CN114841396B - 石化生产过程的一种异变趋势预测与灾变风险预警方法 - Google Patents
石化生产过程的一种异变趋势预测与灾变风险预警方法 Download PDFInfo
- Publication number
- CN114841396B CN114841396B CN202210257382.0A CN202210257382A CN114841396B CN 114841396 B CN114841396 B CN 114841396B CN 202210257382 A CN202210257382 A CN 202210257382A CN 114841396 B CN114841396 B CN 114841396B
- Authority
- CN
- China
- Prior art keywords
- prediction
- petrochemical
- trend
- model
- data
- 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
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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了石化生产过程的一种异变趋势预测与灾变风险预警方法,包括:采集石化过程中状态异常变化的数据,基于状态异常变化的数据进行动态建模,获得目标动态系统模型;基于目标动态系统模型进行石化过程的趋势分析与状态预测,获得分析预测结果;基于分析预测结果进行故障预测预警,实现石化过程的故障预测。本发明能够准确实现石化过程中的故障预测预警,确保满足预测所需的精确度、准确性和可接受性要求。
Description
技术领域
本发明属于故障风险预测领域,特别是涉及石化生产过程的一种异变趋势预测与灾变风险预警方法。
背景技术
近年来,国际国内的石油化工事故时有发生。石化过程安全问题与其他行业不同,因其全流程涉及易燃、易爆、有毒、有害的材料,全生命周期(生产、存储、炼制、运输、废弃)都存在安全问题,稍有不慎就有可能导致灾难性事故的发生。因此,故障预测预警具有十分重要的价值,直接关系到社会稳定和生命财产安全。如何实现石化过程中的异常情况检测及故障预测是目前噬需解决的问题。
发明内容
为解决上述问题,本发明提供了如下方案:石化生产过程的一种异变趋势预测与灾变风险预警方法,包括:
采集石化过程中状态异常变化的数据,基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型;
基于所述目标动态系统模型进行石化过程的趋势分析与状态预测,获得分析预测结果;
基于所述分析预测结果进行故障预测预警,实现石化过程的故障预测。
优选地,采集石化过程中状态异常变化的数据包括石油化工过程中的关键部件以及工艺环节中的温度、压力、流量、液面。
优选地,基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型包括,基于连续变量的测量数据建立连续变量动态模型;基于离散型状态变化情况,建立离散状态变量动态模型;针对连续-离散混合型系统变量,建立混合变量动态模型。
优选地,基于连续变量的测量数据建立连续变量动态模型的过程包括,采集连续变量的测量数据,通过多变量时间序列分析理论和探索性数据分析方法,根据平稳过程自相关系数、偏相关系数等统计指数和相关系数截尾、拖尾统计特性,以及非平稳过程残差或差分序列自相关系数、偏相关系数统计指数和截尾、拖尾统计特性为依据,建立连续变量的多因素回归、Logistic回归、自回归(AR)和受控自回归(CAR)动态模型。
优选地,基于离散型状态变化情况,建立离散状态变量动态模型包括,针对工况切换、阀门开关的离散型状态变化情况,通过描述状态迁移的Petri模型、Markov链、自动机、排队论和符号有向图模型,描述状态变化,获得离散状态变量动态模型。
优选地,建立混合变量动态模型包括,针对连续-离散混合型系统变量,采用至少包括长短记忆LSTM模型的深度学习模型,实现石化过程动态建模,获得混合变量动态模型。
优选地,获得目标动态系统模型还包括,基于石化过程历史数据对初始目标动态系统模型进行校核、验证和确认,并依据确认结果对所述初始动态系统模型进行迭代改进、优化模型,获得所述目标动态系统模型。
优选地,基于所述目标动态系统模型进行石化过程的趋势分析与状态预测包括分别基于连续变量和离散事件建立针对性预测方法;
基于连续变量建立针对性预测方法包括,针对连续变量的测量数据通过高保真提取、模型自适应拟合、趋势预测进行连续变量参数及特征量的变化趋势预测;
基于离散事件建立针对性预测方法包括,针对离散型状态变化情况通过特征提取、状态建模、事件预测,基于Petri网、符号有向图SDG、灰色系统和隐马尔可夫模型HMM进行趋势预测。
优选地,基于所述分析预测结果进行故障预测预警包括,
通过双重中值滤波方法,对传感网监测数据流进行容错滤波和容错预报,提取监测数据序列主体变化分量的高保真信息、推算滤波和预报的误差方差;
建立监测数据流的数据变化系统,检测和诊断数据异常变化,标示所有超出安全管道的数据点,实现野值与故障征兆的分离,避免将野值误判为系统故障;
绘制传感装置和石化工艺流程、石化装备系统部件间关联关系的拓扑图,以及装备部件与工艺流程间联接关系的拓扑图;
构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法;
通过布尔运算或者采用规则推理引擎,对所述分析预测结果是否超出管道进行检测与判断,形成异变超限征兆向量,实现石化生产过程故障预测。
优选地,构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法包括,构建石化工艺流程与石化装置之间的关联矩阵,构建石化装置与设备部件之间的联接矩阵、石化装置与传感采样设备之间的联接矩阵,以及传感系统多维采样数据流逐一检测结果所形成的征兆向量,设计矩阵间以及矩阵和向量间布尔运算。
本发明公开了以下技术效果:
本发明提供的石化生产过程的一种异变趋势预测与灾变风险预警方法,通过采集石化过程中状态异常变化的数据,对状态异常变化的数据进行动态建模,获得目标动态系统模型;区分连续变量和离散事件两类情况建立针对性预测方法,采用对应的目标动态系统模型进行趋势预测,获得分析预测结果;基于所述分析预测结果进行故障预测预警,实现石化过程的故障预测。能够准确实现石化过程中的故障预测预警,确保满足预测所需的精确度、准确性和可接受性要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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。
图1为本发明实施例的方法流程图;
图2为本发明实施例的预测建模过程示意图;
图3为本发明实施例的传感监测对象趋势和过程状态变化预测图;
图4为本发明实施例的数据驱动的石化过程故障预测示意图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了石化生产过程的一种异变趋势预测与灾变风险预警方法,包括:
采集石化过程中状态异常变化的数据,基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型;
基于所述目标动态系统模型进行石化过程的趋势分析与状态预测,获得分析预测结果;
基于所述分析预测结果进行故障预测预警,实现石化过程的故障预测。
采集石化过程中状态异常变化的数据包括石油化工过程中的关键部件以及工艺环节中的温度、压力、流量、液面。
基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型包括,基于连续变量的测量数据建立连续变量动态模型;基于离散型状态变化情况,建立离散状态变量动态模型;针对连续-离散混合型系统变量,建立混合变量动态模型。
基于连续变量的测量数据建立连续变量动态模型的过程包括,采集连续变量的测量数据,通过多变量时间序列分析理论和探索性数据分析方法,根据平稳过程自相关系数、偏相关系数等统计指数和相关系数截尾、拖尾统计特性,以及非平稳过程残差或差分序列自相关系数、偏相关系数统计指数和截尾、拖尾统计特性为依据,建立连续变量的多因素回归、Logistic回归、自回归(AR)和受控自回归(CAR)动态模型。
基于离散型状态变化情况,建立离散状态变量动态模型包括,针对工况切换、阀门开关的离散型状态变化情况,通过描述状态迁移的Petri模型、Markov链、自动机、排队论和符号有向图模型,描述状态变化,获得离散状态变量动态模型。
建立混合变量动态模型包括,针对连续-离散混合型系统变量,采用至少包括长短记忆LSTM模型的深度学习模型,实现石化过程动态建模,获得混合变量动态模型。
获得目标动态系统模型还包括,基于石化过程历史数据对初始目标动态系统模型进行校核、验证和确认,并依据确认结果对所述初始动态系统模型进行迭代改进、优化模型,获得所述目标动态系统模型。
基于所述目标动态系统模型进行石化过程的趋势分析与状态预测包括分别基于连续变量和离散事件建立针对性预测方法;
基于连续变量建立针对性预测方法包括,针对连续变量的测量数据通过高保真提取、模型自适应拟合、趋势预测进行连续变量参数及特征量的变化趋势预测;
基于离散事件建立针对性预测方法包括,针对离散型状态变化情况通过特征提取、状态建模、事件预测,基于Petri网、符号有向图SDG、灰色系统和隐马尔可夫模型HMM进行趋势预测。
基于所述分析预测结果进行故障预测预警包括,
通过双重中值滤波方法,对传感网监测数据流进行容错滤波和容错预报,提取监测数据序列主体变化分量的高保真信息、推算滤波和预报的误差方差;
建立监测数据流的数据变化系统,检测和诊断数据异常变化,标示所有超出安全管道的数据点,实现野值与故障征兆的分离,避免将野值误判为系统故障;
绘制传感装置和石化工艺流程、石化装备系统部件间关联关系的拓扑图,以及装备部件与工艺流程间联接关系的拓扑图;
构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法;
通过布尔运算或者采用规则推理引擎,对所述分析预测结果是否超出管道进行检测与判断,形成异变超限征兆向量,实现石化生产过程故障预测。
构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法包括,构建石化工艺流程与石化装置之间的关联矩阵,构建石化装置与设备部件之间的联接矩阵、石化装置与传感采样设备之间的联接矩阵,以及传感系统多维采样数据流逐一检测结果所形成的征兆向量,设计矩阵间以及矩阵和向量间布尔运算。
实施例一
如图1-4所示,本发明提供的石化生产过程异变趋势预测与灾变风险预警的方法,包括:关联分析与动态建模、异变趋势预测和基于趋势预测的故障预测预警等3个关键技术环节,具体步骤为:
第一步.过程状态异常变化的动态建模
如图2所示,动态建模的步骤包括
①.以石油化工过程关键部件和工艺环节温度、压力、流量、液面等典型连续变量测量数据为对象,采用多变量时间序列分析(TSA)理论和探索性数据分析(EDA)方法,以平稳过程自相关系数、偏相关系数等统计指数和相关系数截尾、拖尾等统计特性,以及非平稳过程残差或差分序列自相关系数、偏相关系数等统计指数和截尾、拖尾等统计特性为依据,建立连续变量的多因素回归、Logistic回归、自回归(AR)和受控自回归(CAR)模型;
②.对工况切换、阀门开关等离散型状态变化情况,采用适合于描述状态迁移的Petri模型、Markov链、自动机、排队论和符号有向图模型,描述状态变化,实现离散状态变量动态建模;
③.对连续-离散混合型系统,采用长短记忆LSTM模型等深度学习模型,实现石化过程动态建模;
④.利用石化过程历史数据对模型进行校核、验证和确认(VV&A),并依据VV&A结果对模型进行迭代改进,优化模型,确保满足预测所需的精确度、准确性和可接受性要求。
第二步.过程状态异常变化趋势预测
如图3所示,结合石化过程故障安全实际需求,进行过程趋势分析与状态预测(TA&SF:TendencyAnalysis&StatesForecasting),具体地,区分连续变量TA&SF和离散事件TA&SF两类情况,建立针对性预测方法:
①.对CVDS变化情形的TA&SF,采取“高保真提取→模型自适应拟合→趋势预测”方法,进行变量参数/特征量的变化趋势预测。石化过程传感网络获取的大部分数据和关注的大部分状态,都属于连续变量动态系统(CVDS)变化情形,采用与之适应的模型进行趋势预测。
②.对DEDS变化情况的TA&SF,采取“特征提取→状态建模→事件预测”的方法,通过分析处理不精确、不一致、不完整的信息,从中发现隐含的知识,揭示潜在规律,预测未来变化。石化过程存在一些类似离散事件动态系统(DEDS)的变化情形(例如,状态切换、门限报警、反应器开始与结束等工况信息),区分不同情况,采用Petri网、符号有向图SDG、灰色系统和隐马尔可夫模型HMM,进行趋势预测。
第三步.基于趋势预测的故障预测预警
如图4所示,具体步骤包括:
①.采用双重中值滤波方法,对传感网监测数据流进行容错滤波和容错预报,提取监测数据序列主体变化分量的高保真信息、推算滤波和预报的误差方差;
②.建立监测数据流的数据变化“安全管道”,检测和诊断数据异常变化,标示所有超出安全管道的数据点,实现野值与故障征兆的分离,避免将野值误判为系统故障;
③.绘制传感装置和石化工艺流程、石化装备系统部件间关联关系的拓扑图,以及装备部件与工艺流程间联接关系的拓扑图;
④.构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法,具体地,构建石化工艺流程与石化装置之间的关联矩阵(元素为0/1:1-关联,0-不关联),构建石化装置与设备部件之间联接矩阵、石化装置与传感采样设备之间的联接矩阵(元素为0/1:1-存在联接,0-不存在联接),以及传感系统多维采样数据流逐一检测结果所形成的征兆向量(元素为0/1:0-正常,1-异常),设计矩阵间以及矩阵和向量间布尔运算
式中,∧和∨为布尔算子。
⑤通过布尔运算或者采用规则推理引擎,结合安全管道外推,对趋势预测结果是否超出管道的检测与判断,形成异变超限征兆向量,实现石化生产过程故障预测。
本发明提供的石化生产过程的一种异变趋势预测与灾变风险预警方法,通过采集石化过程中状态异常变化的数据,对状态异常变化的数据进行动态建模,获得目标动态系统模型;区分连续变量和离散事件两类情况建立针对性预测方法,采用对应的目标动态系统模型进行趋势预测,获得分析预测结果;基于所述分析预测结果进行故障预测预警,实现石化过程的故障预测。能够准确实现石化过程中的故障预测预警,确保满足预测所需的精确度、准确性和可接受性要求。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,包括:
采集石化过程中状态异常变化的数据,基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型;
基于所述目标动态系统模型进行石化过程的趋势分析与状态预测,获得分析预测结果;
基于所述分析预测结果进行故障预测预警,实现石化过程的故障预测;
基于所述状态异常变化的数据进行动态建模,获得目标动态系统模型包括,基于连续变量的测量数据建立连续变量动态模型;基于离散型状态变化情况,建立离散状态变量动态模型;针对连续-离散混合型系统变量,建立混合变量动态模型;
基于所述分析预测结果进行故障预测预警包括,
通过双重中值滤波方法,对传感网监测数据流进行容错滤波和容错预报,提取监测数据序列主体变化分量的高保真信息、推算滤波和预报的误差方差;
建立监测数据流的数据变化系统,检测和诊断数据异常变化,标示所有超出安全管道的数据点,实现野值与故障征兆的分离,避免将野值误判为系统故障;
绘制传感装置和石化工艺流程、石化装备系统部件间关联关系的拓扑图,以及装备部件与工艺流程间联接关系的拓扑图;
构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法;
通过布尔运算或者采用规则推理引擎,对所述分析预测结果是否超出管道进行检测与判断,形成异变超限征兆向量,实现石化生产过程故障预测。
2.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
采集石化过程中状态异常变化的数据包括石油化工过程中的关键部件以及工艺环节中的温度、压力、流量、液面。
3.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
基于连续变量的测量数据建立连续变量动态模型的过程包括,采集连续变量的测量数据,通过多变量时间序列分析理论和探索性数据分析方法,根据平稳过程自相关系数、偏相关系数和相关系数截尾、拖尾统计特性,以及非平稳过程残差或差分序列自相关系数、偏相关系数统计指数和截尾、拖尾统计特性为依据,建立连续变量的多因素回归、Logistic回归、自回归和受控自回归动态模型。
4.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
基于离散型状态变化情况,建立离散状态变量动态模型包括,针对工况切换、阀门开关的离散型状态变化情况,通过描述状态迁移的Petri模型、Markov链、自动机、排队论和符号有向图模型,描述状态变化,获得离散状态变量动态模型。
5.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
建立混合变量动态模型包括,针对连续-离散混合型系统变量,采用至少包括长短记忆LSTM模型的深度学习模型,实现石化过程动态建模,获得混合变量动态模型。
6.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
获得目标动态系统模型还包括,基于石化过程历史数据对初始目标动态系统模型进行校核、验证和确认,并依据确认结果对所述初始目标动态系统模型进行迭代改进、优化模型,获得所述目标动态系统模型。
7.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
基于所述目标动态系统模型进行石化过程的趋势分析与状态预测包括分别基于连续变量和离散事件建立针对性预测方法;
基于连续变量建立针对性预测方法包括,针对连续变量的测量数据通过高保真提取、模型自适应拟合、趋势预测进行连续变量参数及特征量的变化趋势预测;
基于离散事件建立针对性预测方法包括,针对离散型状态变化情况通过特征提取、状态建模、事件预测,基于Petri网、符号有向图SDG、灰色系统和隐马尔可夫模型HMM进行趋势预测。
8.根据权利要求1所述的石化生产过程的一种异变趋势预测与灾变风险预警方法,其特征在于,
构建关联矩阵和联接矩阵,建立“多维故障征兆向量-关联矩阵-联接矩阵-故障判决向量”的运算逻辑和算法包括,构建石化工艺流程与石化装置之间的关联矩阵,构建石化装置与设备部件之间的联接矩阵、石化装置与传感采样设备之间的联接矩阵,以及传感系统多维采样数据流逐一检测结果所形成的征兆向量,设计矩阵间以及矩阵和向量间布尔运算。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257382.0A CN114841396B (zh) | 2022-03-16 | 2022-03-16 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
JP2023028102A JP2023138371A (ja) | 2022-03-16 | 2023-02-27 | 石油化学プロセスの異常変化予測及び故障早期警報方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210257382.0A CN114841396B (zh) | 2022-03-16 | 2022-03-16 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841396A CN114841396A (zh) | 2022-08-02 |
CN114841396B true CN114841396B (zh) | 2023-02-17 |
Family
ID=82562670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210257382.0A Active CN114841396B (zh) | 2022-03-16 | 2022-03-16 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2023138371A (zh) |
CN (1) | CN114841396B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382103B (zh) * | 2023-06-07 | 2023-08-25 | 广东石油化工学院 | 一种生产过程间歇故障及趋势畸变的监测与辨识方法 |
CN116719293B (zh) * | 2023-08-04 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
CN117221075B (zh) * | 2023-10-16 | 2024-03-19 | 哈尔滨理工大学 | 基于自适应事件触发机制的离散网络化系统故障检测方法 |
CN117331361B (zh) * | 2023-12-01 | 2024-03-08 | 江苏迈鼎科技(集团)有限公司 | 一种基于物联网技术的沥青生产管理系统 |
CN117849662B (zh) * | 2024-03-07 | 2024-05-28 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警系统的电表箱 |
CN117874713A (zh) * | 2024-03-12 | 2024-04-12 | 山东沪金精工科技股份有限公司 | 一种机械设备故障预警系统及其使用方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0711363D0 (en) * | 2006-06-14 | 2007-07-25 | Gen Electric | Systems and methods for identification and/or evaluation of potential safety concerns associated with a medical therapy |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN107045283A (zh) * | 2011-09-19 | 2017-08-15 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
CN110766173A (zh) * | 2019-10-18 | 2020-02-07 | 青岛科技大学 | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 |
CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
CN111340110A (zh) * | 2020-02-25 | 2020-06-26 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
AU2020102424A4 (en) * | 2020-09-25 | 2020-11-12 | Beijing Institute Of Petrochemical Technology | Hazardous chemical safety management assessment method |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112288126A (zh) * | 2020-09-09 | 2021-01-29 | 广东石油化工学院 | 一种采样数据异常变化在线监测与诊断方法 |
-
2022
- 2022-03-16 CN CN202210257382.0A patent/CN114841396B/zh active Active
-
2023
- 2023-02-27 JP JP2023028102A patent/JP2023138371A/ja active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0711363D0 (en) * | 2006-06-14 | 2007-07-25 | Gen Electric | Systems and methods for identification and/or evaluation of potential safety concerns associated with a medical therapy |
CN107045283A (zh) * | 2011-09-19 | 2017-08-15 | 费希尔-罗斯蒙特系统公司 | 使用多阶段数据分离的推理过程建模、质量预测及故障检测 |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN110766173A (zh) * | 2019-10-18 | 2020-02-07 | 青岛科技大学 | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 |
CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
CN111340110A (zh) * | 2020-02-25 | 2020-06-26 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112288126A (zh) * | 2020-09-09 | 2021-01-29 | 广东石油化工学院 | 一种采样数据异常变化在线监测与诊断方法 |
AU2020102424A4 (en) * | 2020-09-25 | 2020-11-12 | Beijing Institute Of Petrochemical Technology | Hazardous chemical safety management assessment method |
Non-Patent Citations (4)
Title |
---|
基于大数据的石油化工旋转机械的无量纲故障诊断;王子为等;《广东石油化工学院学报》;20171215(第06期);全文 * |
基于混杂系统的电力设备状态感知与趋势分析;李园芳等;《计算机测量与控制》;20131225(第12期);第201-204页 * |
多变量统计方法监测化工过程的缓变故障;孙美红等;《计算机与应用化学》;20091028(第10期);全文 * |
炼化装置故障链式效应定量安全预警方法;胡瑾秋等;《化工学报》;20160511(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114841396A (zh) | 2022-08-02 |
JP2023138371A (ja) | 2023-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114841396B (zh) | 石化生产过程的一种异变趋势预测与灾变风险预警方法 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
Arunthavanathan et al. | A deep learning model for process fault prognosis | |
EP1982301B1 (en) | Method of condition monitoring | |
CN104238545B (zh) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 | |
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
US20090295561A1 (en) | System and method for advanced condition monitoring of an asset system | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN101776862A (zh) | 用于对资产系统进行高级状况监视的系统和方法 | |
CN112685910B (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
US10775270B2 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
CN112306036B (zh) | 化工过程运行故障的诊断方法 | |
Agudelo et al. | Integration of techniques for early fault detection and diagnosis for improving process safety: Application to a fluid catalytic cracking refinery process | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
Daher et al. | New prognosis approach for preventive and predictive maintenance—Application to a distillation column | |
CN115081673A (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
CN112417766B (zh) | 一种以无故障数据为主的故障诊断方法 | |
Alauddin et al. | A robust neural network model for fault detection in the presence of mislabelled data | |
CN113496332B (zh) | 工业互联网故障预测方法和系统 | |
Hu et al. | A multi-feature-based fault diagnosis method based on the weighted timeliness broad learning system | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications | |
CN113849479A (zh) | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 |
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 |