CN112288126B - 一种采样数据异常变化在线监测与诊断方法 - Google Patents

一种采样数据异常变化在线监测与诊断方法 Download PDF

Info

Publication number
CN112288126B
CN112288126B CN202010941303.9A CN202010941303A CN112288126B CN 112288126 B CN112288126 B CN 112288126B CN 202010941303 A CN202010941303 A CN 202010941303A CN 112288126 B CN112288126 B CN 112288126B
Authority
CN
China
Prior art keywords
data
sensor
monitoring
neural network
prediction
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
Application number
CN202010941303.9A
Other languages
English (en)
Other versions
CN112288126A (zh
Inventor
胡绍林
张清华
王世华
黄晓敏
文成林
谢国
梁家辉
苏乃权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202010941303.9A priority Critical patent/CN112288126B/zh
Publication of CN112288126A publication Critical patent/CN112288126A/zh
Application granted granted Critical
Publication of CN112288126B publication Critical patent/CN112288126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Accounting & Taxation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Automation & Control Theory (AREA)

Abstract

本发明公开了一种采样数据异常变化在线监测与诊断方法，本发明属于生产过程安全监控技术领域；本发明以生产过程的传感器采样数据异常变化和过程故障为对象，建立了一组实时监测和诊断异常变化的方法。解决该问题的技术方案要点包括：通过对历史数据的统计学习，形成强容错的安全变化轴线；计算实测数据与安全变化轴线之间差值，形成残差序列；计算出残差序列的容错均值和容错方差；利用“3σ‑准则”，形成{‑1，0，1}序列；利用{‑1，0，1}的各态游程，实现对异常变化的监测与诊断；本发明在生产过程安全监控领域有重要应用价值，能购便利地实现对石油化工等复杂生产过程工况的监测监控。

Description

一种采样数据异常变化在线监测与诊断方法
技术领域
本发明涉及生产过程安全监控技术领域，具体涉及一种采样数据异常变化在线监测与诊断方法。
背景技术
石油化工等对安全性要求极高的复杂生产领域，监控其工况正常与否，是及时发现安全隐患和有效防范故障风险的重要一环。
在石化生产过程中，监控传感器测量数据是否异常，最简单且最常用的方法是固定门限监测：设定测量对象X的变化上限和下限分别为U和L，当X>U或X<L时，判断X对应的工况发生异常。上述方法存在两个明显局限：(1).上限U和下限L不容易恰当设定，U偏大或L偏小会导致漏判，U偏小或L偏大会导致误漏判；(2).不能够识别和发现区间[L,U]内的异常变化；(3).不能区分传感器误码导致的野值和真正的工况异常。
对于上述局限性(1)和(2)，近年来国际国内有研究人员尝试采用时变上限和/或时变下限的方式，代替固定上限和固定下限：对于传感器等测量设备在任意tk时刻获取的采样数据x(tk)，假定事前已知(或设定)其正常变化不会超出上限U(tk)和下限L(tk)，否则判定该状态参数异常。时变上下限的方法，一定程度上克服了上述局限性，但如何确定可靠的时变上下限，以及如何避免将传感器误码误判为工况异常，这两个难题并没有得到解决。
因此，如何区分采样数据野值和工况变化异常，以便有效避免频繁出现的虚警，一直是困扰石化等安全生产的技术“瓶颈”。
发明内容
本发明的目的在于提出一种采样数据异常变化在线监测与诊断方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明提供一组可有效地克服时变门限难以设定和野值误判为石油化工过程工况异常导致频繁虚警等现有方法局限性的多参数异变在线监测方法，实现石化生产过程的有效安全监控，降低虚警和异变有效示警。
本发明的目的是针对上述问题，提供一种采样数据异常变化在线监测与诊断方法，具体包括以下步骤：
S100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；
进一步地，在S100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。
进一步地，在S100中，传感器网络采集的数据为时间序列数据{X(tk)∈Rm,k＝0,1,2,…}，X(tk)为传感器网络按照时间先后顺序采集的数据；
进一步地，在S100中，所述神经网络为长短记忆神经网络LSTM，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络。
进一步地，在S100中，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列
Figure BDA0002673721830000021
Rm为m维的实数空间，
Figure BDA0002673721830000022
为得到的预测数据。
S200，根据预测数据构建基于预测残差的数据管道；
进一步地，在S200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：
S201，比对时间序列数据{X(tk)∈Rm,k＝0,1,2,…}与预测数据序列
Figure BDA0002673721830000023
之间差异，形成残差序列：
Figure BDA0002673721830000024
S202，对于当前监测时刻ts(s>n)，计算残差序列各分量的偏差中值和离差中值：
Figure BDA0002673721830000025
式中xj(tk)和
Figure BDA0002673721830000026
分别表示X(tk)和
Figure BDA0002673721830000027
的第j个分量，其中，
Figure BDA0002673721830000028
是中值算子，用于计算序列的中值；
S203，根据偏差中值和离差中值形成残差数据管道：
[Ej(tk)-4.5Θj(tk)，Ej(tk)+4.5Θj(tk)](j＝1,2,...,m) (3)；
S300，根据数据管道确定综合监测指数；
进一步地，在S300中，根据数据管道确定综合监测指数的方法为：利用式(3)构造传感网测量数据随时间变化的数据管道
Figure BDA0002673721830000029
确定传感网采集的多维测量数据X(tk)各分量的第一符号型综合监测指数Tj(tk)：
Figure BDA0002673721830000031
式中
Figure BDA0002673721830000032
当Tj(tk)＝1时，第j个传感器网络的节点异常报警；
优选地，为了规避石化过程石化管道测量数据的不同量纲和量值对监控算法的影响，也为了发现传感器孤立野值和避免野值带来虚警问题，对传感器采集的时间序列数据中的xj(tk)进行归一化处理：
Figure BDA0002673721830000033
从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数
Figure BDA0002673721830000034
Figure BDA0002673721830000035
S400，根据综合监测指数构建状态监测模型；
所述的综合监测指数包括第一符号型综合监测指数或第二符号型综合监测指数；
进一步地，在S400中，根据综合监测指数构建状态监测模型的方法为：
所述状态监测模型包括传感器采样数据模型和滑动窗模型；其中，采用式(4)或式(6)构造传感器采样数据模型为：
Figure BDA0002673721830000036
构造滑动窗模型为：
Figure BDA0002673721830000037
作为状态监测指数，其中，a为采样的第a点的采样数据标号即采样起始点，b为采样的第b点的采样数据标号即采样结束点。
S500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；
进一步地，在S500中，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断的方法为：
采用式(7)和式(8)所示的检测指数，通过以下的任意一种或多种传感器网络采样数据异常变化的监测与诊断规则对采样数据异常变化监测与诊断：
规则1：如果传感器网络监测数据片段{X(tn),…,X(tk)}的各分量均正常变化时，检测指数满足
Figure BDA0002673721830000041
各分量均正常变化的意义为各分量不超出上限U(tk)和下限L(tk)，U(tk)和L(tk)均为定量的预设门限值；
规则2：如果传感监测数据任意片段{X(ta),…,X(tb)}均处于正常变化时，滑动监测指数
Figure BDA0002673721830000042
规则3：如果
Figure BDA0002673721830000043
且
Figure BDA0002673721830000044
则第j个传感器测量数据大部分时间在管道壁的上方运行，判断为监测对象出现偏大型异常；如果
Figure BDA0002673721830000045
且
Figure BDA0002673721830000046
则第j个传感器测量数据大部分时间在门限的下方运行，判断为监测对象出现偏小型异常。
本发明的有益效果为：本发明公开了一种采样数据异常变化在线监测与诊断方法，能够实现石化生产过程的有效安全监控，降低虚警和异变有效示警。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本发明的一种采样数据异常变化在线监测与诊断方法的流程图；
图2所示为石油化工过程传感器采样数据异常变化在线监测方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本发明的一种采样数据异常变化在线监测与诊断方法的流程图，下面结合图1来阐述根据本发明的实施方式的方法。
参照图1，本发明提出一种采样数据异常变化在线监测与诊断方法，具体包括以下步骤：
S100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；
进一步地，在S100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。
进一步地，在S100中，传感器网络采集的数据为时间序列数据{X(tk)∈Rm,k＝0,1,2,…}，X(tk)为传感器网络按照时间先后顺序采集的数据；
进一步地，在S100中，所述神经网络为长短记忆神经网络LSTM，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络。
进一步地，在S100中，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列
Figure BDA0002673721830000051
Rm为m维的实数空间，
Figure BDA0002673721830000052
为得到的预测数据。
S200，根据预测数据构建基于预测残差的数据管道；
进一步地，在S200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：
S201，比对时间序列数据{X(tk)∈Rm,k＝0,1,2,…}与预测数据序列
Figure BDA0002673721830000053
之间差异，形成残差序列：
Figure BDA0002673721830000054
S202，对于当前监测时刻ts(s>n)，计算残差序列各分量的偏差中值和离差中值：
Figure BDA0002673721830000055
式中xj(tk)和
Figure BDA0002673721830000056
分别表示X(tk)和
Figure BDA0002673721830000057
的第j个分量，其中，
Figure BDA0002673721830000058
是中值算子，用于计算序列的中值；
S203，根据偏差中值和离差中值形成残差数据管道：
[Ej(tk)-4.5Θj(tk)，Ej(tk)+4.5Θj(tk)](j＝1,2,...,m) (3)；
S300，根据数据管道确定综合监测指数；
进一步地，在S300中，根据数据管道确定综合监测指数的方法为：利用式(3)构造传感网测量数据随时间变化的数据管道
Figure BDA0002673721830000061
确定传感网采集的多维测量数据X(tk)各分量的第一符号型综合监测指数Tj(tk)：
Figure BDA0002673721830000062
式中
Figure BDA0002673721830000063
当Tj(tk)＝1时，第j个传感器网络的节点异常报警；
优选地，为了规避石化过程石化管道测量数据的不同量纲和量值对监控算法的影响，也为了发现传感器孤立野值和避免野值带来虚警问题，对传感器采集的时间序列数据中的xj(tk)进行归一化处理：
Figure BDA0002673721830000064
从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数
Figure BDA0002673721830000065
Figure BDA0002673721830000066
S400，根据综合监测指数构建状态监测模型；
所述的综合监测指数包括第一符号型综合监测指数或第二符号型综合监测指数；
进一步地，在S400中，根据第一符号型综合监测指数或第二符号型综合监测指数构建状态监测模型的方法为：
所述状态监测模型包括传感器采样数据模型和滑动窗模型；其中，采用式(4)或式(6)构造传感器采样数据模型为：
Figure BDA0002673721830000067
构造滑动窗模型为：
Figure BDA0002673721830000068
作为状态监测指数，其中，a为采样的第a点的采样数据标号即采样起始点，b为采样的第b点的采样数据标号即采样结束点。
S500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；
进一步地，在S500中，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断的方法为：
采用式(7)和式(8)所示的检测指数，通过以下的任意一种或多种传感器网络采样数据异常变化的监测与诊断规则对采样数据异常变化监测与诊断：
规则1：如果传感器网络监测数据片段{X(tn),…,X(tk)}的各分量均正常变化时，检测指数满足
Figure BDA0002673721830000071
各分量均正常变化的意义为各分量不超出上限U(tk)和下限L(tk)，U(tk)和L(tk)均为定量的预设门限值；
规则2：如果传感监测数据任意片段{X(ta),…,X(tb)}均处于正常变化时，滑动监测指数
Figure BDA0002673721830000072
规则3：如果
Figure BDA0002673721830000073
且
Figure BDA0002673721830000074
则第j个传感器测量数据大部分时间在管道壁的上方运行，判断为监测对象出现偏大型异常；如果
Figure BDA0002673721830000075
且
Figure BDA0002673721830000076
则第j个传感器测量数据大部分时间在门限的下方运行，判断为监测对象出现偏小型异常；
规则4：当采样间隔小于变化过程的惯性持续时间时，孤立出现的单个异常数据为野值的可能性远大于物理对象故障；在“严重偏大”与“严重偏小”的两态中快速切换的两个异常数据，为野值的可能性也远大于物理对象故障。
优先的，本申请的一种系统结构地方实施例为：
数据流在线读取模块，用于在线接收由传感器网络采集的石化过程各个测点的实际采样数据，并以数据流的方式存放在多维数组中。
采样数据预处理模块，用于对采样数据进行采样间隔测算、不等间隔判断、野值型数据清洗和不等间隔数据插值。
LSTM网络训练测试模块，用于对采样数据的人工神经网络模型拟合、模型拟合系数等参数的调试和训练，并测试拟合模型的有效性。
监测对象递推预测模块，用于传感器监测数据的拟合外推，采用不断增加的采用数据和经过训练的LSTM模型，外推计算检测对象下一时刻的变化值。
残差生成与指标计算模块，由残差生成子模块和指标计算子模块两部分构成。残差生成子模块用于计算监测对象的一步预测残差，并对残差进行归一化处理；指标计算子模块计算基于残差的第一符号型综合监测指数或第二符号型综合监测指数。
异变监测与统计诊断模块，由异变监测子模块和统计诊断子模块两部分构成。异变监测子模块通过判断第一符号型综合监测指数的各分量Tj(tk)是否为1，判断第j个监测点是否发生异常并对异常点发出报警信号；统计诊断子模块，分别计算传感器采样数据的传感器采样数据模型和滑动窗模型，结合“规则1”～“规则4”中任意一种或多种规则，诊断是否异常和异常变化的类型。
参照图2，其为本发明的石油化工过程传感器采样数据异常变化在线监测方法的流程图，包括以下步骤，用于对LSTM网络的训练和测试。然后进行图2中的步骤2-3和步骤2-4，采用训练好的LSTM网络，预测传感器网络各监测点数据的下一步变化，计算实测值和预测值之间差值。接着执行图2中的步骤2-5和步骤2-6，采用式(2)构建残差合理性监测管道，采用式(4)和(6)计算综合监测指数。接着执行图2中的步骤2-7，监测采样数据异常变化，诊断数据异常变化的类型，对异常变化实施报警处理。然后执行图2中的步骤2-8，判断是否进行传感器采样数据异常变化的在线监测，如果继续，则执行图2中的步骤2-9，读入一组新的采样数据，接着继续执行图2中的步骤2-3至步骤2-8的各步；如果停止，则完成在线监测过程，结束系统运行过程。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (4)

1.一种采样数据异常变化在线监测与诊断方法，其特征在于，所述方法包括以下步骤：
S100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；
S200，根据预测数据构建基于预测残差的数据管道；
S300，根据数据管道确定综合监测指数；
S400，根据综合监测指数构建状态监测模型；
S500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；
在S200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：
S201，比对时间序列数据{X(tk)∈Rm,k＝0,1,2,…}与预测数据序列
Figure FDA0003591278920000011
之间差异，形成残差序列：
Figure FDA0003591278920000012
S202，对于当前监测时刻ts(s>n)，计算残差序列各分量的偏差中值和离差中值：
Figure FDA0003591278920000013
式中xj(tk)和
Figure FDA0003591278920000014
分别表示X(tk)和
Figure FDA0003591278920000015
的第j个分量，其中，
Figure FDA0003591278920000016
是中值算子，用于计算序列的中值，j＝1,2,...,m；
S203，根据偏差中值和离差中值形成残差数据管道：
[Ej(tk)-4.5Θj(tk)，Ej(tk)+4.5Θj(tk)](j＝1,2,...,m) (3)；
利用式(3)构造传感网测量数据随时间变化的数据管道
Figure FDA0003591278920000017
确定传感网采集的多维测量数据X(tk)各分量的第一符号型综合监测指数Tj(tk)：
Figure FDA0003591278920000018
式中
Figure FDA0003591278920000021
当Tj(tk)＝1时，第j个传感器网络的节点异常报警；
其中，n表示为时间采集点。
2.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在S100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。
3.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在S100中，传感器网络采集的数据为时间序列数据{X(tk)∈Rm,k＝0,1,2,…}，X(tk)为传感器网络按照时间先后顺序采集的数据，所述神经网络为长短记忆神经网络LSTM，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列
Figure FDA0003591278920000022
Rm为m维的实数空间，
Figure FDA0003591278920000023
为得到的预测数据。
4.根据权利要求1所述的一种采样数据异常变化在线监测与诊断方法，其特征在于，在S300中，根据数据管道确定综合监测指数的方法为：对传感器采集的时间序列数据中的xj(tk)进行归一化处理：
Figure FDA0003591278920000024
从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数
Figure FDA0003591278920000025
Figure FDA0003591278920000026
CN202010941303.9A 2020-09-09 2020-09-09 一种采样数据异常变化在线监测与诊断方法 Active CN112288126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010941303.9A CN112288126B (zh) 2020-09-09 2020-09-09 一种采样数据异常变化在线监测与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010941303.9A CN112288126B (zh) 2020-09-09 2020-09-09 一种采样数据异常变化在线监测与诊断方法

Publications (2)

Publication Number Publication Date
CN112288126A CN112288126A (zh) 2021-01-29
CN112288126B true CN112288126B (zh) 2022-06-17

Family

ID=74419809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010941303.9A Active CN112288126B (zh) 2020-09-09 2020-09-09 一种采样数据异常变化在线监测与诊断方法

Country Status (1)

Country Link
CN (1) CN112288126B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114353881B (zh) * 2022-03-18 2022-06-24 广东银纳增材制造技术有限公司 一种基于复合传感器的设备异常监测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9557723B2 (en) * 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US8489499B2 (en) * 2010-01-13 2013-07-16 Corelogic Solutions, Llc System and method of detecting and assessing multiple types of risks related to mortgage lending
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108520357B (zh) * 2018-04-10 2022-02-11 北京中电普华信息技术有限公司 一种线损异常原因的判别方法、装置及服务器
CN109583570B (zh) * 2018-11-30 2022-11-29 重庆大学 基于深度学习确定桥梁健康监测系统异常数据来源的方法

Also Published As

Publication number Publication date
CN112288126A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US6859739B2 (en) Global state change indicator for empirical modeling in condition based monitoring
CN109298697B (zh) 基于动态基线模型的火电厂系统各部件工作状态评估方法
CA2433941C (en) Adaptive modeling of changed states in predictive condition monitoring
EP0906593B1 (en) Industrial process surveillance system
CN107831422B (zh) 一种gis设备局部放电诊断方法及系统
KR102428632B1 (ko) 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법
JP5303474B2 (ja) 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム
EP2992340B1 (en) System and method for ups battery monitoring and data analysis
CN112288126B (zh) 一种采样数据异常变化在线监测与诊断方法
JP4046309B2 (ja) プラント監視装置
US9009001B2 (en) Monitoring for invalid data from field instruments
KR102618023B1 (ko) 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
EP3514642B1 (en) Plant abnormality diagnosis device and plant abnormality diagnosis system
CN111664083A (zh) 一种基于贝叶斯网络的核电主泵故障诊断方法
CN117032004A (zh) 基于物联网的工业生产自动化控制平台
CN116292367B (zh) 基于一维卷积的电厂风机系统异常工况检测方法
CN113757093A (zh) 一种闪蒸汽压缩机组故障诊断方法
CN104615123B (zh) 基于k近邻的传感器故障隔离方法
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
CN115034094B (zh) 一种金属加工机床运行状态预测方法及系统
KR102576390B1 (ko) 통계 분석에 기반한 거짓 경보 감소 방법 및 장치
CN201017225Y (zh) 丙烯聚合生产数据检测及故障诊断装置
KR102162427B1 (ko) 공작설비 이상 감지 모니터링 방법
CN116860831A (zh) 一种实时数据的故障诊断辅助决策方法

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