CN114692996A - 生产状态优化方法、系统及存储介质 - Google Patents

生产状态优化方法、系统及存储介质 Download PDF

Info

Publication number
CN114692996A
CN114692996A CN202210413202.3A CN202210413202A CN114692996A CN 114692996 A CN114692996 A CN 114692996A CN 202210413202 A CN202210413202 A CN 202210413202A CN 114692996 A CN114692996 A CN 114692996A
Authority
CN
China
Prior art keywords
state
production
variable
data
grade
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.)
Pending
Application number
CN202210413202.3A
Other languages
English (en)
Inventor
周志杰
杨树青
夏元生
李超
王云刚
高健
杨林林
王剑
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.)
Hanghai Yigongtongzhi Information Technology Co ltd
Original Assignee
Hanghai Yigongtongzhi Information Technology Co ltd
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 Hanghai Yigongtongzhi Information Technology Co ltd filed Critical Hanghai Yigongtongzhi Information Technology Co ltd
Priority to CN202210413202.3A priority Critical patent/CN114692996A/zh
Publication of CN114692996A publication Critical patent/CN114692996A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本发明提供一种生产状态优化方法、系统及存储介质，通过获取生产历史数据；将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。实现了对生产过程中出现的问题进行针对性的运行状态监测，故障诊断以及对生产的优性生产控制，从而解决了现有技术中无法对生产过程中出现的问题进行有针对性的运行状态监测报警和故障诊断以及生产优化控制的问题。

Description

生产状态优化方法、系统及存储介质
技术领域
本申请涉及故障智能诊断技术领域，具体而言，涉及一种生产状态优化方法、系统及存储介质。
背景技术
目前，化工生产流程具有行业复杂，工艺差别大等特点，为了保证生产的连续稳定，避免生产事故的发生，不仅对于运行人员的专业要求非常高，对于运行状态的监控需要运行人员时时监测，同时还要求较高的专业能力，多维度判断能力等以实现对生产运行状态的判断和故障诊断。
现有技术中，可以通过智能化产品来使用各种监测和诊断模型对各种运算参数进行实时监测，及时准确地得到分析结果，并推送给相关运行人员。针对化工装置的智能产品目前主要有专家系统和智能平台，专家系统是以工程师所掌握的知识为基础，主要是经验知识，结合规则推理，在传统的数据+算法的基础上，增加了规则推理，实现了一定程度上的智能诊断。智能平台是以提供硬件计算能力为主要出发点，融合了数据采集、数据处理、机器学习等能力，具有很好的扩展性，但没有聚焦到实际的生产应用场景中去。
但是，上述两种实现对生产运行状态的判断和故障诊断的智能化产品均存在一些问题，具体问题如下：
现有的专家系统具有以下缺点：知识获取受到工程师的领域知识限制，难以得到有效扩展；专家系统不具备分布功能，难以对同领域不同方面进行协作问题解决；对不确定问题的处理能力较差；系统适应能力差，不具备自我完善的能力。专家知识库基于设计参数，然而随着企业生产过中，可能会出现一些生产调整和优化，原材料变更，外部环境干扰，人工操作失误或过程参数漂移等影响，使得原有的知识库无法更好地匹配新的生产条件。
现有的智能平台具有以下缺点：现有的智能平台是以提供基础设备的运算能力为主，没有聚焦在具体的应用场景，平台人员对应用场景的理解不够深入，尚属于工具类，不属于提供解决方案的产品。对化工生产装置的智能生产需要用户二次开发，自行建模和构建知识库，而化工生产企业虽然拥有一定的生产经验，但普遍存在的理论知识缺失，知识体系不完整，且生产企业没有搭建自己需求的模型能力。
因此，亟需一种可以对化工生产过程的问题进行有针对性的运行状态监测报警和故障诊断以及生产优化控制的方法、系统及存储介质。
发明内容
本发明实施例提供一种生产状态优化方法、系统及存储介质，用以解决现有技术中无法对生产过程中出现的问题进行有针对性的运行状态监测报警和故障诊断以及生产优化控制的问题。
本发明实施例的第一方面，提供一种生产状态优化方法，包括：
获取生产历史数据；
将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；
基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；
当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。
可选地，在第一方面的一种可能实现方式中，所述通过变量贡献率算法确定影响生产非优状态的变量，包括：
计算异常出现时变量整体的统计量：
基于变量整体的统计量来计算单个变量的贡献值：
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
可选地，在第一方面的一种可能实现方式中，所述确定所述单个变量为影响生产非优状态的变量之后，还包括：
实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 729376DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
可选地，在第一方面的一种可能实现方式中，所述将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数，包括：
将生产历史数据划分为多个数据集合，每个数据集合对应一个状态等级，并分别建立每个状态等级的评价模型和评价指标。
可选地，在第一方面的一种可能实现方式中，所述基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态，包括：
计算在线数据的得分向量与各状态等级中心的距离：
Figure DEST_PATH_IMAGE004_8A
其中，
Figure 606196DEST_PATH_IMAGE006
为在线数据的得分向量与各状态等级中心的距离，
Figure 273938DEST_PATH_IMAGE008
为在线数据的 得分向量，c,k均为自然数，c为状态等级的数量，
Figure 910193DEST_PATH_IMAGE010
为在线数据的个数；
根据所述在线数据的得分向量与各状态等级中心的距离来计算在线数据在各个状态等级的评价指标：
Figure DEST_PATH_IMAGE012_6A
其中，
Figure 106819DEST_PATH_IMAGE014
为在线数据在各个状态等级的评价指标，
Figure 329990DEST_PATH_IMAGE016
为在线数据的得分向量与各状 态等级中心的距离；
如果在线数据在各个状态等级的评价指标大于预设阈值，则判断当前生产状态属于当前所在的状态等级；
如果在线数据在各个状态等级的评价指标小于或者等于预设阈值，则判断当前生产状态不属于当前所在的状态等级。
可选地，在第一方面的一种可能实现方式中，在计算在线数据的得分向量与各状态等级中心的距离之前，包括：
构建当前时间每个参数中多个数据的集合；
分别利用各个状态等级生产历史数据的均值和标准差对在线数据进行标准化处理；
根据标准化处理后的在线数据来计算在线数据的得分向量。
本发明实施例的第二方面，提供一种生产状态优化系统，包括：
获取模块，用于获取生产历史数据；
等级划分模块，用于将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；
判断模块，用于基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；
变量确定模块，用于当判断为非优状态之后，通过变量贡献率算法确定影响生产非优状态的变量。
可选地，在第二方面的一种可能实现方式中，所述变量确定模块还用于执行以下步骤，包括：
统计量计算单元，用于计算异常出现时变量总体的统计量；
贡献值计算单元，用于基于变量总体的统计量来计算单个变量的贡献值；
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
可选地，在第二方面的一种可能实现方式中，所述变量确定模块还包括：
对比单元，用于实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 535844DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
可选地，在第二方面的一种可能实现方式中，所述等级划分模块还用于执行以下步骤，包括：
将生产历史数据划分为多个数据集合，每个数据集合对应一个状态等级，并分别建立每个状态等级的评价模型和评价指标。
可选地，在第二方面的一种可能实现方式中，所述判断模块还用于执行以下步骤，包括：
计算在线数据的得分向量与各状态等级中心的距离：
Figure DEST_PATH_IMAGE018_14A
其中，
Figure 200174DEST_PATH_IMAGE006
为在线数据的得分向量与各状态等级中心的距离，
Figure 895598DEST_PATH_IMAGE008
为在线数据的得 分向量，c,k均为自然数，c为状态等级的数量，
Figure 107530DEST_PATH_IMAGE010
为在线数据的个数；
根据所述在线数据的得分向量与各状态等级中心的距离来计算在线数据在各个状态等级的评价指标：
Figure DEST_PATH_IMAGE012_7A
其中，
Figure DEST_PATH_IMAGE020_5A
为在线数据在各个状态等级的评价指标，
Figure DEST_PATH_IMAGE022AAAA
为在线数据的得分向量与各状态等级中心的距离；
如果在线数据在各个状态等级的评价指标大于预设阈值，则判断当前生产状态属于当前所在的状态等级；
如果在线数据在各个状态等级的评价指标小于或者等于预设阈值，则判断当前生产状态不属于当前所在的状态等级。
可选地，在第二方面的一种可能实现方式中，还包括得分向量计算模块，所述得分向量计算模块还用于执行以下步骤，包括：
构建当前时间每个参数中多个数据的集合；
分别利用各个状态等级生产历史数据的均值和标准差对在线数据进行标准化处理；
根据标准化处理后的在线数据来计算在线数据的得分向量。
本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的生产状态优化方法、系统及存储介质，通过获取生产历史数据；将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。实现了对生产过程中出现的问题进行针对性的运行状态监测，故障诊断以及对生产的优性生产控制，从而解决了现有技术中无法对生产过程中出现的问题进行有针对性的运行状态监测报警和故障诊断以及生产优化控制的问题。
附图说明
图1为生产状态优化方法的第一种实施方式的流程图；
图2为生产状态优化系统的第一种实施方式的结构图；
图3为生产状态优化系统的结构图；
图4为生产状态优化系统的技术架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种生产状态优化方法，如图1所示其流程图，包括：
步骤S110、获取生产历史数据。
在本步骤中，需要获取生产过程中的各种参数的历史数据来实现对生产运行状态的判断和故障诊断，其中包括对生产数据的管理，例如各种生产数据；还包括业务数据的管理，例如：设备相关检维修记录、日常润滑记录、员工素质档案信息等，由于某些生产过程需要高学历员工使用精细仪器来人为调控，因此员工的素质水平也会对生产运行状态有较大的影响。并利用数据湖对结构化数据生产数据和异构的业务数据进行统一管理。
步骤S120、将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数。
在步骤S120中，通过步骤S110可以获取生产过程中的各种参数的历史数据，并将 参数的历史数据划分为多个数据集合
Figure DEST_PATH_IMAGE024AA
, c =1,2,3…,C，并对各个数据集合对应设 置一个状态等级，即：在将生产历史数据划分多个状态等级之前，需要将所有的生产历史数 据，即所有的“生产数据和业务数据”分别打上时间标签，从而使得数据在某个时间段具有 某种生产状态，然后将具有相同生产状态的数据划分在同一个集合中；例如将参数的历史 数据划分为3个数据集合
Figure DEST_PATH_IMAGE024AAA
, c =1,2,3，将第1个数据集合
Figure DEST_PATH_IMAGE024AAAA
, c =1设置为非 优性状态等级；第2个数据集合
Figure DEST_PATH_IMAGE024_5A
, c =2设置为合格状态等级；第3个数据集合
Figure DEST_PATH_IMAGE024_6A
, c =3设置为优性状态等级。还可以将历史数据分为N个数据集合，每个集合代表 一个生产状态程度等级，即
Figure DEST_PATH_IMAGE024_7A
, c =1,2,3...N，状态等级呈逐级递增或者逐级递减。 该等级划分为有经验的技术人员，根据其生产经验，手动划分；对于不属于任何等级的数据 进行剔除处理。然后再建立各个状态等级的评价模型
Figure 878259DEST_PATH_IMAGE026
, c =1,2,3…,C；针对生产过程 中的不同类型，本发明也对应设置了模型的评价指标得分，其得分
Figure 724992DEST_PATH_IMAGE028
, n= 1, 2,3…,C。其中，得分指标需要根据实际具体项目的要求确定，依赖于每个项目的核心诉 求和控制点，核心诉求是指用户需要关心的数据指标，包括生产稳定情况、能源消耗情况 等，控制点是指对应状态等级的集合。评价模型是根据实际需要进行定义的，例如当关心生 产稳定性时，就需要将与生产稳定性相关的集合中所有数据进行加权平均得到生产稳定性 的系数；如果关心到生产的能源消耗时，则将与能源消耗有关的集合中所有数据与各自系 数进行加权平均，例如数据1*系数1+数据2*系数2+数据3*系数3，该系数是根据实际情况进 行人为定义的，从而最后得到有关生产能源消耗的系数
Figure 529000DEST_PATH_IMAGE029
。
步骤S130、基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态。
在该步骤中，
步骤一：构建当前时间每个参数中多个数据的集合，例如；
Figure 726763DEST_PATH_IMAGE031
步骤二：分别利用各个状态等级生产历史数据的均值和标准差对在线数据进行标准化处理，处理后的在线数据如下：
Figure 71157DEST_PATH_IMAGE033
步骤三：根据标准化处理后的在线数据来计算在线数据的得分向量，即计算在线 数据
Figure 37976DEST_PATH_IMAGE035
中第l个样本
Figure 278464DEST_PATH_IMAGE037
的得分向量
Figure 432365DEST_PATH_IMAGE038
，即：
Figure 783712DEST_PATH_IMAGE040
步骤四：计算得分向量与各状态等级中心的距离
Figure 103573DEST_PATH_IMAGE041
：
Figure DEST_PATH_IMAGE018_15A
其中，
Figure 983804DEST_PATH_IMAGE006
为在线数据的得分向量与各状态等级中心的距离，
Figure 890580DEST_PATH_IMAGE008
为在线数据的 得分向量，c,k均为自然数，c为状态等级的数量，
Figure 780039DEST_PATH_IMAGE010
为在线数据的个数；
步骤五：根据所述在线数据的得分向量与各状态等级中心的距离来计算在线数据在各个状态等级的评价指标：
Figure DEST_PATH_IMAGE012_8A
其中，
Figure DEST_PATH_IMAGE043
为在线数据在各个状态等级的评价指标，
Figure 629439DEST_PATH_IMAGE041
为在线数据的得分向量 与各状态等级中心的距离；
步骤六：如果在线数据在各个状态等级的评价指标大于预设阈值
Figure 8468DEST_PATH_IMAGE045
时，则判断当 前生产状态属于当前所在的状态等级；如果在线数据在当前状态等级的评价指标小于或者 等于预设阈值
Figure 402540DEST_PATH_IMAGE045
时，则判断当前生产状态不属于当前所在的状态等级；
Figure 95690DEST_PATH_IMAGE046
时，当前运行状态等级为
Figure 360449DEST_PATH_IMAGE048
。
对于步骤六的举例说明：在步骤S120中对参数的历史数据划分了多个数据集合， 并分别对应多个状态等级，假设其中一个状态等级为非优性状态等级，如果在线数据在该 状态等级的评价指标大于预设阈值
Figure DEST_PATH_IMAGE049
时，则在线数据属于该状态等级，当前生产状态为非 优性状态；假设其中一个状态等级为优性状态等级，如果在线数据在该状态等级的评价指 标大于预设阈值
Figure 379221DEST_PATH_IMAGE049
时，则在线数据属于该状态等级，当前生产状态为优性状态。因此，当前 生产状态的优性与非优性只和在线数据所属于的状态等级有关。
步骤S140、当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。
在步骤S140中，检测到系统出现异常，即当前状态等级为非优状态时，利用故障诊断模型，利用变量贡献率算法，对异常原因进行寻源，判断出影响异常的主要原因的变量，从而实现故障诊断。
在一个实施例中，所述通过变量贡献率算法确定影响生产非优状态的变量，包括：
计算异常出现时变量整体的统计量；
基于变量整体的统计量来计算单个变量的贡献值；
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
在本步骤中，
会先计算异常出现时变量总体的统计量，即Hotelling-T2值，如下所示：
Figure DEST_PATH_IMAGE051
其中，
Figure DEST_PATH_IMAGE053
为建模数据集协方差矩阵
Figure DEST_PATH_IMAGE055
的第n个特征值，n为自然数，
Figure 634490DEST_PATH_IMAGE055
为2个 矩阵的乘积，
Figure DEST_PATH_IMAGE057
的转置矩阵；
Figure DEST_PATH_IMAGE059
为第n个变量在建模数据集中的向量，n为自然数；
然后再计算单个变量的贡献值，如下所示：
Figure DEST_PATH_IMAGE061
其中，
Figure DEST_PATH_IMAGE063
为单个变量的贡献值；
Figure DEST_PATH_IMAGE065
为建模数据集协方差矩阵
Figure 475538DEST_PATH_IMAGE055
的第i个特征 值，i为自然数；
Figure DEST_PATH_IMAGE067
为第i个变量在建模数据集中的向量，i为自然数；
Figure DEST_PATH_IMAGE069
为变量总体的统计 量；
最后判断当前变量是否为主要影响变量，主要判断依据是：变量的贡献值大于贡献值平均值与贡献值标准差之和，即
Figure DEST_PATH_IMAGE071
；也就是说，如果当前变量的贡献值大于该贡献值平均值与标准差之和，则可以判断当前变量是导致影响生产非优状态的变量。
在一个实施例中，所述确定所述单个变量为影响生产非优状态的变量之后，还包括：
实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 762514DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
在本步骤中，会实时计算当前生产的统计量，并将该统计量T2值与预先设置的安 全控制统计限值进行对比，如果该统计量T2值大于或者等于安全控制统计限值，则需要对 之前判断出影响生产非优状态的变量进行调整，其调整的依据是调整后的变量值会导致得 分向量与各状态等级中心的距离
Figure 421028DEST_PATH_IMAGE041
最小，从而将该调整后的变量值作为导致非优原因变 量调整参考值，并将该变量调整参考值通过信息提醒的方式推送给生产操作人员。
另外，本发明中会利用生产数据和业务数据、检测数据，综合计算与生产相关的关键指标，比如产品质量评价指标，设备运行能耗评价指标等，比较计算结果与预设值进行对比，当关键指标达到预设值时，则可以认为生产过程中的参数出现了异常，并触发事件报警，提示生产人员予以注意。
本发明提供的生产状态优化方法、系统及存储介质，通过获取生产历史数据；将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。实现了对生产过程中出现的问题进行针对性的运行状态监测，故障诊断以及对生产的优性生产控制，从而解决了现有技术中无法对生产过程中出现的问题进行有针对性的运行状态监测报警和故障诊断以及生产优化控制的问题。
本发明的实施例还提供一种生产状态优化系统，如图2所示，包括：
获取模块，用于获取生产历史数据；
等级划分模块，用于将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；
判断模块，用于基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；
变量确定模块，用于当判断为非优状态之后，通过变量贡献率算法确定影响生产非优状态的变量。
在一个实施例中，所述变量确定模块还包括：
统计量计算单元，用于计算异常出现时变量总体的统计量；
贡献值计算单元，用于基于变量总体的统计量来计算单个变量的贡献值；
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
在一个实施例中，所述变量确定模块还包括：
对比单元，用于实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 789692DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
在一个实施例中，生产状态优化系统还包括业务展示模块、数据运算模块、数据存储模块、数据采集模块、智能仪表模块：
业务展示模块，用于在业务展示界面上展示各类业务数据，所示业务数据包括：绩效指标、健康状态和统计分析；
数据运算模块，用于通过模型库、专家知识库、大数据分析、机器学习等技术手段对各种参数进行运算处理；
数据存储模块，用于将采集到的数据存储至实时数据库、历史数据库、其他数据库以及管理数据库中，按照数据类型的不同，将不同的数据存储至不同的数据库中；
数据采集模块，用于通过数据采集接口来接收生产过程中各参数的数据，以及通过管理数据接口接收业务管理数据；
智能仪表模块，用于管理智能仪表和现场工控系统，以及DCS/PLC采集、人工采集。
在本步骤中，生产状态优化系统的各层结构如图3所示，以及本系统的技术架构如图4所示。
在本发明的生产状态优化系统中，可以通过将现场数据通过数据接口接入，并存储在实时数据库、历史数据或历史数据库之中，通过一个一个针对化工生产的专业模型，对化工生产系统进行实时监测，结合大数据分析和机器学习算法进行智能故障诊断并进行预测性维护，在界面上展示绩效指标、健康状态和统计分析等。智能平台具有很好的扩展性，通过大数据分析和机器学习可以自我完善模型库和专家知识库，支持通过寻优模型，提供生产辅助决策，在保证产品质量的情况下，尽可能降低生产消耗，节约能源和生产成本。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器（ROM）、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元（英文：Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（英文：Digital Signal Processor，DSP）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种生产状态优化方法，其特征在于，包括：
获取生产历史数据；
将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；
基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；
当判断当前状态等级为非优状态时，通过变量贡献率算法确定影响生产非优状态的变量。
2.根据权利要求1所述的生产状态优化方法，其特征在于，所述通过变量贡献率算法确定影响生产非优状态的变量，包括：
计算异常出现时变量整体的统计量；
基于变量整体的统计量来计算单个变量的贡献值；
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
3.根据权利要求2所述的生产状态优化方法，其特征在于，所述确定所述单个变量为影响生产非优状态的变量之后，还包括：
实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 162838DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
4.根据权利要求1所述的生产状态优化方法，其特征在于，所述将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数，包括：
将生产历史数据划分为多个数据集合，每个数据集合对应一个状态等级，并分别建立每个状态等级的评价模型和评价指标。
5.根据权利要求1所述的生产状态优化方法，其特征在于，所述基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态，包括：
计算在线数据的得分向量与各状态等级中心的距离：
Figure DEST_PATH_IMAGE003
其中，
Figure 391563DEST_PATH_IMAGE004
为在线数据的得分向量与各状态等级中心的距离，
Figure DEST_PATH_IMAGE005
为在线数据的得分向 量，c,k均为自然数，c为状态等级的数量，
Figure 233617DEST_PATH_IMAGE006
为在线数据的个数；
根据所述在线数据的得分向量与各状态等级中心的距离来计算在线数据在各个状态等级的评价指标：
Figure DEST_PATH_IMAGE007
其中，
Figure 441876DEST_PATH_IMAGE008
为在线数据在各个状态等级的评价指标，
Figure DEST_PATH_IMAGE009
为在线数据的得分向量与各状态 等级中心的距离；
如果在线数据在各个状态等级的评价指标大于预设阈值，则判断当前生产状态属于当前所在的状态等级；
如果在线数据在各个状态等级的评价指标小于或者等于预设阈值，则判断当前生产状态不属于当前所在的状态等级。
6.根据权利要求5所述的生产状态优化方法，其特征在于，在计算在线数据的得分向量与各状态等级中心的距离之前，包括：
构建当前时间每个参数中多个数据的集合；
分别利用各个状态等级生产历史数据的均值和标准差对在线数据进行标准化处理；
根据标准化处理后的在线数据来计算在线数据的得分向量。
7.一种生产状态优化系统，其特征在于，包括：
获取模块，用于获取生产历史数据；
等级划分模块，用于将所述生产历史数据划分多个状态等级，并为每个状态等级分别设置得分函数；
判断模块，用于基于所述得分函数计算在线数据在各个状态等级的评价指标，并根据所述评价指标判断当前状态等级是否为优性状态；
变量确定模块，用于当判断为非优状态之后，通过变量贡献率算法确定影响生产非优状态的变量。
8.根据权利要求7所述的生产状态优化系统，其特征在于，所述变量确定模块还包括：
统计量计算单元，用于计算异常出现时变量总体的统计量；
贡献值计算单元，用于基于变量总体的统计量来计算单个变量的贡献值；
当所述单个变量的贡献值大于贡献值平均值与贡献值标准差之和时，确定所述单个变量为影响生产非优状态的变量。
9.根据权利要求8所述的生产状态优化系统，其特征在于，所述变量确定模块还包括：
对比单元，用于实时计算当前生产状态的统计量,并与控制统计限值进行对比，所述控制统计限值根据下式进行选择：
Figure 318565DEST_PATH_IMAGE002
其中，α为显著性水平，所述控制统计限值是根据控制统计限值的敏感程度进行选择的；
如果当前生产状态的统计量大于或者等于控制统计限值，则调整所述影响生产非优状态的变量，使所述当前状态等级调整为优性状态。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至6中任意一项所述的生产状态优化方法。
CN202210413202.3A 2022-04-20 2022-04-20 生产状态优化方法、系统及存储介质 Pending CN114692996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210413202.3A CN114692996A (zh) 2022-04-20 2022-04-20 生产状态优化方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210413202.3A CN114692996A (zh) 2022-04-20 2022-04-20 生产状态优化方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114692996A true CN114692996A (zh) 2022-07-01

Family

ID=82142807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210413202.3A Pending CN114692996A (zh) 2022-04-20 2022-04-20 生产状态优化方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114692996A (zh)

Similar Documents

Publication Publication Date Title
CN110110870B (zh) 一种基于事件图谱技术的设备故障智能监控方法
CN108805202B (zh) 一种用于电解槽故障预警的机器学习方法及其应用
CN113779496B (zh) 一种基于设备全景数据的电力设备状态评估方法及系统
CN112101764B (zh) 基于状态监测的船舶技术状况综合评估系统
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN111984503A (zh) 一种监控指标数据异常数据识别的方法及装置
CN115630839B (zh) 一种基于数据挖掘的生产智能反馈调控系统
CN117176560A (zh) 一种基于物联网的监测设备监管系统及其方法
CN116108445A (zh) 一种信息系统智能化风险预警管理方法及系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN113868948A (zh) 一种面向用户的动态阈值模型训练系统及方法
CN117687884A (zh) 一种电网调度自动化主站运维操作票智能优化方法及系统
CN117667570A (zh) 一种统一监控数字化平台
CN116545867A (zh) 一种监控通信网络网元性能指标异常的方法及装置
CN110517731A (zh) 基因检测质量监控数据处理方法和系统
CN114692996A (zh) 生产状态优化方法、系统及存储介质
CN115688016A (zh) 一种用于大型数据库智能运维的一体化方法
CN113656452B (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN113361730B (zh) 一种检修计划的风险预警方法、装置、设备和介质
CN115187026A (zh) 一种产业风险监控方法、系统和可读存储介质
CN114048592A (zh) 一种精轧全流程分布式运行性能评估及非优原因追溯方法
CN111612302A (zh) 一种集团级数据管理方法和设备
CN113657648A (zh) 一种多维数据融合的设备健康评估方法、装置及运维系统
CN109978038A (zh) 一种集群异常判定方法及装置

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