工业场景,比单一数据的工艺预测更具有可解释性和有效性;
步骤四基于贝叶斯网络技术能自动快速定位装置异常根源,准确给出优化调整方向和策略;
步骤五和步骤六基于动态实时优化和先进控制闭环联动技术模块,可以避免常规RTO操作方法对生产稳态苛刻要求,更适合工业安全智能防护和工艺经济快速调整;
本申请整体有机融合了在线检测-案例知识库-预测预警-异常推理诊断-动态实时优化-先进控制等集成技术,可保证“无人自动驾驶”式全流程闭环智能安全生产和实时优化运行。
具体的,步骤三实施过程主要通过智能预警模块实现,智能预警模块基于智能预警模型,所述智能预警模型的建立,包括如下步骤:
利用动态机理建模方法建立装置关键参数的动态预警模型,并对装置各种异常工况进行模拟仿真,生成仿真的虚拟外推样本集其中/>为与关键参数关联的操作参数虚拟样本,/>为关键参数虚拟样本;
采集装置实时历史数据作为离线基础训练样本集并与虚拟外推样本集混合为建模样本(X,Y);
对所述建模样本经过智能标注、深度特征预学习抽取出与装置的设备、工艺各相关参数之间的耦合关联,并基于大数据模型挖掘出装置设备关键参数在各种复杂工况下的运行规律,对未来的关键参数工况进行预测,并设定预警阈值,若关键参数输出有超限的趋势则提前触发异常预警,具体如下公式所示:
其中,Yt,Xt,Yt-i,Xt-i,i=1,2,3...分别为当前时刻t和过去时刻t-i关键参数和关联操作参数输入输出样本,为关键参数未来时刻预测输出,f(·)为关键参数大数据预警模型,δmin,n,δmax,n为预警阈值上下限。
具体的,步骤四实施过程主要通过智能推理诊断模块实现,智能推理诊断模块基于智能推理诊断模型,所述智能推理诊断模型的建立,包括如下步骤;
通过贝叶斯结构学习和贝叶斯参数学习构建贝叶斯网络,计算不同参数下石化装置发生故障的概率,得到各节点的条件概率表,概率最大的值即为根源参数;
具体的,所述的贝叶斯结构学习,即采用融合方法,先对学习的条件独立性测试进行约束以降低搜索空间的解析难度或获取无向网络图,再结合评分搜索算法中的评分函数加上启发式搜索寻找到最佳贝叶斯结构;
而所述贝叶斯参数学习采用最大后验概率的方法,包括如下步骤:
由历史数据统计直接计算获得石化装置故障现象的先验概率;
对于观测节点的先验概率,假设观测节点p符合贝塔分布Beta(p:α,β);
其中,α和β是贝塔分布中的大于0的参数;
以最大化参数p的验前概率密度函数π(p)的熵H(Beta(p:α,β))为目标,求解最优的α和β;
根据历史样本数据学习得到各观测节点的验后概率。
具体的,步骤五的实施主要通过动态优化模块实现,步骤五中所述的数据处理整定操作,包括数据一致性检测、数据在线预处理及动态数据整定和参数估计;
数据一致性检测,指通过参数匹配,确保数据采集模块的初始参数都是存在且有效的,以防止数据传输过程变量丢失;
数据在线预处理,包括填缺失值、3-delta去离值点、指数平滑滤波去噪的数据预处理在线技术;
所述动态数据整定和参数估计,包括如下步骤:
利用石化装置生产过程的物料平衡或者能量平衡关系,在原始测量数据的基础上,对测量数据进行动态整定,利用数据整定后的数据集,动态调整装置模型的参数,要求整定值与整定值对应的测量值的偏差之平方和最小,具体数学表达为:
其中,Xt表示t时刻己测变量向量,Ut表示t时刻未测变量向量,表示t时刻整定值向量,/>表示t时刻整定值向量的偏导数,m为优化的时间长度,βt表示t时刻估计的模型参数,Q为测量变量协方差矩阵,G为装置模型的开放式动态约束方程。
开放式动态约束方程包括装置模型物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程,各装置单元间的联结方程、物性推算方程和分子归一方程。
步骤五中所述根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定,包括:
将整定后的当前数据集输入至非线性动态模型,以安全和经济综合关键指标作为优化调整目标,同时考虑石化装置生产原料、产品及操作的约束条件,通过约束条件确定的可行域内利用非线性规划求解器,在线实时求得异常关联操作参数优化设定。
上述的优化调整目标,即在保证装置安全生产要求的前提下最大化生产经济效益,优化调整目标函数表达为:
式中,OBJ为最小化目标函数,目标函数第一项为最大产品收率目标,第二项为装置最小能耗目标;PrYldt为t时刻的产品收率,EnergyCostt为t时刻的能耗,m为优化的时间长度;w1,w2分别为目标函数两项的权重。
另外,上述约束条件的函数表达式如下:
yquality,min≤yquality,t≤yquality,max
其中,Xmin,Xmax分别为各装置关联操作参数最小值和最大值,yquality,min,yquality,max分别为装置产品质量要求最小规格、最大规格,G(·)为非线性动态模型方程组;非线性动态模型方程组包括装置物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程,各装置单元间的联结方程、物性推算方程、分子归一方程以及预警模型方程f;为关键参数未来t+n时刻预测输出,δmin,n,δmax,n为监测或预警的关键参数阈值上下限。
另外具体的,步骤六的实施主要通过先进控制模块实现。
本申请从石化工业生产现场在线采集装置关键设备的各类实时运行数据和数据趋势,自动监测、判断装置当前运行状态,同时对由错误操作、工艺异常、仪表故障、设备故障等引起异常操作的工况进行模式识别和预测,对未来可能发生的异常事件给予预警预报和评估,同时自动预判出异常发生的原因,并使异常操作状况自动优化回到正常工况。
本申请提出的用于石化装置的智能安全保障实时优化方法,不仅可以避免石化工业现场装置操作员对装置异常工况人为消极干预的安全隐患,而且在保护人身安全和装置安全的同时,通过实时优化控制可以大幅度减少不必要的经济损失,从而帮助实现石化企业装置安全生产保障和持续闭环实时优化经济运行。
实施例二
如图2所示为本申请提出的用于石化装置的智能安全保障实时优化系统,包括:
数据采集模块1,用于从石化装置8中实时获取装置生产过程各类参数数据;
智能监测模块2,用于收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,若有关键参数被识别出异常,则会自动给出警告;
智能预警模块3,用于根据石化装置在线运行的实时输入数据,自动给出石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
装置生产案例知识库模块4,用于自动采集石化装置工作异常期间的参数数据,建立异常快照,提取关键参数作为判断依据,进行保存;
智能推理诊断模块5,用于对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
动态优化模块6,用于自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,并根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
先进控制模块7,用于将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行。
本申请中的智能安全保障实时优化系统,有机融合了在线检测-案例知识库-预测预警-异常推理诊断-动态实时优化-先进控制等集成技术,可保证“无人自动驾驶”式全流程闭环智能安全生产和实时优化运行。
在具体实施过程中,数据采集模块用于从石化装置中实时获取装置生产过程各类结构化数据(原料性质、操作参数如流量、液位、压力、温度、成分等)和非结构化数据(趋势图、雷达图等)并作为智能监测模块、装置生产案例知识库模块和智能预警模块的在线实时模型输入。
具体的,智能监测模块用于收集石化装置生产过程数据和关键参数数据(如加热炉炉温、反应器炉膛温度、工艺产品质量等),并利用深度学习算法离线训练建立智能监测模型,并在线实时监测石化装置的关键参数是否超出设定的上下限阈值[δmin,δmax]。所述深度学习算法包括长短期记忆网络、深度迁移网络、卷积神经网络等主流深度学习神经网络。
具体的,智能预警模块则用于根据石化装置在线运行的实时输入数据,自动给出设备、仪表、工艺和操作在未来几小时或几天的预测工况状态,通过混合增强智能评价方法自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警。所述的混合增强智能评价方法,即利用机器学习和工艺先验知识混合方法对预警出来的各类异常模式进行风险等级评估,自动判断对石化装置正常生产的影响程度。
具体的,装置生产案例知识库模块,由异常模式、异常机理和异常特征共同组成,能针对装置的异常情况(如装置异常停车、质量异常、装置能耗异常等),自动采集异常期间的工艺操作参数,建立异常快照,提取关键指标作为判断依据,存入装置生产知识案例库,一旦在线运行进行模式匹配时,关键参数出现类似的状态,会自动给出警告。
具体的,智能推理诊断模块用于对智能监测模块或装置生产案例知识库或智能预警模块提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为可能导致指标异常的最大关键影响参数。
具体的,动态优化模块用于针对石化装置生产过程异常波动监测或预警的关键参数(质量、安全指标),自动从数据采集模块实时采集异常期间的关键参数和关联操作参数,并进行数据处理整定操作,将整定后的当前数据集输入至装置非线性动态模型,以安全和经济综合关键指标作为优化调整目标,同时考虑装置生产原料、产品及操作约束条件(如进料原料性质、装置负荷、加热炉出口温度、产品质量要求等),通过约束条件确定的可行域内利用非线性规划求解器,在线实时求得异常关联操作参数优化设定。
上述的非线性动态模型,即采集装置关键参数和关联操作参数历史动态数据集,用递归神经网络模型进行离线学习,从而建立了用于在线实时计算的装置非线性动态模型。
具体的,先进控制模块用于将动态实时优化模块输出的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给内部的先进控制器执行,先进控制模块能确保装置平稳快速的向最优值(设定值)靠拢,从而实现装置的在线闭环实时优化和先进控制,使异常工况恢复正常状态的同时,使得装置运行达到最佳,保障安全生产的同时提高装置生产的经济效益。
应理解,本实施例仅用于说明本申请而不用于限制本申请的范围。此外应理解,在阅读了本申请讲授的内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (6)
1.用于石化装置的智能安全保障实时优化方法,其特征在于,包括如下步骤:
步骤一,从石化装置中实时获取装置生产过程各类参数数据;
步骤二,收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,在石化装置工作异常期间参数数据的匹配下,若有关键参数被识别出异常,则会自动给出警告;
步骤三,根据石化装置在线运行的实时输入数据,确定石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
步骤四,对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
步骤五,自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
步骤六,将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行;
所述步骤三基于智能预警模型,所述智能预警模型的建立,包括如下步骤:
利用动态机理建模方法建立装置关键参数的动态预警模型,并对装置各种异常工况进行模拟仿真,生成仿真的虚拟外推样本集其中/>为与关键参数关联的操作参数虚拟样本,/>为关键参数虚拟样本;
采集装置实时历史数据作为离线基础训练样本集并与虚拟外推样本集混合为建模样本(X,Y);
对所述建模样本经过智能标注、深度特征预学习抽取出与装置的设备、工艺各相关参数之间的耦合关联,并基于大数据模型挖掘出装置设备关键参数在各种复杂工况下的运行规律,对未来的关键参数工况进行预测,并设定预警阈值,若关键参数输出有超限的趋势则提前触发异常预警,具体如下公式所示:
其中,Yt,Xt,Yt-i,Xt-i,i=1,2,3...分别为当前时刻t和过去时刻t-i关键参数和关联操作参数输入输出样本,为关键参数未来时刻预测输出,f(·)为关键参数大数据预警模型,δmin,n,δmax,n为预警阈值上下限;
步骤五中所述的数据处理整定操作,包括数据一致性检测、数据在线预处理及动态数据整定和参数估计;
所述动态数据整定和参数估计,包括如下步骤:
利用石化装置生产过程的物料平衡或者能量平衡关系,在原始测量数据的基础上,对测量数据进行动态整定,利用数据整定后的数据集,动态调整装置模型的参数,要求整定值与整定值对应的测量值的偏差之平方和最小,具体数学表达为:
其中,Xt表示t时刻己测变量向量,Ut表示t时刻未测变量向量,表示t时刻整定值向量,/>表示t时刻整定值向量的偏导数,m为优化的时间长度,βt表示t时刻估计的模型参数,Q为测量变量协方差矩阵,/>为装置模型的开放式动态约束方程;
步骤五中所述约束条件的函数表达式如下:
yquality,min≤yquality,t≤yquality,max
其中,Xmin,Xmax分别为各装置关联操作参数最小值和最大值,yquality,min,yquality,max分别为装置产品质量要求最小规格、最大规格,为非线性动态模型方程组。
2.根据权利要求1所述的用于石化装置的智能安全保障实时优化方法,其特征在于,所述步骤四基于智能推理诊断模型,所述智能推理诊断模型的建立,包括如下步骤:
通过贝叶斯结构学习和贝叶斯参数学习构建贝叶斯网络,计算不同参数下石化装置发生故障的概率,得到各节点的条件概率表,概率最大的值即为根源参数。
3.根据权利要求2所述的用于石化装置的智能安全保障实时优化方法,其特征在于,所述贝叶斯参数学习采用最大后验概率的方法,包括如下步骤:
由历史数据统计直接计算获得石化装置故障现象的先验概率;
对于观测节点的先验概率,假设观测节点p符合贝塔分布Beta(p:α,β);
其中,α和β是贝塔分布中的大于0的参数;
以最大化参数p的验前概率密度函数π(p)的熵H(Beta(p:α,β))为目标,求解最优的α和β;
根据历史样本数据学习得到各观测节点的验后概率。
4.根据权利要求1所述的用于石化装置的智能安全保障实时优化方法,其特征在于,步骤五中所述根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定,包括:
将整定后的当前数据集输入至非线性动态模型,以安全和经济综合关键指标作为优化调整目标,同时考虑石化装置生产原料、产品及操作的约束条件,通过约束条件确定的可行域内利用非线性规划求解器,在线实时求得异常关联操作参数优化设定。
5.根据权利要求1所述的用于石化装置的智能安全保障实时优化方法,其特征在于,步骤五中所述优化调整目标,即在保证装置安全生产要求的前提下最大化生产经济效益,优化调整目标函数表达为:
式中,OBJ为最小化目标函数,目标函数第一项为最大产品收率目标,第二项为装置最小能耗目标;PrYldt为t时刻的产品收率,EnergyCostt为t时刻的能耗,m为优化的时间长度;w1,w2分别为目标函数两项的权重。
6.用于石化装置的智能安全保障实时优化系统,其特征在于,用于实现如权利要求1至5任意一项所述的方法,包括:
数据采集模块,用于从石化装置中实时获取装置生产过程各类参数数据;
智能监测模块,用于收集石化装置生产过程数据和关键参数数据,离线训练建立智能监测模型,并对石化装置的关键参数进行在线实时异常监测,若有关键参数被识别出异常,则会自动给出警告;
智能预警模块,用于根据石化装置在线运行的实时输入数据,自动给出石化装置在未来的预测工况状态,同时自动提前识别出各类异常类型并评估风险等级,并及时给出异常预警;
装置生产案例知识库模块,用于自动采集石化装置工作异常期间的参数数据,建立异常快照,提取关键参数作为判断依据,进行保存;
智能推理诊断模块,用于对提示的异常工况发生的原因,进行自动推理与追溯,生成异常预判推理结果表及异常推理网络,并将推理结果表中概率值最大的参数作为导致指标异常的最大关键影响参数;
动态优化模块,用于自动实时采集石化装置异常期间的关键参数和关联操作参数,并进行数据处理整定操作,并根据整定后的当前数据集,在优化调整目标和约束条件的限定下,在线实时求得石化装置异常关联操作参数的优化设定;
先进控制模块,用于将求得的石化装置异常关联操作参数的优化设定,作为被控变量的设定值,自动下载给先进控制器执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593913.4A CN111949700B (zh) | 2020-06-24 | 2020-06-24 | 用于石化装置的智能安全保障实时优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593913.4A CN111949700B (zh) | 2020-06-24 | 2020-06-24 | 用于石化装置的智能安全保障实时优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949700A CN111949700A (zh) | 2020-11-17 |
CN111949700B true CN111949700B (zh) | 2024-04-09 |
Family
ID=73337760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010593913.4A Active CN111949700B (zh) | 2020-06-24 | 2020-06-24 | 用于石化装置的智能安全保障实时优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949700B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159605B (zh) * | 2021-04-30 | 2022-08-05 | 浙江省天正设计工程有限公司 | 基于逻辑回归的化工装置智能化报警方法及系统 |
CN113420500B (zh) * | 2021-06-10 | 2022-12-02 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN113656389B (zh) * | 2021-08-12 | 2022-05-27 | 北京可视化智能科技股份有限公司 | 一种智能工厂异常数据处理方法、装置、系统及存储介质 |
CN114089720A (zh) * | 2021-11-12 | 2022-02-25 | 辽宁东科电力有限公司 | 一种发电厂用汽轮机智能控制一体化系统及控制方法 |
CN114841396B (zh) * | 2022-03-16 | 2023-02-17 | 广东石油化工学院 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
CN115072970B (zh) * | 2022-06-10 | 2024-01-30 | 华彤光学科技(浙江)有限公司 | 智能玻璃模压机监控系统与方法 |
CN115081926B (zh) * | 2022-07-14 | 2022-11-11 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
CN115729189B (zh) * | 2022-11-21 | 2024-02-27 | 无锡雪浪数制科技有限公司 | 一种融合数据模型和机理模型的生产控制方法 |
CN116823175A (zh) * | 2023-07-10 | 2023-09-29 | 深圳市昭行云科技有限公司 | 一种石油化工生产信息化系统智能运维方法及系统 |
CN116821835B (zh) * | 2023-08-30 | 2023-11-14 | 华洋通信科技股份有限公司 | 基于数字孪生的煤矿数据智能化采集方法 |
CN117270483B (zh) * | 2023-11-22 | 2024-04-12 | 中控技术股份有限公司 | 化工生产装置全流程动态优化控制方法、装置、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN106020154A (zh) * | 2016-07-12 | 2016-10-12 | 中国石油化工股份有限公司 | 一种用于乙烯生产的安全动态健康评估方法及评估系统 |
CN107168255A (zh) * | 2017-05-16 | 2017-09-15 | 浙江工业大学 | 一种基于集成神经网络的聚丙烯熔融指数混合建模方法 |
CN107862324A (zh) * | 2017-10-19 | 2018-03-30 | 北京化工大学 | 一种基于mwspca的cbr预测模型智能化预警方法 |
CN109697332A (zh) * | 2019-01-14 | 2019-04-30 | 重庆邮电大学 | 一种基于非监督学习方法的流计算系统的异常监测方案 |
CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150262095A1 (en) * | 2014-03-12 | 2015-09-17 | Bahwan CyberTek Private Limited | Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
-
2020
- 2020-06-24 CN CN202010593913.4A patent/CN111949700B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN106020154A (zh) * | 2016-07-12 | 2016-10-12 | 中国石油化工股份有限公司 | 一种用于乙烯生产的安全动态健康评估方法及评估系统 |
CN107168255A (zh) * | 2017-05-16 | 2017-09-15 | 浙江工业大学 | 一种基于集成神经网络的聚丙烯熔融指数混合建模方法 |
CN107862324A (zh) * | 2017-10-19 | 2018-03-30 | 北京化工大学 | 一种基于mwspca的cbr预测模型智能化预警方法 |
CN109697332A (zh) * | 2019-01-14 | 2019-04-30 | 重庆邮电大学 | 一种基于非监督学习方法的流计算系统的异常监测方案 |
CN109974782A (zh) * | 2019-04-10 | 2019-07-05 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于SVM-BOXPLOT的乙烯生产过程异常工况监测与诊断;华丽;于海晨;邵诚;巩师鑫;;化工学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111949700A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949700B (zh) | 用于石化装置的智能安全保障实时优化方法及系统 | |
CN111724126B (zh) | 一种工艺流程质量异常精准追溯方法及系统 | |
US20210365784A1 (en) | Method for deriving fault diagnosis rules of blast furnace based on deep neural network | |
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
CN105278520A (zh) | 基于t-kprm复杂工业过程运行状态评价方法及应用 | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN108663995A (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
Erginel | Fuzzy rule-based $\tilde p $ and $ n\tilde p $ control charts | |
CN107065834A (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
Tang et al. | Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation | |
Tian et al. | Spatial correlation and temporal attention-based LSTM for remaining useful life prediction of turbofan engine | |
CN116224947B (zh) | 可主动融入领域规则知识的深度学习工业控制系统 | |
CN108959498A (zh) | 一种用于健康监测的大数据处理平台及其设计方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN116991130A (zh) | 一种石化生产智能化自动化控制系统和方法 | |
CN116823175A (zh) | 一种石油化工生产信息化系统智能运维方法及系统 | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
CN110083131A (zh) | 基于变化幅度的工艺参数在线预警方法及可读存储介质 | |
Lin et al. | Mechanical fault prediction based on principal component analysis | |
Poirier et al. | Using fuzzy logic for on-line trend analysis | |
CN117631632B (zh) | 一种pta混合入料的控制方法及系统 | |
CN116976863B (zh) | 基于互联网的比例阀门卡件数据分析系统 |
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 |