CN114240243A - 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 - Google Patents
一种基于动态系统辨识的精馏塔产品质量预测方法及装置 Download PDFInfo
- Publication number
- CN114240243A CN114240243A CN202111655832.3A CN202111655832A CN114240243A CN 114240243 A CN114240243 A CN 114240243A CN 202111655832 A CN202111655832 A CN 202111655832A CN 114240243 A CN114240243 A CN 114240243A
- Authority
- CN
- China
- Prior art keywords
- rectifying tower
- sequence
- data
- state
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000005215 recombination Methods 0.000 claims description 29
- 230000006798 recombination Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 24
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010992 reflux Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004821 distillation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F16/2477—Temporal data queries
-
- 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
- G06N3/08—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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于动态系统辨识的精馏塔产品质量预测方法及装置,涉及产品质量预警领域,该方法将当前状态数据和计划输入数据输入动态系统辨识模型得到预测状态序列,预测状态序列包含精馏塔在未来预定时长内的状态数据,动态系统辨识模型利用精馏塔的历史运行数据基于SINDy模型训练得到;将预测状态序列输入利用精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值,继而可以在loss值超过loss阈值时输出用于警示精馏塔的产品质量异常的预警信息;该方法利用动态系统辨识模型可以有效的对精馏塔的状态进行精确预测,结合无监督的时间序列异常检测模型可以有效预测产品质量。
Description
技术领域
本发明涉及产品质量预警领域,尤其是一种基于动态系统辨识的精馏塔产品质量预测方法及装置。
背景技术
精馏是化工生产中最被广泛应用的分离方法,它利用气-液两相的传质和传热来达到分离的目的,而精馏塔是目前主流的用于实现精馏操作的设备,其被广泛应用于现有化工企业中。由于精馏塔应用的广泛性,对精馏塔的产品质量预测具有十分重要的意义,通过对精馏塔的产品质量进行预测,可以及时进行控制与优化,使其能够操作平稳,提高产品合格率,减少高价值组分在低价值产品中的流失。
但是精馏塔的产品质量预测主要有两个难点,一方面精馏塔的生产过程为动态非稳态过程,很难对其生产过程进行精确预测,另一方面,现有的时间序列异常预警模型主要是有监督模型,但在化工企业生产过程中,出现产品质量较差的样本较少,这是因为在正常的生产企业中,企业为了保证正常的生产,产品的良率都要保证在一定的范围才可以大规模生产,这就导致在正常的生产过程中累计的产品质量异常数据过少,异常样本的比例远远低于正常样本的比例,对于有监督时间序列预测模型来说,很难使用当前样本训练一个较有效的预测模型,使得目前精馏塔的产品质量预测没有较好的解决方法。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于动态系统辨识的精馏塔产品质量预测方法及装置,本发明的技术方案如下:
第一方面,请求保护一种基于动态系统辨识的精馏塔产品质量预测方法,该方法包括:
确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
将当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,预测状态序列包含精馏塔在未来预定时长内的状态数据,动态系统辨识模型利用精馏塔的历史运行数据基于SINDy模型训练得到;
将预测状态序列输入利用精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
当得到的loss值超过loss阈值时,输出用于警示精馏塔的产品质量异常的预警信息。
其进一步的技术方案为,用于训练动态系统辨识模型的历史运行数据包括精馏塔的历史状态序列和历史输入序列,历史状态序列包括精馏塔的按时间顺序排列的各个工作状态点的状态数据,历史输入序列包括精馏塔的按时间顺序排列的各个工作状态点的输入数据;
则该方法还包括:
将精馏塔的历史状态序列中的第t-1个工作状态点的状态数据xt-1和历史输入序列中的第t-1个工作状态点的输入数据ut-1作为SINDy模型的输入,将历史状态序列中的第t个工作状态点的历史状态序列xt作为SINDy模型的输出,并设定SINDy模型的回归模型为LASSO,利用精馏塔的历史状态序列和历史输入序列训练得到动态系统辨识模型。
其进一步的技术方案为,用于训练时间序列异常检测模型的历史运行数据包括精馏塔的窗口化历史状态序列,窗口化历史状态序列包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据且表示为x[i,i+1,…i+N];
则该方法还包括:
将精馏塔的窗口化历史状态序列输入LSTM_VAE模型得到对应的重组序列x′[i,i+1,…i+N];
根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差更新LSTM_VAE模型的网络参数,直到训练得到时间序列异常检测模型。
其进一步的技术方案为,该方法还包括:
根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]计算重组loss,并计算VAE的KL散度,将计算得到的重组loss和KL散度按照各自对应的权重进行加权得到窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差。
其进一步的技术方案为,该方法还包括:
将精馏塔的历史运行数据构建得到的K个训练样本分别输入训练得到的时间序列异常检测模型中,得到对应的loss值,每个训练样本为包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据的窗口化历史状态序列;
对所有训练样本对应的loss值中从高至低的第k个loss值作为loss阈值,k/K的比例为预设异常样本比例。
其进一步的技术方案为,精馏塔的状态数据包括精馏段灵敏板温度、精馏塔顶压力、塔顶冷回流量和泵出口压力中的至少一种,精馏塔的输入数据包括进料量、调节阀电流和塔顶产品调节阀开度中的至少一种。
第二方面,请求保护一种基于动态系统辨识的精馏塔产品质量预测装置,该装置包括:
数据确定模块,用于确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
预测状态序列获取模块,用于将当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,预测状态序列包含精馏塔在未来预定时长内的状态数据,动态系统辨识模型利用精馏塔的历史运行数据基于SINDy模型训练得到;
损失值获取模块,用于将预测状态序列输入利用精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
预警模块,用于在得到的loss值超过loss阈值时,输出用于警示精馏塔的产品质量异常的预警信息。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现第一方面请求保护的一种基于动态系统辨识的精馏塔产品质量预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面请求保护的一种基于动态系统辨识的精馏塔产品质量预测方法的步骤。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面请求保护的一种基于动态系统辨识的精馏塔产品质量预测方法的步骤。
本发明的有益技术效果是:
本申请公开了一种基于动态系统辨识的精馏塔产品质量预测方法及装置,采用基于精馏塔的历史运行数据利用SINDy模型训练得到的动态系统辨识模型依据当前的系统状态和输入预测未来一段时间系统状态,进而采用无监督的时间序列异常检测模型,对未来一段时间的系统变化时间序列进行异常检测,可以有效的对精馏塔的状态进行精确预测,并有效的预测产品质量。
附图说明
图1是本申请一个实施例公开的精馏塔产品质量预测方法的方法流程图。
图2是精馏塔结构示意图。
图3是本申请另一个实施例公开的精馏塔产品质量预测方法的方法流程图。
图4是本申请一个实施例公开的精馏塔产品质量预测装置的装置结构图。
图5是本申请另一个实施例公开的精馏塔产品质量预测装置的装置结构图。
图6是本申请公开的一种计算机设备的设备结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于动态系统辨识的精馏塔产品质量预测方法,该方法包括如下步骤,请参考图1:
步骤S10,确定精馏塔的当前状态数据和计划输入数据。
其中,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,则当前状态数据即为反映精馏塔的实时的运行状态的数据。精馏塔的输入数据是精馏塔的输入变量的数据,则计划输入数据即为精馏塔的未来一段时间内的输入数据构成的序列。
从具体数据类型上看,请参考图2所示的精馏塔示意图,精馏塔的状态数据包括精馏段灵敏板温度T、精馏塔顶压力Pt、塔顶冷回流量R和泵出口压力Pp中的至少一种。精馏塔的输入数据包括进料量F、调节阀电流u和塔顶产品调节阀开度VD中的至少一种。
步骤S20,将当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,预测状态序列包含精馏塔在未来预定时长内的状态数据,也即预测状态序列反映精馏塔在未来一段时间内的状态变化。
该动态系统辨识模型利用精馏塔的历史运行数据基于SINDy模型训练得到,该模型可以根据当前状态和前序输入预测未来一段时间的系统变化序列,其基本逻辑是保留相邻状态转移的非线性关系。用于训练动态系统辨识模型的历史运行数据包括精馏塔的历史状态序列和历史输入序列,历史状态序列包括精馏塔的按时间顺序排列的各个工作状态点的状态数据,历史输入序列包括精馏塔的按时间顺序排列的各个工作状态点的输入数据。
则可选的,该方法还包括预先对动态系统辨识模型的模型训练过程,请参考图3所示的流程图:
将精馏塔的历史状态序列中的第t-1个工作状态点的状态数据xt-1和历史输入序列中的第t-1个工作状态点的输入数据ut-1作为SINDy(非线性动力系统的稀疏辨识,SparseIdentification of Nonlinear Dynamical systems)模型的输入,将历史状态序列中的第t个工作状态点的历史状态序列xt作为SINDy模型的输出,t为参数且t≥2。并设定SINDy模型的回归模型为LASSO,使用LASSO的目的是为了生成稀疏的回归模型。每一个参数t下的工作状态点对应的数据都按照如上方法作为输入输出,与模型实际输出做比较进行模型参数更新,然后利用精馏塔的历史状态序列和历史输入序列训练得到动态系统辨识模型,具体的模型训练过程较为常规,本申请不再详细展开。
步骤S30,将预测状态序列输入利用时间序列异常检测模型,得到对应的loss值。
该时间序列异常检测模型利用精馏塔的历史运行数据预先训练得到,该模型是多维时间序列的异常检测模型,为无监督异常检测算法,既该模型在训练过程中,不需要对出现异常产品的时间段进行事先标记,可以省去大量的人工知识,同时非常适用于精馏塔领域产品质量较差的样本较少的场景。
用于训练时间序列异常检测模型的历史运行数据包括精馏塔的窗口化历史状态序列,窗口化历史状态序列包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据且表示为x[i,i+1,…i+N],i为参数,N为预定时间窗口范围的时间步长。且一般情况下,会由精馏塔的历史状态序列构建若干个不同的窗口化历史状态序列作为训练样本进行模型训练。
则可选的,该方法还包括预先对时间序列异常检测模型的模型训练过程,请结合图3:
将精馏塔的窗口化历史状态序列输入LSTM_VAE模型得到对应的重组序列x′[i,i+1,…i+N]。计算窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差,一种做法是,可以直接计算x[i,i+1,…i+N]和x′[i,i+1,…i+N]的重组loss作为误差。另一种可选的做法是,根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]计算重组loss,并计算VAE的KL散度,将计算得到的重组loss和KL散度按照各自对应的权重进行加权得到窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差。利用计算得到的误差更新LSTM_VAE模型的网络参数,然后再将x[i,i+1,…i+N]输入更新网络参数后的LSTM_VAE模型,重新执行上述过程,直到误差在预设误差范围内,训练得到所需的时间序列异常检测模型。
步骤S40,当得到的loss值超过loss阈值时,输出用于警示精馏塔的产品质量异常的预警信息。若未超过,则表示精馏塔的产品质量正常,可以输出相关的结果或者不输出。
该loss阈值可以是一个自定义预设值。或者可选的,在训练得到时间序列异常检测模型后,将精馏塔的历史运行数据构建得到的K个训练样本分别输入训练得到的时间序列异常检测模型中得到对应的loss值。每个训练样本为包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据的窗口化历史状态序列,这里的K个训练样本可以直接采用上述用于训练时间序列异常检测模型的训练样本。
对所有训练样本对应的loss值中从高至低的第k个loss值作为loss阈值,k/K的比例为预设异常样本比例。该预设异常样本比例为预先设定的一个比例值,比如设定预设异常样本比例为2%,共有10000个训练样本,则将10000个训练样本的loss值从高到低排序,选取从高到低的第10000*2%=200个处的loss值最为loss阈值。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于动态系统辨识的精馏塔产品质量预测方法的基于动态系统辨识的精馏塔产品质量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于动态系统辨识的精馏塔产品质量预测装置实施例中的具体限定可以参见上文中对于基于动态系统辨识的精馏塔产品质量预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种基于动态系统辨识的精馏塔产品质量预测装置,包括数据确定模块、预测状态序列获取模块、损失值获取模块和预警模块,其中:
数据确定模块,用于确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
预测状态序列获取模块,用于将当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,预测状态序列包含精馏塔在未来预定时长内的状态数据,动态系统辨识模型利用精馏塔的历史运行数据基于SINDy模型训练得到;
损失值获取模块,用于将预测状态序列输入利用精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
预警模块,用于在得到的loss值超过loss阈值时,输出用于警示精馏塔的产品质量异常的预警信息。
在一个实施例中,请参考图5,用于训练动态系统辨识模型的历史运行数据包括精馏塔的历史状态序列和历史输入序列,历史状态序列包括精馏塔的按时间顺序排列的各个工作状态点的状态数据,历史输入序列包括精馏塔的按时间顺序排列的各个工作状态点的输入数据。则该装置还包括第一模型训练模块,用于将精馏塔的历史状态序列中的第t-1个工作状态点的状态数据xt-1和历史输入序列中的第t-1个工作状态点的输入数据ut-1作为SINDy模型的输入,将历史状态序列中的第t个工作状态点的历史状态序列xt作为SINDy模型的输出,并设定SINDy模型的回归模型为LASSO,利用精馏塔的历史状态序列和历史输入序列训练得到动态系统辨识模型。
在一个实施例中,用于训练时间序列异常检测模型的历史运行数据包括精馏塔的窗口化历史状态序列,窗口化历史状态序列包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据且表示为x[i,i+1,…i+N]。则该装置还包括第二模型训练模块,用于将精馏塔的窗口化历史状态序列输入LSTM_VAE模型得到对应的重组序列x′[i,i+1,…i+N];根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差更新LSTM_VAE模型的网络参数,直到训练得到时间序列异常检测模型。
在一个实施例中,第二训练模块还用于根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]计算重组loss,并计算VAE的KL散度,将计算得到的重组loss和KL散度按照各自对应的权重进行加权得到窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差。
在一个实施例中,第二训练模块还用于将精馏塔的历史运行数据构建得到的K个训练样本分别输入训练得到的时间序列异常检测模型中,得到对应的loss值,每个训练样本为包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据的窗口化历史状态序列;对所有训练样本对应的loss值中从高至低的第k个loss值作为loss阈值,k/K的比例为预设异常样本比例。
上述基于动态系统辨识的精馏塔产品质量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库至少用于存储预先训练得到的动态系统辨识模型和时间序列异常检测模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于动态系统辨识的精馏塔产品质量预测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
将所述当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,所述预测状态序列包含所述精馏塔在未来预定时长内的状态数据,所述动态系统辨识模型利用所述精馏塔的历史运行数据基于SINDy模型训练得到;
将所述预测状态序列输入利用所述精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
当得到的loss值超过loss阈值时,输出用于警示精馏塔的产品质量异常的预警信息。
在一个实施例中,用于训练动态系统辨识模型的历史运行数据包括精馏塔的历史状态序列和历史输入序列,历史状态序列包括精馏塔的按时间顺序排列的各个工作状态点的状态数据,历史输入序列包括精馏塔的按时间顺序排列的各个工作状态点的输入数据;该处理器执行计算机程序时还实现以下步骤:将精馏塔的历史状态序列中的第t-1个工作状态点的状态数据xt-1和历史输入序列中的第t-1个工作状态点的输入数据ut-1作为SINDy模型的输入,将历史状态序列中的第t个工作状态点的历史状态序列xt作为SINDy模型的输出,并设定SINDy模型的回归模型为LASSO,利用精馏塔的历史状态序列和历史输入序列训练得到动态系统辨识模型。
在一个实施例中,用于训练时间序列异常检测模型的历史运行数据包括精馏塔的窗口化历史状态序列,窗口化历史状态序列包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据且表示为x[i,i+1,…i+N];该处理器执行计算机程序时还实现以下步骤:将精馏塔的窗口化历史状态序列输入LSTM_VAE模型得到对应的重组序列x′[i,i+1,…i+N];根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差更新LSTM_VAE模型的网络参数,直到训练得到时间序列异常检测模型。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:根据窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]计算重组loss,并计算VAE的KL散度,将计算得到的重组loss和KL散度按照各自对应的权重进行加权得到窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差。
在一个实施例中,该处理器执行计算机程序时还实现以下步骤:将精馏塔的历史运行数据构建得到的K个训练样本分别输入训练得到的时间序列异常检测模型中,得到对应的loss值,每个训练样本为包括预定时间窗口范围内的精馏塔的按时间顺序排列的各个工作状态点的状态数据的窗口化历史状态序列;对所有训练样本对应的loss值中从高至低的第k个loss值作为loss阈值,k/K的比例为预设异常样本比例。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,还提供了一种计算机程序产品,包括计算机程序,该该处理器执行计算机程序时实现上述各方法实施例中的步骤。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种基于动态系统辨识的精馏塔产品质量预测方法,其特征在于,所述方法包括:
确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
将所述当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,所述预测状态序列包含所述精馏塔在未来预定时长内的状态数据,所述动态系统辨识模型利用所述精馏塔的历史运行数据基于SINDy模型训练得到;
将所述预测状态序列输入利用所述精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
当得到的所述loss值超过loss阈值时,输出用于警示所述精馏塔的产品质量异常的预警信息。
2.根据权利要求1所述的方法,其特征在于,用于训练所述动态系统辨识模型的历史运行数据包括所述精馏塔的历史状态序列和历史输入序列,所述历史状态序列包括所述精馏塔的按时间顺序排列的各个工作状态点的状态数据,所述历史输入序列包括所述精馏塔的按时间顺序排列的各个工作状态点的输入数据;
则所述方法还包括:
将所述精馏塔的历史状态序列中的第t-1个工作状态点的状态数据xt-1和所述历史输入序列中的第t-1个工作状态点的输入数据ut-1作为SINDy模型的输入,将所述历史状态序列中的第t个工作状态点的历史状态序列xt作为SINDy模型的输出,并设定SINDy模型的回归模型为LASSO,利用所述精馏塔的历史状态序列和历史输入序列训练得到所述动态系统辨识模型。
3.根据权利要求1所述的方法,其特征在于,用于训练所述时间序列异常检测模型的历史运行数据包括所述精馏塔的窗口化历史状态序列,所述窗口化历史状态序列包括预定时间窗口范围内的所述精馏塔的按时间顺序排列的各个工作状态点的状态数据且表示为x[i,i+1,…i+N];
则所述方法还包括:
将所述精馏塔的窗口化历史状态序列输入LSTM_VAE模型得到对应的重组序列x′[i,i+1,…i+N];
根据所述窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差更新所述LSTM_VAE模型的网络参数,直到训练得到所述时间序列异常检测模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]计算重组loss,并计算VAE的KL散度,将计算得到的重组loss和KL散度按照各自对应的权重进行加权得到所述窗口化历史状态序列x[i,i+1,…i+N]及其对应的重组序列x′[i,i+1,…i+N]之间的误差。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述精馏塔的历史运行数据构建得到的K个训练样本分别输入训练得到的时间序列异常检测模型中,得到对应的loss值,每个训练样本为包括预定时间窗口范围内的所述精馏塔的按时间顺序排列的各个工作状态点的状态数据的窗口化历史状态序列;
对所有训练样本对应的loss值中从高至低的第k个loss值作为所述loss阈值,k/K的比例为预设异常样本比例。
6.根据权利要求1-5任一所述的方法,其特征在于,
精馏塔的状态数据包括精馏段灵敏板温度、精馏塔顶压力、塔顶冷回流量和泵出口压力中的至少一种,精馏塔的输入数据包括进料量、调节阀电流和塔顶产品调节阀开度中的至少一种。
7.一种基于动态系统辨识的精馏塔产品质量预测装置,其特征在于,所述装置包括:
数据确定模块,用于确定精馏塔的当前状态数据和计划输入数据,精馏塔的状态数据是用于反映精馏塔的运行状态的数据,精馏塔的输入数据是精馏塔的输入变量的数据;
预测状态序列获取模块,用于将所述当前状态数据和计划输入数据输入动态系统辨识模型,得到预测状态序列,所述预测状态序列包含所述精馏塔在未来预定时长内的状态数据,所述动态系统辨识模型利用所述精馏塔的历史运行数据基于SINDy模型训练得到;
损失值获取模块,用于将所述预测状态序列输入利用所述精馏塔的历史运行数据预先训练得到的时间序列异常检测模型,得到对应的loss值;
预警模块,用于在得到的所述loss值超过loss阈值时,输出用于警示所述精馏塔的产品质量异常的预警信息。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655832.3A CN114240243B (zh) | 2021-12-30 | 2021-12-30 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
PCT/CN2022/090171 WO2023123779A1 (zh) | 2021-12-30 | 2022-04-29 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655832.3A CN114240243B (zh) | 2021-12-30 | 2021-12-30 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114240243A true CN114240243A (zh) | 2022-03-25 |
CN114240243B CN114240243B (zh) | 2022-10-11 |
Family
ID=80744819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111655832.3A Active CN114240243B (zh) | 2021-12-30 | 2021-12-30 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114240243B (zh) |
WO (1) | WO2023123779A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN115085921A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、节点检测方法、装置、设备及介质 |
CN116291827A (zh) * | 2023-03-23 | 2023-06-23 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的dpf故障预警方法 |
WO2023123779A1 (zh) * | 2021-12-30 | 2023-07-06 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116589078B (zh) * | 2023-07-19 | 2023-09-26 | 莒县环境监测站 | 基于数据融合的污水处理智能控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951803A (zh) * | 2015-06-24 | 2015-09-30 | 大连理工大学 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4520819B2 (ja) * | 2004-10-25 | 2010-08-11 | 大陽日酸株式会社 | プラントの故障予測方法 |
CN114240243B (zh) * | 2021-12-30 | 2022-10-11 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
-
2021
- 2021-12-30 CN CN202111655832.3A patent/CN114240243B/zh active Active
-
2022
- 2022-04-29 WO PCT/CN2022/090171 patent/WO2023123779A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951803A (zh) * | 2015-06-24 | 2015-09-30 | 大连理工大学 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
Non-Patent Citations (1)
Title |
---|
向刚 等: "改进型变分自编码器及其在航天器故障检测中的应用", 《西北工业大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023123779A1 (zh) * | 2021-12-30 | 2023-07-06 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 |
CN115085921A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、节点检测方法、装置、设备及介质 |
CN115085921B (zh) * | 2022-07-22 | 2023-01-20 | 北京智芯微电子科技有限公司 | 模型训练方法、节点检测方法、装置、设备及介质 |
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN114970375B (zh) * | 2022-07-29 | 2022-11-04 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN116291827A (zh) * | 2023-03-23 | 2023-06-23 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的dpf故障预警方法 |
CN116291827B (zh) * | 2023-03-23 | 2023-10-27 | 无锡雪浪数制科技有限公司 | 一种基于动态系统辨识的dpf故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023123779A1 (zh) | 2023-07-06 |
CN114240243B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114240243B (zh) | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 | |
Lennox et al. | Process monitoring of an industrial fed‐batch fermentation | |
US11644803B2 (en) | Control system database systems and methods | |
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN111738404A (zh) | 模型训练任务处理方法、装置、电子设备和存储介质 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN116193819A (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
CN109782586B (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
WO2024067824A1 (zh) | 气缸劣化趋势确定方法及装置、电子设备、存储介质 | |
CN114626562A (zh) | 大型公共建筑设备运行状态智能监测方法及系统 | |
CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
CN116306240A (zh) | 设备健康与寿命预测方法、装置、计算机设备及存储介质 | |
CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN110717601A (zh) | 一种基于有监督学习和无监督学习的反欺诈方法 | |
CN115793463A (zh) | 一种模型预测控制器的人机交互式维护系统及设备 | |
US11188064B1 (en) | Process flow abnormality detection system and method | |
Liu et al. | On-line adaptive data-driven fault prognostics of complex systems | |
CN113282876A (zh) | 异常检测中一维时间序列数据生成方法、装置和设备 | |
Klös et al. | Be prepared: Learning environment profiles for proactive rule-based production planning | |
CN110097206A (zh) | 违约率预测方法、装置、计算机设备和存储介质 |
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 |