CN116702080B - 一种基于多维传感器的煤气制甲醇过程在线监测系统 - Google Patents
一种基于多维传感器的煤气制甲醇过程在线监测系统 Download PDFInfo
- Publication number
- CN116702080B CN116702080B CN202310973982.1A CN202310973982A CN116702080B CN 116702080 B CN116702080 B CN 116702080B CN 202310973982 A CN202310973982 A CN 202310973982A CN 116702080 B CN116702080 B CN 116702080B
- Authority
- CN
- China
- Prior art keywords
- state
- parameter data
- state parameter
- data sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims description 74
- 230000008569 process Effects 0.000 title claims description 43
- 239000007788 liquid Substances 0.000 title description 2
- 239000003250 coal slurry Substances 0.000 claims abstract description 139
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims abstract description 108
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 230000005856 abnormality Effects 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000007774 longterm Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000003034 coal gas Substances 0.000 claims description 17
- 239000002002 slurry Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 8
- 239000007789 gas Substances 0.000 description 9
- 239000003245 coal Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 3
- 108010050014 systemin Proteins 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000002309 gasification Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000003513 alkali Substances 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 125000000864 peroxy group Chemical group O(O*)* 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于多维传感器的煤气制甲醇过程在线监测系统,所述系统包括:采集各个状态参数数据序列;根据各状态参数数据序列以及长期变化趋势情况得到各状态参数数据序列的煤浆状态影响因子和趋势异常度;根据各状态参数数据序列中位置异常度、时间异常度及趋势异常度得到各个数据点的异常度;将各个数据点的异常度和煤浆状态影响因子得到各个数据点的煤浆状态异常度;根据各个数据点的煤浆状态异常度得到疑似异常状态数据点,使用DBSCAN算法聚类,完成对煤浆状态的在线监测。从而优化了煤浆状态数据的聚类质量,提高了异常监测效果。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种基于多维传感器的煤气制甲醇过程在线监测系统。
背景技术
煤气制甲醇是一种以煤作为原料,通过煤气化和气相催化反应制备甲醇的一种工艺。该工艺的产物甲醇被广泛应用于化工、能源、有机化学品的制备等领域,该工艺具有原料来源广泛、技术可靠、产品稳定的特点,已成为煤化工领域中最为重要和主流的技术之一。在煤气制甲醇的过程中,会出现因机器故障或人员误操作等问题,造成煤浆在输送过程中出现异常的状态,导致煤浆输送管道发生堵塞、泄露的现象,进而引发气化炉的过氧爆炸。因此,需要对煤浆输送管道中的煤浆的状态进行实时的监控,来确保煤浆在输送管道中的稳定性,并在煤浆出现异常状态时及时调整和优化相关机器来预防事故的发生,从而保证煤气制甲醇的生产效率和产品质量。
DBSCAN算法使用了全局性表征密度的参数,而煤浆状态的影响参数有多种,这会造成采集的数据集的密度不均匀,在使用DBSCAN算法对煤浆状态的影响参数数据进行异常数据检测时,会使得数据聚类间距相差较大,造成聚类的质量过差,导致数据的异常检测的效果不好。
综上所述,本发明提出一种基于多维传感器的煤气制甲醇过程在线监测系统,通过采集煤气制甲醇过程中的煤浆状态参数数据,分析各状态参数数据序列在煤浆状态发生异常时的分布特点以及各状态参数数据序列之间的相互影响关系,使用DBSCAN算法提取出异常数据,根据异常数据完成煤气制甲醇过程的在线监测。
发明内容
为了解决上述技术问题,本发明提供一种基于多维传感器的煤气制甲醇过程在线监测系统,所述系统包括:
数据采集模块:采集煤气制甲醇过程中的煤浆状态参数数据,根据采集的煤浆状态参数数据获取每个煤浆状态参数对应的状态参数数据序列;
数据处理模块:将各状态参数数据序列在每个监测位置的各个时刻的数据记作数据点;根据各状态参数数据序列之间的皮尔逊相关系数构建各状态参数数据序列之间的相关性矩阵;根据各状态参数数据序列之间的相关性矩阵得到各状态参数数据序列的煤浆状态影响因子;
根据各状态参数数据序列在每个监测位置的长期变化趋势以及长期变化趋势之间的差异程度得到各状态参数数据序列在每个监测位置的趋势异常度;根据各状态参数数据序列中各个数据点的值以及各个时刻的数据均值得到各状态参数数据序列中各个数据点的位置异常度;根据各状态参数数据序列各个数据点的值以及每个监测位置的数据均值得到各状态参数数据序列中各个数据点的时间异常度;根据各状态参数数据序列中各个数据点的位置异常度和时间异常度得到各状态参数数据序列中各个数据点的局部异常度;根据各状态参数数据序列中各个数据点的局部异常度和趋势异常度得到各状态参数数据序列中各个数据点的异常度;
根据各状态参数数据序列中各个数据点的异常度和各状态参数数据序列的煤浆状态影响因子得到各个数据点的煤浆状态异常度;
异常监测模块:根据各个数据点的煤浆状态异常度构建煤浆状态异常监测矩阵,得到疑似异常状态数据点;利用DBSCAN算法获取疑似异常状态数据点的聚类结果,根据聚类结果完成煤气制甲醇过程中的煤浆数据的在线监测。
优选的,根据各状态参数数据序列之间的相关性矩阵得到各状态参数数据序列的煤浆状态影响因子的具体方法为:
煤浆的各状态参数数据序列之间的皮尔逊相关系数作为相关性矩阵的各元素,根据相关性矩阵中每行元素值相加的结果作为各行状态参数数据序列的状态关联度;将各状态参数数据序列的状态关联度作为分子,将各状态参数数据序列的状态关联度之和作为分母,将各状态参数数据序列的分子与分母的比值作为各状态参数数据序列的煤浆状态影响因子。
优选的,根据各状态参数数据序列在每个监测位置的长期变化趋势以及长期变化趋势之间的差异程度得到各状态参数数据序列在每个监测位置的趋势异常度的表达式为:
式中,为自然常数,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,/>、/>分别表示第/>个、第/>个监测位置处第/>个状态参数数据序列的hurst指数,/>表示煤浆监测位置的个数。
优选的,根据各状态参数数据序列中各个数据点的值以及各个时刻的数据均值得到各状态参数数据序列中各个数据点的位置异常度的表达式为:
式中,为每一监测位置采集的数据量,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的位置异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的值,/>表示第/>个状态参数数据序列在第/>个时刻数据点的均值。
优选的,根据各状态参数数据序列各个数据点的值以及每个监测位置的数据均值得到各状态参数数据序列中各个数据点的时间异常度的具体方法为:
将各状态参数数据序列各检测位置各时刻数据点的值记作第一参数,将各状态参数数据序列各检测位置的数据序列均值记作第二参数;取第一参数与第二参数的差值的绝对值作为分子;对各监测位置的第一参数与第二参数的差值的绝对值进行求和得到分母;将分子与分母的比值作为各状态参数数据序列中各个数据点的时间异常度。
优选的,根据各状态参数数据序列中各个数据点的位置异常度和时间异常度得到各状态参数数据序列中各个数据点的局部异常度的具体方法为:
对于各状态参数数据序列中各个数据点,分别获取各个数据点的位置异常度和时间异常度,将位置异常度和时间异常度的乘积作为各个数据点的局部异常度。
优选的,根据各状态参数数据序列中各个数据点的局部异常度和趋势异常度得到各状态参数数据序列中各个数据点的异常度的表达式为:
式中,表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的异常度,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的局部异常度。
优选的,根据各状态参数数据序列中各个数据点的异常度和各状态参数数据序列的煤浆状态影响因子得到各个数据点的煤浆状态异常度的表达式为:
式中,表示第/>个监测位置第/>个时刻数据点的煤浆状态异常度,/>表示第/>个状态参数数据序列的煤浆状态影响因子,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的异常度。
优选的,根据各个数据点的煤浆状态异常度构建煤浆状态异常监测矩阵得到疑似异常状态数据点的具体方法为:
根据各状态参数数据序列在每个监测位置各个时刻的数据点得到的煤浆状态异常度构建煤浆状态异常监测矩阵,采用最大类间方差法来对煤浆状态异常监测矩阵进行划分,得到状态异常阈值,将煤浆状态异常监测矩阵中的煤浆状态异常度大于状态异常阈值的数据点记为疑似异常状态数据点。
优选的,根据聚类结果完成煤气制甲醇过程中的煤浆数据的在线监测的具体方法为:
对于各聚类簇,在聚类簇中随机选取一个数据点,判断该数据点距离半径内的数据点是否存在核心点,若存在核心点,则该聚类簇为异常点聚类簇,将异常点聚类簇中所有数据点对应的监测位置和时刻放入异常数据集合,基于异常数据集合实现煤气制甲醇过程中煤浆数据的在线监测。
本发明至少具有如下有益效果:
本发明根据各状态参数数据序列在每个监测位置的长期变化趋势,结合不同监测位置的各状态参数数据序列之间的长期变化趋势之间的差异,得到各状态参数数据序列在每个监测位置的趋势异常度,便于对数据的全面性分析;
本发明对各状态参数数据序列中各个数据点计算位置异常度和时间异常度,通过局部分析各状态参数数据序列,结合对数据整体性的长期变化趋势对各状态参数数据序列中各个数据点的异常度进行计算,提高了数据分析准确度,解决了多个状态参数数据之间密度不均匀的问题,提高了DBSCAN算法的异常监测效果。本发明具有较全面的数据分析,数据处理速度快,异常数据监测精度高等有益效果。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明提供的一种基于多维传感器的煤气制甲醇过程在线监测系统的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于多维传感器的煤气制甲醇过程在线监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于多维传感器的煤气制甲醇过程在线监测系统的具体方案。
本发明一个实施例提供的一种基于多维传感器的煤气制甲醇过程在线监测系统,该系统包含数据采集模块、数据处理模块、异常监测模块。
具体的,本实施例的基于物联网工程信息采集处理系统提供了如下的一种基于多维传感器的煤气制甲醇过程在线监测系统,请参阅图1,该系统包括:
数据采集模块,本实施例主要根据传感器系统采集煤浆状态参数数据,并对采集的数据进行分析及特征提取,实现煤浆状态参数数据的异常监测。本实施例是对煤浆在制造完成后进入煤浆输送管道开始输送到气化炉时的状态进行监控。本实施例采用由浓度、流量、PH等传感器组成的传感器系统在煤浆输送管道的多个位置进行煤浆状态的监测,用于监测煤浆状态的状态参数包括但不限于煤浆的浓度、PH值、流量等。本实施例中,监测煤浆状态的状态参数的个数记为,煤浆输送管道监测位置的个数记为/>,每个传感器采集的数据量记为/>,相邻两次数据采集的时间间隔记为/>,具体状态参数的个数/>、监测位置的个数/>、每个传感器在每个监测位置处采集的数据量/>以及间隔/>由实施者自行定义,本实施例中设置为/>。
考虑到数据在采集和传输的过程中会出现数据缺失的情况,因此本实施例采用均值填充法对各个数据序列中的缺失值进行填充,均值填充法为公知技术,不再赘述。分别得到填充后的浓度数据序列、PH值数据序列、流量数据序列。
根据本实施例上述方法对煤浆状态各相关参数的数据进行采集,得到煤浆的各状态参数数据序列。
数据处理模块,由于煤浆的各状态参数数据序列之间是相互影响的,比如煤浆在输送管道中的流量发生变化会影响煤浆在管道中的流速,从而影响煤浆颗粒的悬浮状态,当煤浆流量减小时,煤粉颗粒因落回沉降,传感器位于输送管道底部,使得浓度变大;同时煤浆流量的变化也会引起氧气在煤浆中的溶解量,进而导致煤浆的酸碱度发生变化。因此,本实施例将设定数据处理模块,用于对煤浆的各状态参数数据序列进行分析,结合局部以及整体的数据信息,并计算疑似异常状态数据点,提高DBSCAN算法的异常监测效果,避免多个状态参数数据之间密度不均匀的问题。
本实施例中数据处理模块主要包括以下步骤:
获取煤气制甲醇过程中煤浆在正常状态时的各状态参数数据序列,共有三组数据,分别为浓度数据序列、PH值数据序列和流量数据序列;分别计算煤浆的各状态参数数据序列之间的皮尔逊相关系数,皮尔逊相关系数为公知技术,不再赘述,得到各状态参数数据序列之间的相关性矩阵:
其中,表示第1个、第2个煤浆状态参数数据序列之间的皮尔逊相关系数的绝对值;/>越大表示这两个状态参数数据序列之间的相关性越大。
将该矩阵中第行的所有值相加的结果作为第/>个状态参数数据序列的状态关联度/>;对得到的各状态参数数据序列的状态关联度进行归一化处理,得到各状态参数数据序列的煤浆状态影响因子,表达式为:
式中,表示第/>个状态参数数据序列的煤浆状态影响因子,/>、/>分别表示第/>个、第/>个状态参数数据序列的状态关联度,/>表示状态参数数据序列的个数。/>越大表示该状态参数数据序列的煤浆状态影响因子对该状态参数数据序列影响越大。
在煤气制甲醇的过程中,正常情况下,煤浆在煤浆输送管道中的流经状态是较稳定的,即煤浆的浓度、PH值、流量等状态参数在各个监测位置的数据序列之间是较为近似的,并且数据也随着时间的变化在正常范围内进行波动。而某些机器出现异常时会造成这些状态参数数据序列出现较明显的异常,比如煤浆的搅拌器出现故障时,会导致煤浆的浓度出现异常;高压煤浆水泵变频失控或工作人员误操作,导致煤浆的流量出现异常;煤浆中添加的碱液过多或过少也会引起煤浆PH值出现异常。并且,煤浆输送管道会出现管道的局部区域煤料堆积甚至堵塞的现象,进而导致煤浆在流经这些区域时,煤浆的状态参数数据序列也会发生较明显的异常。
根据上述分析,获取各状态参数数据序列中的每个数据点的异常度。
在正常情况下,煤浆的各状态参数数据序列在每个监测位置处的长期变化是较相似的,因此获得各状态参数数据序列对应的hurst指数,用来反映煤浆在各个监测位置的各状态参数数据序列的长期相关性,其中hurst指数为公知技术,不再赘述。得到各状态参数数据序列在每个监测位置的趋势异常度:
式中,为以/>为底的指数函数,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,/>、/>分别表示第/>个、第/>个监测位置第/>个状态参数数据序列的hurst指数,/>表示煤浆监测位置的个数。该监测位置与其余监测位置的各状态参数数据序列的hurst指数之间的差异越大,表示该监测位置的各状态参数数据序列的趋势异常度的值越大;该监测位置的各状态参数数据序列的hurst指数的值越远离1,表示各状态参数数据序列的变化越不具有长期的趋势性,则表示该监测位置的各状态参数数据序列变化越异常。
煤浆在正常输送时,其状态参数的数据值是在正常波动范围内随机变化的,而当机器出现故障或其运行参数发生改变时,会在短时间内引起部分管道内的煤浆的状态参数数据发生较大的变化,进一步引起煤浆各状态参数数据序列的长期变化趋势的改变,使得煤浆状态参数数据的长期变化趋势在各个监测位置有较显著的差异。
趋势异常度反映的是每个监测位置的各状态参数数据序列之间的整体差异性,而煤浆输送管道自身异常引起的煤浆的状态发生改变时,比如输送管道内发生煤料堆积、堵塞以及管道腐蚀时,煤浆的状态参数的长期趋势的变化并不明显,因此需要根据各个数据序列的局部分布情况来进一步的检测煤浆的状态是否发生异常。
具体的,以各状态参数数据序列中第个监测位置第/>个时刻数据点/>为例,得到数据点/>的局部异常度/>:
式中,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的位置异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的值,/>表示第/>个状态参数数据序列在第/>个时刻数据点的均值;该数据点与其余监测位置同时刻的数据点之间的差异越大,表示该数据点越疑似异常数据点。
式中,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的时间异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的值,/>表示第/>个状态参数数据序列在第/>个监测位置数据点的均值;该数据点与其余时刻相同监测位置的数据点之间的差异越大,表示该数据点越疑似异常数据点。
式中,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的局部异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的位置异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的时间异常度。该数据点与其余监测位置同时刻的数据点之间的差异越大,且该数据点与其余时刻相同监测位置的数据点之间的差异越大,表示该数据点越疑似异常数据点。
在正常情况下,煤浆输送管道中的煤浆是较平稳进行输送的,而当机器发生故障或者管道出现异常时,会引起煤浆相应的状态参数的数据出现异常波动,即数据点的位置异常度和时间异常度的值越大,表示该数据点越异常。
进一步的,根据趋势异常度和局部异常度/>得到各状态参数数据序列在每个监测位置的各个时刻的异常度/>,表达式为:
式中,表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的异常度,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的局部异常度;该数据点的趋势异常度和局部异常度越大,表示该数据点越异常,则该数据点的异常度/>的值越大。
进一步的,根据各状态参数数据序列在所有监测位置的每个时刻的异常度和各状态参数数据序列对应的煤浆状态影响因子,得到输送管道在每个监测位置各个时刻的煤浆状态异常度/>:
式中,表示第/>个监测位置第/>个时刻数据点的煤浆状态异常度,/>表示第/>个状态参数数据序列的煤浆状态影响因子,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的异常度。/>越大,表示该状态参数数据序列对应的数据点的异常度所占比重越大;/>表示煤浆的第/>个状态参数在第/>个监测位置、第/>个时刻数据点的异常度,并且异常度/>越大,表示其对应的数据点越异常。
异常监测模块,在采集的煤浆状态参数的各个数据序列中,若出现了异常数据点,则异常数据点与在正常波动范围内的数据点有一定的差异,使得二者对应的异常度有较大差异,并且异常数据点对应的异常度较大。
根据各状态参数数据序列在每个监测位置各个时刻的数据点得到的煤浆状态异常度构建煤浆状态异常监测矩阵。
式中,表示第/>个监测位置、第/>个时刻的煤浆状态异常度。
采用最大类间方差来对煤浆状态异常监测矩阵进行划分,得到状态异常阈值/>,将煤浆状态异常监测矩阵中的煤浆状态异常度大于状态异常阈值的数据点即/>记为疑似异常状态数据点。
当输送管道在某一监测位置内的煤浆状态发生异常时,其相邻监测位置以及相邻时刻的煤浆状态异常度会较接近,并且煤浆状态异常度的值均大于状态异常阈值。因此,使用DBSCAN算法对煤浆状态异常检测矩阵/>中的疑似异常状态数据点进行聚类,其中DBSCAN算法为公知技术,不再赘述。具体的,以欧氏距离作为距离度量方式,本实施例中,DBSCAN算法聚类过程中的距离半径/>和密度阈值/>分别取经验值为1和4。
进一步的,在得到的每个聚类簇中分别随机选取一个数据点,判断该数据点距离半径内的数据点是否存在核心点,若存在核心点,则该聚类簇为异常点聚类簇。需要说明的是,本实施例中所述核心点为:所在距离半径/>内数据点的个数不小于/>的数据点称为核心点。将得到的异常点聚类簇中的所有数据点对应的监测位置和时刻放入到异常数据集合中,完成对煤浆状态的在线监测。输出异常数据集合/>,由工作人员对异常数据集合/>中的数据进行后续的分析,判断煤浆状态出现异常的原因,并及时调整和优化相应的设备。
综上所述,本发明实施例提出一种基于多维传感器的煤气制甲醇过程在线监测系统,通过采集煤气制甲醇过程中的煤浆状态参数数据,分析各状态参数数据序列在煤浆状态发生异常时的分布特点以及各状态参数数据序列之间的相互影响关系,使用DBSCAN算法提取出异常数据,根据异常数据完成煤气制甲醇过程的在线监测。
本发明实施例根据各状态参数数据序列在每个监测位置的长期变化趋势,结合不同监测位置的各状态参数数据序列之间的长期变化趋势之间的差异,得到各状态参数数据序列在每个监测位置的趋势异常度,便于对数据的全面性分析;
本发明实施例对各状态参数数据序列中各个数据点计算位置异常度和时间异常度,通过局部分析各状态参数数据序列,结合对数据整体性的长期变化趋势对各状态参数数据序列中各个数据点的异常度进行计算,提高了数据分析准确度,解决了多个状态参数数据之间密度不均匀的问题,提高了DBSCAN算法的异常监测效果。本发明实施例具有较全面的数据分析,数据处理速度快,异常数据监测精度高等有益效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述系统包括:
数据采集模块:采集煤气制甲醇过程中的煤浆状态参数数据,根据采集的煤浆状态参数数据获取每个煤浆状态参数对应的状态参数数据序列;
数据处理模块:将各状态参数数据序列在每个监测位置的各个时刻的数据记作数据点;根据各状态参数数据序列之间的皮尔逊相关系数构建各状态参数数据序列之间的相关性矩阵;根据各状态参数数据序列之间的相关性矩阵得到各状态参数数据序列的煤浆状态影响因子;
根据各状态参数数据序列在每个监测位置的长期变化趋势以及长期变化趋势之间的差异程度得到各状态参数数据序列在每个监测位置的趋势异常度;根据各状态参数数据序列中各个数据点的值以及各个时刻的数据均值得到各状态参数数据序列中各个数据点的位置异常度;根据各状态参数数据序列各个数据点的值以及每个监测位置的数据均值得到各状态参数数据序列中各个数据点的时间异常度;根据各状态参数数据序列中各个数据点的位置异常度和时间异常度得到各状态参数数据序列中各个数据点的局部异常度;根据各状态参数数据序列中各个数据点的局部异常度和趋势异常度得到各状态参数数据序列中各个数据点的异常度;
根据各状态参数数据序列中各个数据点的异常度和各状态参数数据序列的煤浆状态影响因子得到各个数据点的煤浆状态异常度;
异常监测模块:根据各个数据点的煤浆状态异常度构建煤浆状态异常监测矩阵,得到疑似异常状态数据点;利用DBSCAN算法获取疑似异常状态数据点的聚类结果,根据聚类结果完成煤气制甲醇过程中的煤浆数据的在线监测。
2.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列之间的相关性矩阵得到各状态参数数据序列的煤浆状态影响因子的具体方法为:
煤浆的各状态参数数据序列之间的皮尔逊相关系数作为相关性矩阵的各元素,根据相关性矩阵中每行元素值相加的结果作为各行状态参数数据序列的状态关联度;将各状态参数数据序列的状态关联度作为分子,将各状态参数数据序列的状态关联度之和作为分母,将各状态参数数据序列的分子与分母的比值作为各状态参数数据序列的煤浆状态影响因子。
3.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列在每个监测位置的长期变化趋势以及长期变化趋势之间的差异程度得到各状态参数数据序列在每个监测位置的趋势异常度的表达式为:
式中,为自然常数,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,、/>分别表示第/>个、第/>个监测位置处第/>个状态参数数据序列的hurst指数,/>表示煤浆监测位置的个数。
4.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列中各个数据点的值以及各个时刻的数据均值得到各状态参数数据序列中各个数据点的位置异常度的表达式为:
式中,为每一监测位置采集的数据量,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的位置异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的值,/>表示第/>个状态参数数据序列在第/>个时刻数据点的均值。
5.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列各个数据点的值以及每个监测位置的数据均值得到各状态参数数据序列中各个数据点的时间异常度的具体方法为:
将各状态参数数据序列各检测位置各时刻数据点的值记作第一参数,将各状态参数数据序列各检测位置的数据序列均值记作第二参数;取第一参数与第二参数的差值的绝对值作为分子;对各监测位置的第一参数与第二参数的差值的绝对值进行求和得到分母;将分子与分母的比值作为各状态参数数据序列中各个数据点的时间异常度。
6.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列中各个数据点的位置异常度和时间异常度得到各状态参数数据序列中各个数据点的局部异常度的具体方法为:
对于各状态参数数据序列中各个数据点,分别获取各个数据点的位置异常度和时间异常度,将位置异常度和时间异常度的乘积作为各个数据点的局部异常度。
7.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列中各个数据点的局部异常度和趋势异常度得到各状态参数数据序列中各个数据点的异常度的表达式为:
式中,表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的异常度,/>表示第/>个状态参数数据序列第/>个监测位置的趋势异常度,/>表示第/>个状态参数数据序列第/>个监测位置第/>个时刻数据点的局部异常度。
8.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各状态参数数据序列中各个数据点的异常度和各状态参数数据序列的煤浆状态影响因子得到各个数据点的煤浆状态异常度的表达式为:
式中,表示第/>个监测位置第/>个时刻数据点的煤浆状态异常度,/>表示第/>个状态参数数据序列的煤浆状态影响因子,/>表示第/>个状态参数数据序列第/>个监测位置第个时刻数据点的异常度,V表示监测煤浆状态的状态参数的个数。
9.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据各个数据点的煤浆状态异常度构建煤浆状态异常监测矩阵得到疑似异常状态数据点的具体方法为:
根据各状态参数数据序列在每个监测位置各个时刻的数据点得到的煤浆状态异常度构建煤浆状态异常监测矩阵,采用最大类间方差法来对煤浆状态异常监测矩阵进行划分,得到状态异常阈值,将煤浆状态异常监测矩阵中的煤浆状态异常度大于状态异常阈值的数据点记为疑似异常状态数据点。
10.如权利要求1所述的一种基于多维传感器的煤气制甲醇过程在线监测系统,其特征在于,所述根据聚类结果完成煤气制甲醇过程中的煤浆数据的在线监测的具体方法为:
对于各聚类簇,在聚类簇中随机选取一个数据点,判断该数据点距离半径内的数据点是否存在核心点,若存在核心点,则该聚类簇为异常点聚类簇,将异常点聚类簇中所有数据点对应的监测位置和时刻放入异常数据集合,基于异常数据集合实现煤气制甲醇过程中煤浆数据的在线监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973982.1A CN116702080B (zh) | 2023-08-04 | 2023-08-04 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310973982.1A CN116702080B (zh) | 2023-08-04 | 2023-08-04 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702080A CN116702080A (zh) | 2023-09-05 |
CN116702080B true CN116702080B (zh) | 2023-10-24 |
Family
ID=87839602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310973982.1A Active CN116702080B (zh) | 2023-08-04 | 2023-08-04 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702080B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954342B (zh) * | 2023-09-18 | 2023-12-15 | 惠州市鑫晖源科技有限公司 | 基于物联网的全方位高效散热主机电源运行监测方法 |
CN116957421B (zh) * | 2023-09-20 | 2024-01-05 | 山东济宁运河煤矿有限责任公司 | 一种基于人工智能的洗选生产智能化监测系统 |
CN116955895B (zh) * | 2023-09-21 | 2023-12-15 | 山东博诚电气有限公司 | 一种变压器运行异常监测方法及系统 |
CN117007135B (zh) * | 2023-10-07 | 2023-12-12 | 东莞百舜机器人技术有限公司 | 一种基于物联网数据的液压风扇自动组装线监测系统 |
CN117056764B (zh) * | 2023-10-11 | 2024-01-09 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
CN117132170B (zh) * | 2023-10-24 | 2024-01-26 | 苏州科尔珀恩机械科技有限公司 | 一种数字化窑炉生产能耗智能预测方法 |
CN117171604B (zh) * | 2023-11-03 | 2024-01-19 | 城资泰诺(山东)新材料科技有限公司 | 基于传感器的保温板生产线异常监测系统 |
CN117407827B (zh) * | 2023-12-15 | 2024-02-13 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324676A (zh) * | 2020-02-18 | 2020-06-23 | 南京华剑兵科智能装备有限公司 | 基于模糊c均值聚类算法的机械设备润滑油在线监测系统 |
CN111768082A (zh) * | 2020-06-02 | 2020-10-13 | 广东电网有限责任公司 | 一种基于大数据分析的电力设备状态评估方法 |
CN112507455A (zh) * | 2020-12-03 | 2021-03-16 | 北京航空航天大学 | 一种卫星遥测参数长周期数据的趋势分析方法 |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
KR102266182B1 (ko) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | 복수의 시계열 데이터의 모니터링 방법 및 장치 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN115496644A (zh) * | 2022-11-18 | 2022-12-20 | 山东超华环保智能装备有限公司 | 基于数据识别的固体废弃物处理设备监测方法 |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN116055182A (zh) * | 2023-01-28 | 2023-05-02 | 北京特立信电子技术股份有限公司 | 基于访问请求路径分析的网络节点异常识别方法 |
CN116304766A (zh) * | 2023-05-25 | 2023-06-23 | 山东艾迈科思电气有限公司 | 基于多传感器的开关柜状态快速评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6707716B2 (ja) * | 2017-05-17 | 2020-06-10 | 日本電信電話株式会社 | 異常情報推定装置、異常情報推定方法及びプログラム |
-
2023
- 2023-08-04 CN CN202310973982.1A patent/CN116702080B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324676A (zh) * | 2020-02-18 | 2020-06-23 | 南京华剑兵科智能装备有限公司 | 基于模糊c均值聚类算法的机械设备润滑油在线监测系统 |
KR102266182B1 (ko) * | 2020-05-29 | 2021-06-17 | 고려대학교 산학협력단 | 복수의 시계열 데이터의 모니터링 방법 및 장치 |
CN111768082A (zh) * | 2020-06-02 | 2020-10-13 | 广东电网有限责任公司 | 一种基于大数据分析的电力设备状态评估方法 |
CN112507455A (zh) * | 2020-12-03 | 2021-03-16 | 北京航空航天大学 | 一种卫星遥测参数长周期数据的趋势分析方法 |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN115496644A (zh) * | 2022-11-18 | 2022-12-20 | 山东超华环保智能装备有限公司 | 基于数据识别的固体废弃物处理设备监测方法 |
CN116055182A (zh) * | 2023-01-28 | 2023-05-02 | 北京特立信电子技术股份有限公司 | 基于访问请求路径分析的网络节点异常识别方法 |
CN116304766A (zh) * | 2023-05-25 | 2023-06-23 | 山东艾迈科思电气有限公司 | 基于多传感器的开关柜状态快速评估方法 |
Non-Patent Citations (3)
Title |
---|
Research on Anomaly Detection Method Based on DBSCAN Clustering Algorithm;Dingsheng Deng;《IEEE Xplore》;全文 * |
基于滑动窗口和聚类算法的变压器状态异常检测;严英杰;盛戈;刘亚东;杜修明;王辉;江秀臣;;高电压技术;第42卷(第12期);全文 * |
基于统计机器学习的多模态工业过程建模与监测;王兆静;《万方数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116702080A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702080B (zh) | 一种基于多维传感器的煤气制甲醇过程在线监测系统 | |
EP2519895B1 (en) | Method and apparatus for monitoring performance and anticipate failures of plant instrumentation | |
US7966149B2 (en) | Multivariate detection of transient regions in a process control system | |
US8762106B2 (en) | Abnormal situation prevention in a heat exchanger | |
US7657399B2 (en) | Methods and systems for detecting deviation of a process variable from expected values | |
CN106647691B (zh) | 一种工业过程多回路振荡提取与检测方法 | |
WO2008014349A1 (en) | Method and system for detecting abnormal operation in a process plant | |
CN110083860B (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN102460529A (zh) | 装置异常监视方法以及系统 | |
CN112832999B (zh) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 | |
WO2008085705A1 (en) | Method and system for modeling a process in a process plant | |
CN104808651B (zh) | 化工装置关键参数合理报警限的测算方法 | |
WO2008085706A1 (en) | Method and system for modeling behavior in a process plant | |
CN103595416A (zh) | 压缩生产数据流并以不同标准过滤压缩数据的系统和方法 | |
WO2008014344A2 (en) | Model based method for detecting abnormal operation of a level regulatory control loop and associated apparatus | |
CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN108734197A (zh) | 一种湿法冶金浓密洗涤过程的故障监测与诊断方法 | |
Guo et al. | Application of qualitative trend analysis in fault diagnosis of entrained-flow coal-water slurry gasifier | |
CN109974985A (zh) | 一种单向阀性能退化评估装置及其诊断方法 | |
CN114154360A (zh) | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN116738353B (zh) | 基于数据分析的制药车间空气滤芯性能检测方法 | |
CN116541678B (zh) | 一种气站安全管道压力监测方法、装置 | |
CN109052570B (zh) | 反渗透在线水质参数采集系统 | |
WO2009046199A1 (en) | System and method for recognizing and compensating for invalid regression model applied to abnormal situation prevention |
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 |