CN114355850A - 一种基于列队竞争算法的常减压装置故障诊断方法 - Google Patents
一种基于列队竞争算法的常减压装置故障诊断方法 Download PDFInfo
- Publication number
- CN114355850A CN114355850A CN202111620503.5A CN202111620503A CN114355850A CN 114355850 A CN114355850 A CN 114355850A CN 202111620503 A CN202111620503 A CN 202111620503A CN 114355850 A CN114355850 A CN 114355850A
- Authority
- CN
- China
- Prior art keywords
- fault
- atmospheric
- data
- model
- fault diagnosis
- 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
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于列队竞争算法的常减压装置故障诊断方法,包括如下步骤:收集常减压装置运行正常时的工况数据;利用此工况数据建立机理模型;根据经验在常减压装置运行的不同位置分别设置需诊断的故障点,根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量;根据故障类型在机理模型中模拟产生特定故障,生成故障工艺数据;将故障工艺数据划分为训练集与测试集,利用训练集来训练得到故障诊断数据模型,并定义数据模型的初始参数;对初始参数采用列队竞争算法与偏最小二乘法相结合,对数据进行分析,建立故障诊断模型,在工艺监控过程中能够快速诊断设备故障点与故障类型;解决了常规模型中收集故障数据不易且耗时较长的问题。
Description
技术领域
本发明属于故障诊断与识别技术领域,更具体地,涉及一种基于列队竞争算法的常减压装置故障诊断方法。
背景技术
常减压装置作为炼厂的龙头装置,其自动化程度和复杂性较高,常规组成包含电脱盐脱水罐、初馏塔、常压塔、减压塔等设备(见图1)。其中常减压设备工况的异常变化会影响产品的质量,如果生产设备或仪表发生故障且不能被及时有效的排除,不仅会降低产品质量合格率,还会引起安全性事故,甚至危及人员生命安全。然而,通过采集常减压装置生产过程实时数据,建立设备状态诊断模型,可以帮助管理人员对设备异常状态及时发现,准确定位故障点,排除故障,确保运行过程的稳定、可靠和安全,达到提升石油炼化生产效率、产品质量和生产安全的目的。
现有的常减压装置设备较多,一方面采集的数据点位和数据量也较大,不同厂家不同设备的信号中噪声水平也不一样,导致数据类型多,实时诊断难度较大,通常的数据诊断和识别模型,精度不高,计算量大,耗时较长,对于危险的故障识别存在一定的时间滞后的问题。另一方面由于企业大部分时间处于正常生产工况,对于异常数据的搜集存在较大的难度,故而影响数据诊断模型的精度。
因此,急需一种诊断与识别过程的算法耗时少,计算速度和精度高,同时能够匹配各类故障类型,能在炼厂常减压装置中得到大量的推广应用的故障诊断方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种基于列队竞争算法的常减压装置故障诊断方法,采用机理模型建立装置的高精度仿真模型,利用该模型产生不同类型的故障工艺数据,对搜集的数据采用偏最小二乘法PLS与列队竞争算法LCA相结合,计算速度和精度满足要求,同时能够匹配各类故障类型,能在炼厂常减压装置中得到大量的推广应用。
为了实现上述目的,本发明提供一种基于列队竞争算法的常减压装置故障诊断方法,包括如下步骤:
S1:收集常减压装置运行正常时的工况数据;
S2:利用此工况数据建立机理模型;
S3:根据经验在常减压装置运行的不同位置分别设置需诊断的故障点,根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量;
S4:根据故障类型在机理模型中模拟产生特定故障,生成生成故障工艺数据;
S5:将所述故障工艺数据划分为训练集与测试集,利用训练集数据训练并获得故障诊断数据模型,并定义该故障诊断数据模型的初始参数;
S6:采用列队竞争算法对所述初始参数进行优化,采用偏最小二乘法对故障进行分析;
S7:利用测试集数据对故障进行判断并检验模型精度;
S8:模型精度满足要求,保存参数,输出故障诊断模型;
S9:将所述故障诊断模型部署应用,利用实时监控数据对所述故障诊断模型的应用工况进行分析,系统实时运行并根据工况进行响应,实现快速判断常减压装置运行过程中的故障类型与故障位置。
进一步地,步骤S5还包括从步骤S3中的多个关键观测变量中选取其中p个变量作为特定故障的特征相应。
进一步地,所述从步骤S3中的多个关键观测变量中选取其中p个变量包括:
S51:根据观测变量定义影响变量,划分变量组合,并进行编码;
S52:随机产生m个家族组成初始群体;
S53:采用最小二乘算法计算每个家族的目标函数值;
S54:依据目标函数大小对m个家族进行排队;
S55:根据排队顺序对每个家族分配变异次数,并变异;
S56:比较每个家族变异前后的目标函数值,将优秀的保留下来作为家族的后代;
S57:达到迭代上限,迭代结束,选择最优的家族作为选取的变量,从而创建故障诊断模型,输出最优的变量组合,并解码,以进行故障诊断。
进一步地,步骤S57中若判断未达到迭代上限,则重复步骤S53~S57,直到达到迭代上限。
进一步地,步骤S8还包括若精度不满足要求则重复步骤S2~S7,重新产生训练集数据。
进一步地,步骤S9还包括若所述故障诊断模型的实际应用工况中出现步骤S4中未定义的故障,则重复步骤S4~S9,重新进行故障定义并产生模拟数据,同步更新故障诊断模型。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明的一种基于列队竞争算法的常减压装置故障诊断方法,利用机理模型产生异常故障数据,采用偏最小二乘与列队竞争算法相结合对数据进行分析,建立故障诊断模型,在工艺监控过程中能够快速诊断设备故障点与故障类型;解决了常规模型中收集故障数据不易且耗时较长的问题;
(2)本发明的一种基于列队竞争算法的常减压装置故障诊断方法,采用偏最小二乘与列队竞争算法相结合,优化变量组合,减少数据计算量,能够针对不同类型故障,快速判断常减压装置运行的故障类型与故障位置,满足生产工艺中实时快速判断的要求,节约了重大故障的响应处置时间,降低了安全风险。
附图说明
图1为本发明实施例的常减压装置的运作流程与变量选择示意图;
图2为本发明实施例的一种基于列队竞争算法的常减压装置故障诊断方法的逻辑结构示意图;
图3为本发明实施例的机理模型示意图;
图4为本发明实施例的偏最小二乘与列队竞争算法的逻辑结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“第一”、“第二”......仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”......的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1-图4所示,本发明提供一种基于列队竞争算法的常减压装置故障诊断方法,包括如下步骤:
S1:确认故障诊断模型范围为常减压装置,收集常减压装置运行正常时的工况数据;
S2:利用此工况数据建立aspen机理模型(如图3所示);其中,机理模型,是指亦称白箱模型;根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。它是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型。机理模型的优点是参数具有非常明确的物理意义;
S3:根据经验在常减压装置运行的不同位置分别设置需诊断的故障点,具体地,在进料泵处设第一故障点y1、在脱盐脱水处设第二故障点y2、在闪蒸塔处设第三故障点y3……在常压塔与减压塔之间设第m故障点y(m);根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量x1、x2、x3、x4……x(n)(如图1所示);
S4:根据故障类型在aspen机理模型中模拟产生特定故障,同时输出相应的工艺数据参数,不同类型的故障用1,2,3,4,5……标记,而从产生不同位置的不同类型的故障工艺数据;
S5:将所述故障工艺数据划分为训练集与测试集,利用训练集数据训练并获得故障诊断数据模型,并定义该故障诊断数据模型的初始参数(包括变量个数与范围);针对步骤S3中的观测变量x1~x(n),选取其中p个变量作为特定故障的特征响应;
S6:将步骤S5中的p个变量的组成采用列队竞争算法与偏最小二乘法计算给出(其计算逻辑见图4),同时保存最优计算结果;具体地,采用列队竞争算法对所述初始参数进行优化,采用偏最小二乘法对故障进行分析,以快速判断故障类型与故障位置;
S7:利用测试集数据对故障进行判断并检验模型精度是否满足要求;
S8:如模型精度满足要求,保存参数,输出故障诊断模型;如果精度不满足要求则重复步骤S2~S7,重新产生训练集数据,直至模型精度满足要求;
S9:将所述故障诊断模型部署应用,利用实时监控数据对所述故障诊断模型的应用工况进行分析,系统实时运行并根据工况进行响应,实现快速判断常减压装置运行过程中的故障类型与故障位置;如所述故障诊断模型的实际应用工况中出现步骤S4中未定义的故障,则返回步骤S4,重复步骤S4~S9,重新进行故障定义并产生模拟数据,同步更新模型。
如图4所示,上述步骤中,采用列队竞争算法与偏最小二乘法计算所述p个变量的组成包括如下步骤:
第一步,根据观测变量定义影响变量,划分变量组合,将这些变量编码;
第二步,随机产生i个家族组成初始化群体;
第三步,采用偏最小二乘算法计算每个家族的目标函数值(故障诊断正确率);
第四步,依据目标函数值的大小对i个家族排队;根据排队次序对每个家族分配变异次数,并变异;
第五步,比较每个家族变异前后的目标函数值,将优秀的保留下来作为家族的后代;
第六步,判断是否达到迭代上限,如果达到上限就退出,选择最优的家族作为选取的变量,从而建诊断模型;如果未达到迭代上限,则重复步骤第三步到第六步,计算后代每个家族的目标函数值,重新进行排队,直到达到迭代上限;
第七步,通过以上的过程,即可选择最优的变量组合进行故障诊断。
列队竞争算法是一种基于并行搜索和两层竞争的全局优化搜索算法;列队竞争算法和进化算法的进化机制类似,拥有竞争、繁殖和选择等操作算子;它区别于进化算法的地方体现在:a.列队竞争算法在进化过程中,各家族一直保持独立并行进化;b.家族通过无性繁殖生成子代;c.竞争机制不同,个体在家族内部和家族之间竞争,一层是纵向竞争,同一家族内,父代和所有子代为生存进行的竞争,只有最好的一个个体被保留;另一层是横向竞争,不同家族之间进行地位竞争,根据各家族的适应度值的大小排列为一队,最优秀的家族排于首位,最差的家族排于末位。列队竞争算法中的列队排位体现了算法的竞争推动力:赋予排位靠前的家族较小的搜索空间,提高局部搜索能力,能够加快收敛速度;赋予排位靠后的家族更大的搜索空间,增大算法的全局搜索能力,避免算法收敛于局部最优解。
本发明提供的一种基于列队竞争算法的常减压装置故障诊断方法,采用机理模型建立常减压装置的高精度仿真模型,利用机理模型产生异常故障数据,采用偏最小二乘与列队竞争算法相结合对数据进行分析,建立故障诊断模型,在工艺监控过程中能够快速诊断设备故障点与故障类型;利用机理模型产生异常故障数据点为后续建立数据模型打下基础,解决了常规模型中收集故障数据不易收集且耗时较长的问题;采用偏最小二乘与列队竞争算法相结合,优化变量组合,减少数据处理量,能够针对不同类型故障,快速进行故障点位与类型诊断,满足生产工艺中实时快速判断的要求,节约了重大故障的响应处置时间,降低了安全风险。
本发明能够针对不同类型故障,快速进行故障点位与类型诊断,其计算速度和精度满足常减压装置生产工艺中实时快速判断的要求,同时能够匹配各类故障类型,能够大大的节约重大故障的响应处置时间,降低安全风险,能够在炼厂常减压装置中得到大量的推广应用;本发明利用机理模型产生异常故障数据点,为后续建立数据模型打下基础,解决了常规方法中异常数据不易收集的问题。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,包括如下步骤:
S1:收集常减压装置运行正常时的工况数据;
S2:利用此工况数据建立机理模型;
S3:根据经验在常减压装置运行的不同位置分别设置需诊断的故障点,根据工艺经验选取并定义常减压装置运行范围内的多个关键观测变量;
S4:根据故障类型在机理模型中模拟产生特定故障,生成故障工艺数据;
S5:将所述故障工艺数据划分为训练集与测试集,利用训练集数据训练并获得故障诊断数据模型,并定义该故障诊断数据模型的初始参数;
S6:采用列队竞争算法对所述初始参数进行优化,采用偏最小二乘法对故障进行分析,优化变量组合,减少数据处理量,以快速判断故障类型与故障位置;
S7:利用测试集数据对故障进行判断并检验模型精度;
S8:模型精度满足要求,保存参数,输出故障诊断模型;
S9:将所述故障诊断模型部署应用,利用实时监控数据对所述故障诊断模型的应用工况进行分析,系统实时运行并根据工况进行响应,实现快速判断常减压装置运行过程中的故障类型与故障位置。
2.根据权利要求1所述的一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,步骤S5还包括从步骤S3中的多个关键观测变量中选取其中p个变量作为特定故障的特征响应。
3.根据权利要求2所述的一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,所述从步骤S3中的多个关键观测变量中选取其中p个变量包括:
S51:根据观测变量定义影响变量,划分变量组合,并进行编码;
S52:随机产生i个家族组成初始群体;
S53:采用最小二乘算法计算每个家族的目标函数值;
S54:依据目标函数大小对i个家族进行排队;
S55:根据排队顺序对每个家族分配变异次数,并变异;
S56:比较每个家族变异前后的目标函数值,将优秀的保留下来作为家族的后代;
S57:达到迭代上限,迭代结束,选择最优的家族作为选取的变量,从而创建故障诊断模型,输出最优的变量组合,并解码,以进行故障诊断。
4.根据权利要求3所述的一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,步骤S57中若判断未达到迭代上限,则重复步骤S53~S57,直到达到迭代上限。
5.根据权利要求1-4中任一项所述的一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,步骤S8还包括若精度不满足要求则重复步骤S2~S7,重新产生训练集数据。
6.根据权利要求1-4中任一项所述的一种基于列队竞争算法的常减压装置故障诊断方法,其特征在于,步骤S9还包括若所述故障诊断模型的实际应用工况中出现步骤S4中未定义的故障,则重复步骤S4~S9,重新进行故障定义并产生模拟数据,同步更新故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620503.5A CN114355850B (zh) | 2021-12-28 | 2021-12-28 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620503.5A CN114355850B (zh) | 2021-12-28 | 2021-12-28 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355850A true CN114355850A (zh) | 2022-04-15 |
CN114355850B CN114355850B (zh) | 2023-06-20 |
Family
ID=81104129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111620503.5A Active CN114355850B (zh) | 2021-12-28 | 2021-12-28 | 一种基于列队竞争算法的常减压装置故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355850B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088809A1 (en) * | 2001-11-01 | 2003-05-08 | Rolls-Royce Plc | Fault diagnosis |
WO2013079188A1 (en) * | 2011-11-28 | 2013-06-06 | Ipsogen | Methods for the diagnosis, the determination of the grade of a solid tumor and the prognosis of a subject suffering from cancer |
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
CN110796318A (zh) * | 2020-01-06 | 2020-02-14 | 汉谷云智(武汉)科技有限公司 | 一种催化分馏装置的实时操作优化方法及装置 |
CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
CN111175243A (zh) * | 2019-12-31 | 2020-05-19 | 汉谷云智(武汉)科技有限公司 | 一种光谱区间快速选择方法及系统 |
CN112784862A (zh) * | 2019-11-07 | 2021-05-11 | 中国石油化工股份有限公司 | 常减压装置炼化过程故障诊断与识别方法 |
CN113093693A (zh) * | 2021-03-18 | 2021-07-09 | 北京天地玛珂电液控制系统有限公司 | 一种面向采煤机运行状态的在线故障诊断方法 |
-
2021
- 2021-12-28 CN CN202111620503.5A patent/CN114355850B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088809A1 (en) * | 2001-11-01 | 2003-05-08 | Rolls-Royce Plc | Fault diagnosis |
WO2013079188A1 (en) * | 2011-11-28 | 2013-06-06 | Ipsogen | Methods for the diagnosis, the determination of the grade of a solid tumor and the prognosis of a subject suffering from cancer |
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
CN112784862A (zh) * | 2019-11-07 | 2021-05-11 | 中国石油化工股份有限公司 | 常减压装置炼化过程故障诊断与识别方法 |
CN110940523A (zh) * | 2019-11-29 | 2020-03-31 | 盐城工学院 | 一种无监督域适应故障诊断方法 |
CN111175243A (zh) * | 2019-12-31 | 2020-05-19 | 汉谷云智(武汉)科技有限公司 | 一种光谱区间快速选择方法及系统 |
CN110796318A (zh) * | 2020-01-06 | 2020-02-14 | 汉谷云智(武汉)科技有限公司 | 一种催化分馏装置的实时操作优化方法及装置 |
CN113093693A (zh) * | 2021-03-18 | 2021-07-09 | 北京天地玛珂电液控制系统有限公司 | 一种面向采煤机运行状态的在线故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
MA LI-XIAO等: "A Line-up Competition Differential Evolution Algorithm for the Generalized Assignment Problem", PROCEEDINGS OF THE 2011 SEVENTH INTERNATIONAL CONFERENCE ON COMPUTATION INTELLIGENCE AND SECURITY, pages 34 - 37 * |
吴迎新;刘沛;: "基于家族优生学的电力系统故障诊断", 电力系统自动化, vol. 30, no. 16, pages 36 - 40 * |
郝宇: "基于Mamdani 模糊推理的专家系统在常减压装置故障诊断中的应用研究", 自动化与仪器仪表, no. 4, pages 1 - 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN114355850B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086889B (zh) | 基于神经网络的终端故障诊断方法、装置和系统 | |
CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN109117353B (zh) | 故障诊断结果的融合方法及装置 | |
CN104462757B (zh) | 基于监测数据的Weibull分布可靠性序贯验证试验方法 | |
CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN107024331A (zh) | 一种神经网络对列车电机振动在线检测方法 | |
CN110515781A (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN105204438B (zh) | 一种面向缸盖零件的加工质量控制方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN106682448A (zh) | 基于多目标遗传规划算法的序贯测试优化方法 | |
CN109145373A (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN110333709B (zh) | 一种轧钢过程故障诊断方法及系统 | |
CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN105137238A (zh) | 一种气体绝缘组合电器故障诊断系统 | |
CN111489539A (zh) | 家电系统故障的预警方法、系统及装置 | |
CN114355850A (zh) | 一种基于列队竞争算法的常减压装置故障诊断方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 |
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 |