CN116823175A - 一种石油化工生产信息化系统智能运维方法及系统 - Google Patents
一种石油化工生产信息化系统智能运维方法及系统 Download PDFInfo
- Publication number
- CN116823175A CN116823175A CN202310842338.0A CN202310842338A CN116823175A CN 116823175 A CN116823175 A CN 116823175A CN 202310842338 A CN202310842338 A CN 202310842338A CN 116823175 A CN116823175 A CN 116823175A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- petrochemical production
- model
- module
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012423 maintenance Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 208
- 238000005070 sampling Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 88
- 238000007781 pre-processing Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 239000012530 fluid Substances 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 12
- 238000012217 deletion Methods 0.000 description 8
- 230000037430 deletion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种石油化工生产信息化系统智能运维方法及系统,其中,方法包括获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;根据异常预测模型判定石油化工生产是否处于异常状态;当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整;此方法对应的系统包括获取过程参数模块、判断是否异常模块、用户远程控制模块和重新训练模型模块,通过此方法和系统,能够实现实时异常检测和预警、远程控制和操作,并通过自适应的异常处理模型提高系统的智能化和自动化水平,它能够有效提高石油化工生产的安全性、稳定性和效率。
Description
技术领域
本发明提出了一种石油化工生产信息化系统智能运维方法及系统,属于石油化工技术领域。
背景技术
石油是工业的重要血液,也是非常宝贵的能源之一。近年来我国在石油化工业方面投入了非常多的精力,随着石油工业方面的科研力度不断增大,针对于石油化工相关的技术越来越丰富,石油化工行业是指化学工业中以石油为原料生产化学品的领域,广义上也包括天然气化工,石油化工作为一个新兴工业,是20世纪20年代随石油炼制工业的发展而形成,于第二次世界大战期间成长起来的,战后,石油化工的高速发展,使大量化学品的生产从传统的以煤及农林产品为原料,转移到以石油及天然气为原料的基础上来,石油化工已成为化学工业中的基干工业,在国民经济中占有极重要的地位,如今石油化工行业其管控平台难以无法对各个信息的数据进行采集和整合,且石油化工行业需要时刻防备安全隐患的发生,但石油化工生产过程出现异常时不够自动化过于依赖人工处理,进而导致隐患发生后不能迅速采取有效措施进行处理。
发明内容
本发明提供了一种石油化工生产信息化方法及系统,用以解决上述提到的问题:
本发明提出的一种石油化工生产信息化方法,所述方法包括:
获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
根据异常预测模型判定石油化工生产是否处于异常状态;
当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
进一步的,获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率模型获取该车间石油化工生产的过程参数包括:
传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
进一步的,根据异常预测模型判定石油化工生产是否处于异常状态,包括:
存储从石油化工生产过程中采集到的所有数据;
对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
将所述预处理后的数据标记为正常数据和异常数据;
使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
进一步的,当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制切断实验或是调整温度和pH值,包括:
当模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
进一步的,根据异常状态时的数据和用户的行为重新训练模型,下次出现异常系统可自动调整,包括:
PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载异常预测模型到训练模型服务器上;
PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
所述训练模型服务器根据所述实时的石油化工生产的过程参数输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
本发明提出的一种石油化工生产信息化系统智能运维系统,所述系统包括:
获取过程参数模块,用于获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
判断是否异常模块,用于根据异常预测模型判定石油化工生产是否处于异常状态;
用户远程控制模块,用于当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
重新训练模型模块,用于根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
进一步的,一种石油化工生产信息化系统智能运维系统,获取过程参数模块包括:
采集模块,用于传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
采样频率模块,用于反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
进一步的,一种石油化工生产信息化系统智能运维系统,判断是否异常模块包括:
存储模块,用于存储从石油化工生产过程中采集到的所有数据;
预处理模块,用于对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
提取特征模块,用于从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
标记数据模块,用于将所述预处理后的数据标记为正常数据和异常数据;
建立异常预测模型模块,用于使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
输入实时数据模块,用于将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
进一步的,一种石油化工生产信息化系统智能运维系统,用户远程控制模块包括:
用户获取异常信息模块,用于当异常预测模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
用户输入控制指令模块,用于根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC控制设备模块,用于PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
进一步的,一种石油化工生产信息化系统智能运维系统,重新训练模型模块包括:
服务器获取原始数据模块,用于PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
重新预处理模块,用于所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
提取特征模块,用于从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
训练调优模块,用于选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载预测模型模块,用于加载异常预测模型到训练模型服务器上;
传输模块,用于PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
判断异常模块,用于所述训练模型服务器根据所述实时的石油化工生产的过程参数判断石油化工生产是否处于异常;
加载处理模型模块,用于当石油化工生产处于异常状态时,加载异常处理模型到所述训练模型服务器上;
生成控制指令模块,用于训练模型服务器根据石油化工生产的异常行为输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
反馈模块,用于PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
本发明有益效果:通过监测石油化工生产车间的过程参数,并利用已训练好的异常预测模型,能够及时发现异常状态并进行预警。这可以帮助防止事故和潜在风险,保护人员和设备的安全;当异常状态被检测到时,系统会向用户发送信息,用户可以通过远程控制来进行相应的操作和调整,以解决异常情况。这可大大提升操作灵活性和效率,并减少停机时间和生产损失;根据异常状态时的数据和用户远程控制的行为,异常处理模型可以进行重新训练和更新,这意味着系统能够从过往的异常事件中汲取经验教训,并对模型进行持续优化,以提高异常检测和预测的准确性和效果;通过实时监测和预测异常状态,以及远程控制和自适应模型更新,可以提前发现和处理潜在的生产问题,避免设备故障、停机时间和不必要的维修费用。同时,也有助于减少人员接触危险环境的需求,降低事故风险;本发明能够实现实时异常检测和预警、远程控制和操作优化,并通过自适应的异常处理模型提高系统的智能化和自动化水平。它能够有效提高石油化工生产的安全性、稳定性和效率,同时降低成本和风险。
附图说明
图1为本发明所述一种石油化工生产信息化系统智能运维方法的示意图;
图2为本发明所述一种石油化工生产信息化系统智能运维方法的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明的一个实施例一种石油化工生产信息化系统智能运维方法,所述方法包括:
获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
根据异常预测模型判定石油化工生产是否处于异常状态;
当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
上述技术方案的原理为:从选定的待监测石油化工生产车间中按照采样频率获取石油化工生产的过程参数,并对采集到的数据进行预处理,包括数据清洗、去噪和缺失处理;在预处理后的数据上,根据需求使用特征提取方法提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征等。这些特征能够揭示数据的内在规律和隐藏模式;使用标记好的数据(正常和异常)作为训练集,利用机器学习算法(如支持向量机)建立异常预测模型。该模型能够根据提取的特征对未知样本进行分类,判断石油化工生产是否处于异常状态;将实时获取到的石油化工生产过程参数输入到训练好的异常预测模型中进行异常预测。如果模型判定石油化工生产处于异常状态,系统会向用户发送信息,并用户可以通过远程控制进行相应操作;根据异常状态时的数据和用户远程控制的行为,重新训练和优化异常处理模型。这样,下次出现异常情况时,系统能够根据更新后的模型进行自动调整和预测。
上述技术方案的效果为:通过监测石油化工生产车间的过程参数,并利用已训练好的异常预测模型,能够及时发现异常状态并进行预警。这可以帮助防止事故和潜在风险,保护人员和设备的安全;当异常状态被检测到时,系统会向用户发送信息,用户可以通过远程控制来进行相应的操作和调整,以解决异常情况。这可大大提升操作灵活性和效率,并减少停机时间和生产损失;根据异常状态时的数据和用户远程控制的行为,异常处理模型可以进行重新训练和更新,这意味着系统能够从过往的异常事件中汲取经验教训,并对模型进行持续优化,以提高异常检测和预测的准确性和效果;通过实时监测和预测异常状态,以及远程控制和自适应模型更新,可以提前发现和处理潜在的生产问题,避免设备故障、停机时间和不必要的维修费用。同时,也有助于减少人员接触危险环境的需求,降低事故风险;本发明能够实现实时异常检测和预警、远程控制和操作优化,并通过自适应的异常处理模型提高系统的智能化和自动化水平。它能够有效提高石油化工生产的安全性、稳定性和效率,同时降低成本和风险。
本发明的一个实施例,一种石油化工生产信息化系统智能运维方法,获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率模型获取该车间石油化工生产的过程参数包括:
传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
上述技术方案的原理为:采样频率模型3+k*Δ这部分表示了最小采样频率,3代表最低采样频率,k*Δ用于根据特定需求设置额外的频率增量,增加k可以提高采样频率,使数据更加密集;α*Δ+m:这部分用于调整采样频率的非线性变化。通过使用指数函数e^(-α*Δ+m),可以实现渐进的采样频率变化,α控制斜率,并且较大的α值会导致更陡峭的变化。m用于调整曲线的位置。1+e^(-α*Δ+m):这部分将非线性变化限制在(0,2)之间的范围内,确保得到可接受的采样频率;以最小采样频率和非线性变化的组合形式计算得出的最终采样频率。
上述技术方案的效果为:模型中使用了指数函数进行非线性变化,使得采样频率随时间呈现出渐进变化的特点,这种非线性变化可以更好地适应不同阶段的数据变化情况,以实现更精确和敏感的数据采集;公式中的参数(k、α、m)可以根据实际需求进行调整,以灵活地定制采样频率的变化模式。通过调整这些参数,可以在需要时增加或减少数据采集的密度,并根据具体应用场景进行优化;公式中的非线性变化部分可以在某些时间段内降低采样频率,从而减少存储和处理资源的消耗,这有助于在资源有限的情况下平衡数据采集的质量和资源成本;公式中的e^-(α*Δ+m)部分可以限制采样频率在一定范围内,避免过于频繁或过于稀疏的采样。这有助于防止过度采样导致冗余数据,或者过于间隔的采样导致信息损失;公式中的非线性变化部分可以实现平滑的采样频率变化,而不是突然的跳变,可以提供更准确和连续的数据采集。
本发明的一个实施例,一种石油化工生产信息化系统智能运维方法,其特征在于,根据异常预测模型判定石油化工生产是否处于异常状态,包括:
存储从石油化工生产过程中采集到的所有数据;
对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
将所述预处理后的数据标记为正常数据和异常数据;
使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
上述技术方案的原理为:通过传感器对石油化工生产过程中的各个参数进行实时数据采集,并将采集到的数据存储起来;对采集到的数据进行预处理,包括数据清洗、去噪和缺失处理,数据清洗用于剔除异常值或错误数据,去噪用于消除噪声干扰,缺失处理用于填补数据缺失的部分,以保证数据的质量和完整性;从预处理后的数据中提取一系列特征,包括增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征等。这些特征能够描述数据的变化趋势、波动情况和周期性等信息;将预处理后的数据标记为正常数据和异常数据。可以根据已知的故障情况或专家知识,将异常数据进行标注,以便用于训练异常预测模型;使用支持向量机(SVM)等机器学习算法对标记后的数据进行训练,建立异常预测模型。通过学习正常数据和异常数据之间的差异,模型能够判断新的输入数据是属于正常情况还是异常情况;将实时获取到的石油化工生产过程参数输入到训练好的异常预测模型中,进行异常预测。模型会根据输入数据的特征,判断该数据是否属于正常情况,如果模型输出异常警报,则表示当前生产过程存在异常情况。
上述技术方案的效果为:通过建立异常预测模型,可以在实时生产过程中对数据进行监测和预测,及时发现潜在的异常情况,提前采取措施进行干预和修复,以避免事故的发生;使用准确率等指标对建立的异常预测模型进行评估和验证。这有助于了解模型的性能和可靠性,并进一步优化模型的参数和结构;通过异常预测模型的应用,能够提高石油化工生产过程的安全性。及早发现和处理异常情况,减少事故风险,保障人员和设备的安全;异常预测系统提供了对生产过程参数的实时监控和预警功能,可以帮助运维人员及时做出调整和决策,优化生产过程,提高效率和质量;建立的异常预测模型能够对大量的数据进行分析和挖掘,从中发现潜在的规律和异常模式,为故障诊断和问题解决提供参考和指导。
本发明的一个实施例,一种石油化工生产信息化系统智能运维方法,其特征在于,当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制切断实验或是调整温度和pH值,包括:
当模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
上述技术方案的原理为:在石油化工生产过程中,通过建立异常预测模型进行实时监测,当模型判定石油化工生产处于异常状态时,系统会发送信息通知用户;用户端通过可视化界面显示获取到的石油化工生产数据。这个界面可以直观地展示各个参数的变化趋势,并提供对数据的分析和操作功能;根据获取到的石油化工生产数据,用户可以通过界面输入控制指令。这些指令包括切断实验、调整生产温度和调整pH值等操作;PLC(可编程逻辑控制器)接收用户输入的控制指令,并解析转换为相应的控制信号。然后,PLC将这些控制信号发送给执行设备,如调节阀门、加热器等,以执行用户要求的操作。
上述技术方案的效果为:通过建立异常预测模型,能够及时检测到石油化工生产过程中的异常情况,并向用户发送通知,这有助于及早发现潜在的问题,采取措施避免事故的发生;户可以通过可视化界面展示获取到的石油化工生产数据,直观地了解各个参数的变化情况。同时,用户也可以对数据进行分析,挖掘潜在的规律和异常模式;用户可以根据获取到的石油化工生产数据,输入控制指令进行操作控制。这包括切断实验、调整生产温度和调整pH值等操作,以满足生产需求和优化生产过程;PLC作为中间件,能够接收用户输入的控制指令,并将其转换为相应的控制信号。这样可以使用户的操作指令与执行设备之间建立起连接,实现精准的生产过程控制;通过该方案,用户可以远程监测和控制石油化工生产过程,及时调整参数和操作,提高生产的稳定性和效率。此外,还可以实现对历史数据的记录和分析,为生产管理提供参考依据。
本发明的一个实施例一种石油化工生产信息化系统智能运维方法,其特征在于,根据异常状态时的数据和用户的行为重新训练模型,下次出现异常系统可自动调整,包括:
PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载异常预测模型到训练模型服务器上;
PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
所述训练模型服务器根据所述实时的石油化工生产的过程参数输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
上述技术方案的原理为:PLC负责采集用户处理结果,并将其发送给训练模型服务器。通过网络传输,确保数据的及时交流和共享;训练模型服务器对接收到的数据进行预处理,包括缺失值处理、标准化和归一化等操作。这些步骤可提高数据的质量和可用性,为异常处理模型的训练提供准备;从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征。这些特征能够揭示数据的规律和异常模式,为异常处理模型提供输入;使用长短期记忆网络(LSTM)等适合处理连续时间序列数据的模型来建立异常处理模型。使用训练集对异常处理模型进行训练,并通过验证集上的性能指标进行调优;加载经过训练和调优的异常预测模型到训练模型服务器上。该模型在前述步骤中已经建立,可以用于判断石油化工生产过程中的异常情况;PLC采集实时的石油化工生产过程参数,并将这些数据通过网络传输到连接的训练模型服务器上。基于接收到的实时数据,训练模型服务器生成相应的控制指令,并通过网络传输回PLC,PLC按照接收到的控制指令执行相应的控制操作。上位机系统接收来自PLC的反馈信息,以确保操作的成功和准确性。
上述技术方案的效果为:通过建立的异常处理模型和加载的异常预测模型,能够实现对实时石油化工生产过程中的异常情况进行及时处理和预测,这有助于快速响应和解决问题,提高生产安全性和稳定性;借助训练模型服务器对实时数据的分析和处理,可以生成精确的控制结果和相应的控制指令。这有助于优化生产参数、调节设备,提高生产效率和质量;该方案实现了自动化的数据传输、模型训练和控制指令生成。通过网络连接,PLC和训练模型服务器之间可以实现实时数据交互,而上位机系统能够监控整个过程;PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作的成功和准确性,这提供了对操作结果的及时反馈,以便根据需要进行进一步的调整和处理;通过该方案,实现了异常处理、预测和控制的自动化流程。这有助于优化生产管理,提高生产效率、安全性和稳定性,降低生产成本和风险。
本发明的一个实施例一种石油化工生产信息化系统智能运维系统,其特征在于,所述系统包括:
获取过程参数模块,用于获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
判断是否异常模块,用于根据异常预测模型判定石油化工生产是否处于异常状态;
用户远程控制模块,用于当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
重新训练模型模块,用于根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
上述技术方案的原理为:从选定的待监测石油化工生产车间中按照采样频率获取石油化工生产的过程参数,并对采集到的数据进行预处理,包括数据清洗、去噪和缺失处理;在预处理后的数据上,根据需求使用特征提取方法提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征等。这些特征能够揭示数据的内在规律和隐藏模式;使用标记好的数据(正常和异常)作为训练集,利用机器学习算法(如支持向量机)建立异常预测模型。该模型能够根据提取的特征对未知样本进行分类,判断石油化工生产是否处于异常状态;将实时获取到的石油化工生产过程参数输入到训练好的异常预测模型中进行异常预测。如果模型判定石油化工生产处于异常状态,系统会向用户发送信息,并用户可以通过远程控制进行相应操作;根据异常状态时的数据和用户远程控制的行为,重新训练和优化异常处理模型。这样,下次出现异常情况时,系统能够根据更新后的模型进行自动调整和预测。
上述技术方案的效果为:通过监测石油化工生产车间的过程参数,并利用已训练好的异常预测模型,能够及时发现异常状态并进行预警。这可以帮助防止事故和潜在风险,保护人员和设备的安全;当异常状态被检测到时,系统会向用户发送信息,用户可以通过远程控制来进行相应的操作和调整,以解决异常情况。这可大大提升操作灵活性和效率,并减少停机时间和生产损失;根据异常状态时的数据和用户远程控制的行为,异常处理模型可以进行重新训练和更新,这意味着系统能够从过往的异常事件中汲取经验教训,并对模型进行持续优化,以提高异常检测和预测的准确性和效果;通过实时监测和预测异常状态,以及远程控制和自适应模型更新,可以提前发现和处理潜在的生产问题,避免设备故障、停机时间和不必要的维修费用。同时,也有助于减少人员接触危险环境的需求,降低事故风险;本发明能够实现实时异常检测和预警、远程控制和操作优化,并通过自适应的异常处理模型提高系统的智能化和自动化水平。它能够有效提高石油化工生产的安全性、稳定性和效率,同时降低成本和风险。
本发明的一个实施例一种石油化工生产信息化系统智能运维系统,获取过程参数模块包括:
采集模块,用于传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
采样频率模块,用于反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
上述技术方案的原理为:采样频率模型3+k*Δ这部分表示了最小采样频率,3代表最低采样频率,k*Δ用于根据特定需求设置额外的频率增量,增加k可以提高采样频率,使数据更加密集;α*Δ+m:这部分用于调整采样频率的非线性变化。通过使用指数函数e^(-α*Δ+m),可以实现渐进的采样频率变化,α控制斜率,并且较大的α值会导致更陡峭的变化。m用于调整曲线的位置。1+e^(-α*Δ+m):这部分将非线性变化限制在(0,2)之间的范围内,确保得到可接受的采样频率;以最小采样频率和非线性变化的组合形式计算得出的最终采样频率。
上述技术方案的效果为:模型中使用了指数函数进行非线性变化,使得采样频率随时间呈现出渐进变化的特点,这种非线性变化可以更好地适应不同阶段的数据变化情况,以实现更精确和敏感的数据采集;公式中的参数(k、α、m)可以根据实际需求进行调整,以灵活地定制采样频率的变化模式。通过调整这些参数,可以在需要时增加或减少数据采集的密度,并根据具体应用场景进行优化;公式中的非线性变化部分可以在某些时间段内降低采样频率,从而减少存储和处理资源的消耗,这有助于在资源有限的情况下平衡数据采集的质量和资源成本;公式中的e^-(α*Δ+m)部分可以限制采样频率在一定范围内,避免过于频繁或过于稀疏的采样。这有助于防止过度采样导致冗余数据,或者过于间隔的采样导致信息损失;公式中的非线性变化部分可以实现平滑的采样频率变化,而不是突然的跳变,可以提供更准确和连续的数据采集。
本发明的一个实施例一种石油化工生产信息化系统智能运维系统,判断是否异常模块包括:
存储模块,用于存储从石油化工生产过程中采集到的所有数据;
预处理模块,用于对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
提取特征模块,用于从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
标记数据模块,用于将所述预处理后的数据标记为正常数据和异常数据;
建立异常预测模型模块,用于使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
输入实时数据模块,用于将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
上述技术方案的原理为:通过传感器对石油化工生产过程中的各个参数进行实时数据采集,并将采集到的数据存储起来;对采集到的数据进行预处理,包括数据清洗、去噪和缺失处理,数据清洗用于剔除异常值或错误数据,去噪用于消除噪声干扰,缺失处理用于填补数据缺失的部分,以保证数据的质量和完整性;从预处理后的数据中提取一系列特征,包括增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征等。这些特征能够描述数据的变化趋势、波动情况和周期性等信息;将预处理后的数据标记为正常数据和异常数据。可以根据已知的故障情况或专家知识,将异常数据进行标注,以便用于训练异常预测模型;使用支持向量机(SVM)等机器学习算法对标记后的数据进行训练,建立异常预测模型。通过学习正常数据和异常数据之间的差异,模型能够判断新的输入数据是属于正常情况还是异常情况;将实时获取到的石油化工生产过程参数输入到训练好的异常预测模型中,进行异常预测。模型会根据输入数据的特征,判断该数据是否属于正常情况,如果模型输出异常警报,则表示当前生产过程存在异常情况。
上述技术方案的效果为:通过建立异常预测模型,可以在实时生产过程中对数据进行监测和预测,及时发现潜在的异常情况,提前采取措施进行干预和修复,以避免事故的发生;使用准确率等指标对建立的异常预测模型进行评估和验证。这有助于了解模型的性能和可靠性,并进一步优化模型的参数和结构;通过异常预测模型的应用,能够提高石油化工生产过程的安全性。及早发现和处理异常情况,减少事故风险,保障人员和设备的安全;异常预测系统提供了对生产过程参数的实时监控和预警功能,可以帮助运维人员及时做出调整和决策,优化生产过程,提高效率和质量;建立的异常预测模型能够对大量的数据进行分析和挖掘,从中发现潜在的规律和异常模式,为故障诊断和问题解决提供参考和指导。
本实施例一种石油化工生产信息化系统智能运维系统,用户远程控制模块包括:
用户获取异常信息模块,用于当异常预测模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
用户输入控制指令模块,用于根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC控制设备模块,用于PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
上述技术方案的原理为:在石油化工生产过程中,通过建立异常预测模型进行实时监测,当模型判定石油化工生产处于异常状态时,系统会发送信息通知用户;用户端通过可视化界面显示获取到的石油化工生产数据。这个界面可以直观地展示各个参数的变化趋势,并提供对数据的分析和操作功能;根据获取到的石油化工生产数据,用户可以通过界面输入控制指令。这些指令包括切断实验、调整生产温度和调整pH值等操作;PLC(可编程逻辑控制器)接收用户输入的控制指令,并解析转换为相应的控制信号。然后,PLC将这些控制信号发送给执行设备,如调节阀门、加热器等,以执行用户要求的操作。
上述技术方案的效果为:通过建立异常预测模型,能够及时检测到石油化工生产过程中的异常情况,并向用户发送通知,这有助于及早发现潜在的问题,采取措施避免事故的发生;户可以通过可视化界面展示获取到的石油化工生产数据,直观地了解各个参数的变化情况。同时,用户也可以对数据进行分析,挖掘潜在的规律和异常模式;用户可以根据获取到的石油化工生产数据,输入控制指令进行操作控制。这包括切断实验、调整生产温度和调整pH值等操作,以满足生产需求和优化生产过程;PLC作为中间件,能够接收用户输入的控制指令,并将其转换为相应的控制信号。这样可以使用户的操作指令与执行设备之间建立起连接,实现精准的生产过程控制;通过该方案,用户可以远程监测和控制石油化工生产过程,及时调整参数和操作,提高生产的稳定性和效率。此外,还可以实现对历史数据的记录和分析,为生产管理提供参考依据。
本发明的一个实施例一种石油化工生产信息化系统智能运维系统,重新训练模型模块包括:
服务器获取原始数据模块,用于PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
重新预处理模块,用于所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
提取特征模块,用于从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
训练调优模块,用于选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载预测模型模块,用于加载异常预测模型到训练模型服务器上;
传输模块,用于PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
判断异常模块,用于所述训练模型服务器根据所述实时的石油化工生产的过程参数判断石油化工生产是否处于异常;
加载处理模型模块,用于当石油化工生产处于异常状态时,加载异常处理模型到所述训练模型服务器上;
生成控制指令模块,用于训练模型服务器根据石油化工生产的异常行为输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
反馈模块,用于PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
上述技术方案的原理为:PLC负责采集用户处理结果,并将其发送给训练模型服务器。通过网络传输,确保数据的及时交流和共享;训练模型服务器对接收到的数据进行预处理,包括缺失值处理、标准化和归一化等操作。这些步骤可提高数据的质量和可用性,为异常处理模型的训练提供准备;从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征。这些特征能够揭示数据的规律和异常模式,为异常处理模型提供输入;使用长短期记忆网络(LSTM)等适合处理连续时间序列数据的模型来建立异常处理模型。使用训练集对异常处理模型进行训练,并通过验证集上的性能指标进行调优;加载经过训练和调优的异常预测模型到训练模型服务器上。该模型在前述步骤中已经建立,可以用于判断石油化工生产过程中的异常情况;PLC采集实时的石油化工生产过程参数,并将这些数据通过网络传输到连接的训练模型服务器上。基于接收到的实时数据,训练模型服务器生成相应的控制指令,并通过网络传输回PLC,PLC按照接收到的控制指令执行相应的控制操作。上位机系统接收来自PLC的反馈信息,以确保操作的成功和准确性。
上述技术方案的效果为:通过建立的异常处理模型和加载的异常预测模型,能够实现对实时石油化工生产过程中的异常情况进行及时处理和预测,这有助于快速响应和解决问题,提高生产安全性和稳定性;借助训练模型服务器对实时数据的分析和处理,可以生成精确的控制结果和相应的控制指令。这有助于优化生产参数、调节设备,提高生产效率和质量;该方案实现了自动化的数据传输、模型训练和控制指令生成。通过网络连接,PLC和训练模型服务器之间可以实现实时数据交互,而上位机系统能够监控整个过程;PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作的成功和准确性,这提供了对操作结果的及时反馈,以便根据需要进行进一步的调整和处理;通过该方案,实现了异常处理、预测和控制的自动化流程。这有助于优化生产管理,提高生产效率、安全性和稳定性,降低生产成本和风险。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种石油化工生产信息化系统智能运维方法,其特征在于,所述方法包括:
获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
根据异常预测模型判定石油化工生产是否处于异常状态;
当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
2.根据权利要求1所述一种石油化工生产信息化系统智能运维方法,其特征在于,获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率模型获取该车间石油化工生产的过程参数包括:
传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
3.根据权利要求1所述一种石油化工生产信息化系统智能运维方法,其特征在于,根据异常预测模型判定石油化工生产是否处于异常状态,包括:
存储从石油化工生产过程中采集到的所有数据;
对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
将所述预处理后的数据标记为正常数据和异常数据;
使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
4.根据权利要求1所述一种石油化工生产信息化系统智能运维方法,其特征在于,当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制切断实验或是调整温度和pH值,包括:
当模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
5.根据权利要求1所述一种石油化工生产信息化系统智能运维方法,其特征在于,根据异常状态时的数据和用户的行为重新训练模型,下次出现异常系统可自动调整,包括:
PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载异常预测模型到训练模型服务器上;
PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
所述训练模型服务器根据所述实时的石油化工生产的过程参数输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
6.一种石油化工生产信息化系统智能运维系统,其特征在于,所述系统包括:
获取过程参数模块,用于获取选定的待监测石油化工生产车间,并根据所述待监测石油化工生产车间按照采样频率获取该车间石油化工生产的过程参数;
判断是否异常模块,用于根据异常预测模型判定石油化工生产是否处于异常状态;
用户远程控制模块,用于当判定石油化工生产处于异常状态,向用户发送信息,用户远程控制;
重新训练模型模块,用于根据异常状态时的数据和用户远程控制的行为重新训练异常处理模型,下次出现异常系统根据所述异常处理模型可自动调整。
7.根据权利要求6所述一种石油化工生产信息化系统智能运维系统,其特征在于,获取过程参数模块包括:
采集模块,用于传感器采集反应器、储罐和管道处的温度、反应器、储罐和管道处的压力、流体在管道中的流动速率、液体反应体系的酸碱性、液体反应体系的电导能力、反应体系中的氧气浓度和反应体系的硫含量;
采样频率模块,用于反应器、储罐和管道处的温度、反应器、储罐和管道处的压力流体在管道中的流动速率按照采样频率模型检测;
其中,f采样是新的采样频率,k是用于控制变化值对采样频率影响的参数,取值范围[0.1,1],△是当前采样数值和上一次采样数值之间的变化值,α是用于控制变化值对采样频率曲线形状的参数,取值范围[1,5],m是用于调整变化值对采样频率斜率的参数,取值范围[-1,-0.1]。
8.根据权利要求6所述一种石油化工生产信息化系统智能运维系统,其特征在于,判断是否异常模块包括:
存储模块,用于存储从石油化工生产过程中采集到的所有数据;
预处理模块,用于对采集到的所有数据进行预处理,包括数据清洗、去噪和缺失处理;
提取特征模块,用于从预处理后的数据提取增量特征、差分特征、一阶导数和高阶导数特征、移动平均特征、滚动统计特征和时间序列模型特征;
标记数据模块,用于将所述预处理后的数据标记为正常数据和异常数据;
建立异常预测模型模块,用于使用支持向量机对标记后的数据建立异常预测模型,使用准确率对建立的异常预测模型进行评估和验证;
输入实时数据模块,用于将实时获取到的石油化工生产的过程参数输入到训练好的异常预测模型中,进行异常预测。
9.根据权利要求6所述一种石油化工生产信息化系统智能运维系统,其特征在于,用户远程控制模块包括:
用户获取异常信息模块,用于当异常预测模型判定出石油化工生产此时处于异常状态,可向用户发送信息,用户端可视化界面显示获取到的石油化工生产的数据;
用户输入控制指令模块,用于根据所述获取到的石油化工生产的数据,用户输入控制指令,控制指令包括:切断实验、调整生产温度和调整pH值;
PLC控制设备模块,用于PLC将用户输入的指令解析并转换为相应的控制信号,然后将其发送给执行设备。
10.根据权利要求6所述一种石油化工生产信息化系统智能运维系统,其特征在于,重新训练模型模块包括:
服务器获取原始数据模块,用于PLC存储石油化工生产中的异常数据和用户对应的对异常数据做出的处理,并将其发送给训练模型服务器;
重新预处理模块,用于所述训练模型服务器将PLC发送的数据分为训练集和验证集后,对PLC发送的数据进行必要的预处理,预处理包括缺失值处理、标准化和归一化;
提取特征模块,用于从预处理后的数据中提取时域统计特征、频域特征、统计相关性特征和增量特征;
训练调优模块,用于选择长短期记忆网络建立异常处理模型,使用训练集对所述异常处理模型进行训练,并根据验证集上的性能指标进行调优;
加载预测模型模块,用于加载异常预测模型到训练模型服务器上;
传输模块,用于PLC采集实时的石油化工生产的过程参数,然后PLC将这些数据通过网络传输到连接的所述训练模型服务器上;
判断异常模块,用于所述训练模型服务器根据所述实时的石油化工生产的过程参数判断石油化工生产是否处于异常;
加载处理模型模块,用于当石油化工生产处于异常状态时,加载异常处理模型到所述训练模型服务器上;
生成控制指令模块,用于训练模型服务器根据石油化工生产的异常行为输出控制结果并生成相应的控制指令,控制指令通过网络传输回PLC,并由PLC执行相应的控制操作;
反馈模块,用于PLC执行控制指令后,上位机系统接收到来自PLC的反馈信息,确保操作成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842338.0A CN116823175A (zh) | 2023-07-10 | 2023-07-10 | 一种石油化工生产信息化系统智能运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842338.0A CN116823175A (zh) | 2023-07-10 | 2023-07-10 | 一种石油化工生产信息化系统智能运维方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823175A true CN116823175A (zh) | 2023-09-29 |
Family
ID=88139027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842338.0A Pending CN116823175A (zh) | 2023-07-10 | 2023-07-10 | 一种石油化工生产信息化系统智能运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823175A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111567A (zh) * | 2023-10-19 | 2023-11-24 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117112514A (zh) * | 2023-10-23 | 2023-11-24 | 山东同利新材料有限公司 | 基于对氯甲基苯乙烯生产数据的记录存储方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113591951A (zh) * | 2021-07-19 | 2021-11-02 | 武汉风行在线技术有限公司 | 一种智能电视远程运维方法及系统 |
US20220050023A1 (en) * | 2020-08-11 | 2022-02-17 | GF Machining Solutions SA | System for predicting anomalies of machining |
CN114842425A (zh) * | 2022-07-04 | 2022-08-02 | 西安石油大学 | 用于石油化工工艺的异常行为识别方法及电子设备 |
-
2023
- 2023-07-10 CN CN202310842338.0A patent/CN116823175A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
US20220050023A1 (en) * | 2020-08-11 | 2022-02-17 | GF Machining Solutions SA | System for predicting anomalies of machining |
CN113591951A (zh) * | 2021-07-19 | 2021-11-02 | 武汉风行在线技术有限公司 | 一种智能电视远程运维方法及系统 |
CN114842425A (zh) * | 2022-07-04 | 2022-08-02 | 西安石油大学 | 用于石油化工工艺的异常行为识别方法及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111567A (zh) * | 2023-10-19 | 2023-11-24 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117111567B (zh) * | 2023-10-19 | 2023-12-29 | 广州恒广复合材料有限公司 | 一种洗护组合物中季铵盐生产工艺控制方法及装置 |
CN117112514A (zh) * | 2023-10-23 | 2023-11-24 | 山东同利新材料有限公司 | 基于对氯甲基苯乙烯生产数据的记录存储方法 |
CN117112514B (zh) * | 2023-10-23 | 2024-01-09 | 山东同利新材料有限公司 | 基于对氯甲基苯乙烯生产数据的记录存储方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116823175A (zh) | 一种石油化工生产信息化系统智能运维方法及系统 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
CN111949700B (zh) | 用于石化装置的智能安全保障实时优化方法及系统 | |
EP3186683B1 (en) | Intelligent programmable logic controller | |
CN112668873B (zh) | 矿山安全态势分析及预测预警方法 | |
CN116187725B (zh) | 一种用于锻造自动线的锻造设备管理系统 | |
CN116993003A (zh) | 一种设备故障预测系统及方法 | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
Godwin et al. | Classification and detection of electrical control system faults through SCADA data analysis | |
CN116880402A (zh) | 智慧工厂协同管控系统及其方法 | |
CN110083131A (zh) | 基于变化幅度的工艺参数在线预警方法及可读存储介质 | |
CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN113177362A (zh) | 基于炉温软测量模型的炉膛温度预测方法及装置 | |
CN113685166A (zh) | 一种钻井事故预警方法及系统 | |
CN112115128A (zh) | 一种基于多维传感器的5g实时动态故障处理系统 | |
CN116976863B (zh) | 基于互联网的比例阀门卡件数据分析系统 | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
Xuefeng et al. | Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique | |
CN116700197A (zh) | 一种工控监测分析预警系统及分析预警处理方法 | |
CN117559636A (zh) | 一种变压器运行状态的实时综合监测系统 |
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 |