CN116842719A - 适用于甲醇制烯烃反应器温度压力的监测方法 - Google Patents
适用于甲醇制烯烃反应器温度压力的监测方法 Download PDFInfo
- Publication number
- CN116842719A CN116842719A CN202310768402.5A CN202310768402A CN116842719A CN 116842719 A CN116842719 A CN 116842719A CN 202310768402 A CN202310768402 A CN 202310768402A CN 116842719 A CN116842719 A CN 116842719A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- reactor
- model
- data
- calculating
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 60
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 title claims description 60
- 150000001336 alkenes Chemical class 0.000 title claims description 21
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 title claims description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000000491 multivariate analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 239000003245 coal Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- LCGLNKUTAGEVQW-UHFFFAOYSA-N Dimethyl ether Chemical compound COC LCGLNKUTAGEVQW-UHFFFAOYSA-N 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 2
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000004230 steam cracking Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了适用于甲醇制烯烃反应器温度压力的监测方法,初步筛选DMTO反应器的变量;计算MIC值,并选择辅助变量;建立SVR模型;计算变量预测值与真实值之间的残差,对残差进行标准化处理,得到离线建模数据;建立PCA模型,将残差数据划分为主元空间和残差空间,在主元空间中提取变量间信息;通过PCA模型计算监测统计量及控制限;基于SVR模型对实时数据计算模型预测值,计算其与真实值的残差;对残差矩阵进行标准化,得到矩阵;对DMTO反应器进行实时监测。本发明可以提升DMTO装置反应器的实时检测精度,并可以分析出异常变化情况,进而提升了DMTO装置的稳定性和质量,具有一定的适用性。
Description
技术领域
本发明属于煤化工监测技术领域,具体涉及一种适用于甲醇制烯烃反应器温度压力的监测方法。
背景技术
在石油化工行业中,乙烯和丙烯的生产能力一定程度上代表了石化工业水平,其生产路线主要是石脑油蒸汽裂解,现有研究共同研发了新型技术-甲醇制烯烃技术,即DMTO,开创了由煤制烯烃的新技术路径,改变了烯烃生产完全依赖于石油的状况,为甲醇合成低碳烯烃开辟了一条新途径。DMTO的成功应用对促进煤化工与石油化工协调发展,实现煤炭资源清洁高效利用,保障能源安全,缓解石油资源供应紧张局面,具有重大意义。
二甲醚的转化率会随之降低,导致乙烯和丙烯的选择性降低。另一方面,温度的升高会加剧副反应速率,增加催化剂的积碳速率。因此,反应器的温度和压力通常希望被控制在较小范围内来确保过程的长周期稳定运行,同时也可提高烯烃选择性,保证DMTO装置的产品质量。在工业生产过程中,反应器的温度、压力等关键变量也是操作人员十分关注的对象。煤化工企业对生产过程的监测主要是通过DCS监测单个变量的变化来实现,其原理是观测单个变量数值是否超过限定值,当变量数值超出限定值范围时DCS系统则会报警。然而,通常情况下温度或压力的异常波动不会触及集散控制系统的报警限,基于单变量的故障识别方法也忽略了变量之间的相关性,反应器温度、压力的异常波动前兆很有可能隐藏在其他变量数据中。因此,操作人员很难通过DCS实时或提前获知反应器温度、压力的异常变化。
随着工厂中传感器的广泛应用和数据传输技术的发展,大量的包含过程信息的历史数据被储存下来,使数据驱动过程监测方法取得了快速的发展。相比于针对单个变量数值的过程监测手段,数据驱动的过程监测方法可以从多变量的角度挖掘过程运行的内在本质特征,及时识别出生产过程中的过程偏离,为操作人员提供过程评价和如何应对过程偏离提供参考。目前,基于数据驱动的过程监测算法开发的智能监测系统已在炼油和石化等行业成功应用。但是目前DMTO装置的温度压力的监测存在的检测准确度和及时性不足,以至于DMTO装置的运行和产品质量有待进一步提升。
发明内容
本发明的目的是提供一种适用于甲醇制烯烃反应器温度压力的监测方法,解决了目前DMTO装置的温度压力的监测存在的检测准确度和及时性不足,以至于DMTO装置的运行和产品质量有待进一步提升的问题。
本发明所采用的技术方案是:
适用于甲醇制烯烃反应器温度压力的监测方法,S1:初步筛选DMTO反应器的变量;S2,计算与反应器温度压力相关变量的MIC值,并选择辅助变量;S3,基于辅助变量建立SVR模型;S4,基于SVR模型计算每个变量预测值与真实值之间的残差,并对残差进行标准化处理,得到离线建模数据;S5,利用残差建立PCA模型,将残差数据划分为主元空间和残差空间,在主元空间中提取用于数据降维的变量间信息;S6,通过PCA模型计算监测统计量及控制限;S7,基于SVR模型对采集的实时数据计算模型预测值,计算其与真实值的残差;S8,使用离线建模数据对残差矩阵进行标准化,得到标准化后的矩阵;S9,对DMTO反应器进行实时监测。
本发明的特点还在于:
S9具体为:
通过离线建模时得到的载荷矩阵将标准化后的残差映射到离线建模时建立的PCA模型的主元空间中,并计算残差在主元空间上的监测统计量,通过与离线建模时的监测控制限进行对比,当连续三个点的监测统计量大于控制限时,则判定系统出现故障,系统发出报警并记录故障数据;反之则系统处于正常状态,继续对下一个时刻的数据进行监测。
S1具体为:
根据具体工艺流程初步筛选DMTO反应器温度压力相关变量作为监测变量。
S2具体为:
计算与反应器温度压力相关变量的MIC值,根据MIC值选择合适的辅助变量,然后采集生产过程一个完整周期的正常工况数据组成离线数据集X∈Rn×m,n为数据集样本个数,m为监测变量个数,MIC计算方法下所示:
首先计算两个变量间的互信息:
其中,I(X;Y)为变量X、Y的互信息,p(x)和p(y)是各自变量的边际概率密度函数,p(x,y)为变量X与变量Y之间的联合概率密度函数,记录其中最大的互信息值为I(D,x,y);为了比较不同维度之间的值,需要对互信息值进行归一化处理,归一化后的值区间在0-1之间,归一化及最大互信息值的计算公式如下:
其中,a和b是在x轴和y轴上划分格子的个数,B(n)为网格划分的上限个数,一般取值B(n)=n0.6,n为数据规模。
S3具体为:
SVR支持向量回归的原理如下:
M={(x1,y1),(x2,y2),......,(xm,ym)} (4);
对于给定训练集样本M,希望得到一个回归模型使得f(x)与y尽可能接近,w,b是待确定的回归参数,如果能够忍受f(x)与y之间最大偏差为ε,支持向量回归的求解问题就可以变为如式(5)所示形式:
其中C是正则化参数,le是不敏感损失函数如式(6)所示:
引入松弛变量ξi和后,式(5)可重写如式(7)所示:
通过拉格朗日乘子μi的引入,可以将原问题转变为对应的对偶问题来求解:
令L对w,b,ξi,的偏导数为0,即可对w,b进行确定,得到最终的支持向量回归解形式如式(9)所示:
引入核函数,从而能够完美解决数据的非线性问题,又避免了计算的复杂度过高;核函数的表达式如公式(10)所示。
k(xi,xj)=Φ(xi)TΦ(xj) (10);
其中Φ()表示非线性变换,用于将输入空间映射到高维特征空间中。
S5中,PCA具体计算步骤如下所示:
记标准化后得到的数据集为X,利用协方差矩阵计算各维度之间的相关性系数矩阵Cov(X),协方差的公式为:
然后对相关性系数矩阵Cov(YX)进行奇异值分解,可以得到其特征值和特征向量,将特征向量排成一个矩阵,就得到了载荷矩阵,它是一种线性变换,可以将原始数据映射到主元空间中:
P=[p1 p2 … pn] (13);
其中,P为载荷矩阵,λ为特征值,然后定义得分向量ti为X在各载荷向量上的投影:
ti=XTpi,(i=1,2,…,n) (14);
原矩阵X可以分解为载荷矩阵和得分矩阵的乘积加上残差矩阵E的形式,如下式所示:
其中,k表示PCA模型中的主元个数且k≤n,T=[t1 t2…tn]为得分矩阵,模型的主元个数d利用累计方差贡献率确定。
S6具体为:
通过PCA模型计算监测统计量及控制限,T2统计量是常用的多元统计量,用于监测过程异常:
T2统计量可以用来检测主元空间中的变化,定义如下:
T2统计量求取的是当前过程数据在主成分方向上的投影到模型中心点的马氏距离,代表着数据偏离模型中心的程度,T2统计量的控制限服从F分布,因此,置信水平100(1-α)%的T2控制限可由如下式(18)求得:
其中,为模型的控制限,k为PCA的主元个数,n为建模样本个数,Fk,n-k,α为F分布参数。
本发明的有益效果是,本发明适用于甲醇制烯烃反应器温度压力的监测方法,针对DMTO过程中的核心设备反应器,提出一种适用于DMTO反应器温度压力的监测方法,该方法采用支持向量回归(Support Vector Regression,SVR)方法来建立对应的回归模型以代替传统的过程机理模型。然后,通过对实际测量值与回归模型预测值之间的残差进行分析,建立过程监测模型,可以及时预警DMTO反应器温度及压力的异常变化。
本发明方法实现对反应器温度、压力异常变化的早期识别,并给出其异常变化的原因,以辅助操作人员更好的保障装置长周期平稳运行,保证装置的产品质量。
附图说明
图1是本发明适用于甲醇制烯烃反应器温度压力的监测方法的流程示意图;
图2是本发明适用于甲醇制烯烃反应器温度压力的监测方法中故障1变量变化情况的示意图;
图3是适用于甲醇制烯烃反应器温度压力的监测方法中故障1的SVR-PCA模型的监测结果示意图;
图4是适用于甲醇制烯烃反应器温度压力的监测方法中故障2变量变化情况的示意图;
图5是适用于甲醇制烯烃反应器温度压力的监测方法中故障2的SVR-PCA模型的监测结果的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明适用于甲醇制烯烃反应器温度压力的监测方法进行详细说明。
参照图1,本发明提供的适用于甲醇制烯烃反应器温度压力的监测方法,包括离线建模与在线监测两部分,离线建模部分如下所述:
1.根据具体工艺流程初步筛选DMTO反应器温度压力相关变量作为监测变量。
2.获取监测变量一个完整历史运行周期的正常工况离线数据,计算最大信息系数(Max Information Coefficient,MIC)值,选择合适的辅助变量。
3.通过上述离线建模数据为每一个变量建立SVR模型,并计算每个变量的SVR模型预测值与真实值之间的残差,并对残差进行标准化处理,得到均值为0,标准差为1的离线建模数据。
4.利用各变量的残差建立PCA模型,通过选择合适的主元个数,将残差数据划分为主元空间和残差空间,在主元空间中提取了变量间的主要信息,进一步实现对数据的降维。通过PCA模型得到监测控制限和载荷矩阵,用于对在线数据进行过程监测。
在线监测部分如下所述:
1.使用离线建模时建立的SVR模型,对实时采集的数据进行预测,并计算预测值与实际测量值之间的偏差,得到所有变的残差集。
2.使用离线建模时的残差的均值和方差,对在线数据计算得到的残差进行标准化,得到标准化后的残差。
3.通过离线建模时得到的载荷矩阵将标准化后的残差映射到离线建模时建立的PCA模型的主元空间中,并计算残差在主元空间上的监测统计量。通过与离线建模时的监测控制限进行对比,当连续3个点的监测统计量大于控制限时,则判定系统出现故障,系统发出报警并记录故障数据。反之系统处于正常状态,则继续对下一个时刻的数据进行监测。
实施例1;
下面结合附图对本发明方法进行详细说明。
步骤1:首先确定DMTO反应器本身及上下游设备相关变量初步筛选变量。
步骤2:计算与反应器温度压力相关变量的MIC值,根据MIC值选择合适的辅助变量。然后采集生产过程一个完整周期的正常工况数据组成离线数据集X∈Rn×m,n为数据集样本个数,m为监测变量个数。MIC计算方法下所示:
首先计算两个变量间的互信息(Mutual Information,MI):
其中,I(X;Y)为变量X、Y的互信息,p(x)和p(y)是各自变量的边际概率密度函数,p(x,y)为变量X与变量Y之间的联合概率密度函数。但是,变量X和Y的联合概率密度很难直接计算,为了得到概率密度,可以将两个变量的样本绘制成散点图,对散点图进行网格划分,在各个网格分区内用数据点出现在分区内的频率代替概率,从而得到该网格划分下的联合概率密度和边际概率密度。这样就可以计算出在该种网格划分下的互信息值,然后改变网格划分方式(改变各个网格的大小或改变总网格数),得到不同种网格划分的互信息值,记录其中最大的互信息值为I(D,x,y)。为了比较不同维度之间的值,需要对互信息值进行归一化处理,归一化后的值区间在[0,1]之间。归一化及最大互信息值的计算公式如下:
其中,a和b是在x轴和y轴上划分格子的个数,B(n)为网格划分的上限个数,一般取值B(n)=n0.6,n为数据规模。
步骤3:对步骤2中筛选出的每一个变量建立SVR模型,SVR是一种常用的非线性回归方法,在结构风险最小化原则基础之上发展起来,能够根据数据信息在模型学习能力和复杂度之间寻求最优性能,以获得良好的推广能力,有较强的泛化能力,能够对目标变量做出较为准确的预测,支持向量回归的原理如下:
M={(x1,y1),(x2,y2),......,(xm,ym)} (4);
对于给定训练集样本M,希望得到一个回归模型使得f(x)与y尽可能接近,w,b是待确定的回归参数,如果能够忍受f(x)与y之间最大偏差为ε,支持向量回归的求解问题就可以变为如式(5)所示形式:
其中C是正则化参数,le是不敏感损失函数如式(6)所示。
引入松弛变量ξi和后,式(5)可重写如式(7)所示。
通过拉格朗日乘子μi的引入,可以将原问题转变为对应的对偶问题来求解。
令L对w,b,ξi,的偏导数为0,即可对w,b进行确定。得到最终的支持向量回归解形式如式(9)所示:
上述情形是在原始数据线性可分情况下叙述的,如果对于给定的样本是线性不可分的,可以通过一定的方法将原始数据从原始空间变换到另一个空间上去,这个空间可能维数很高,但经过转换的数据在这个空间上是线性可分的,如果这个空间维度很高或者为无穷维的话,计算起来可能会存在困难,为了充分的解决这个问题,该方案引入了核函数,从而能够完美解决数据的非线性问题,又避免了计算的复杂度过高。
k(xi,xj)=Φ(xi)TΦ(xj) (10);
步骤(4):通过建立的SVR模型,计算每个变量预测值与真实值之间的残差,并对残差进行标准化处理,得到均值为0,标准差为1的离线建模数据。
步骤(5):利用各变量的残差建立PCA模型,通过选择合适的主元个数,将残差数据划分为主元空间和残差空间,在主元空间中提取了变量间的主要信息,进一步实现对数据的降维。PCA具体计算步骤如下所示:
记标准化后得到的数据集为X。利用协方差矩阵计算各维度之间的相关性系数矩阵Cov(X),协方差的公式为:
然后对相关性系数矩阵Cov(Y)进行奇异值分解,可以得到其特征值和特征向量。特征值表明了每个特征向量所对应的主成分方差的大小,而特征向量则是主成分的方向。将特征向量排成一个矩阵,就得到了载荷矩阵,它是一种线性变换,可以将原始数据映射到主元空间中。
P=[p1 p2 … pn] (13);
其中,P为载荷矩阵,λ为特征值。然后定义得分向量ti为X在各载荷向量上的投影:
ti=XTpi,(i=1,2,…,n) (14);
这样,原矩阵X可以分解为载荷矩阵和得分矩阵的乘积加上残差矩阵E的形式,如下式所示:
其中,k表示PCA模型中的主元个数且k≤n,T=[t1 t2 … tn]为得分矩阵。模型的主元个数d利用累计方差贡献率确定。
步骤6:通过PCA模型计算监测统计量及控制限。T2统计量是常用的多元统计量,用于监测过程异常。
T2统计量可以用来检测主元空间中的变化,定义如下:
T2统计量求取的是当前过程数据在主成分方向上的投影到模型中心点的马氏距离,代表着数据偏离模型中心的程度。T2统计量的控制限服从F分布,因此,置信水平100(1-α)%的T2控制限可由式(18)求得:
步骤7:对于采集到的实时数据根据步骤3中建立的SVR模型对每一个变量计算模型预测值,并计算与真实值的残差。
步骤8:使用步骤4中得到的均值与方差对得到的残差矩阵进行标准化,得到标准化后的矩阵。
步骤9:通过离线建模时得到的载荷矩阵将标准化后的残差映射到离线建模时建立的PCA模型的主元空间中,并计算残差在主元空间上的监测统计量。通过与离线建模时的监测控制限进行对比,当连续3个点的监测统计量大于控制限时,则判定系统出现故障,系统发出报警并记录故障数据。反之系统处于正常状态,则继续对下一个时刻的数据进行监测。
实施例2;
为说明本发明方法对DMTO反应器温度压力监测的显著效果,以某煤化工企业DMTO反应过程为例:
故障1:图1展示了从DMTO反应器中选取的一段历史数据,故障1是由于甲醇进料量的突然下降引起的,导致反应器汽提段下部温度TI16B在第902个样本点到第1350个样本点之间出现了较大的波动。这种波动可能会影响到反应器的正常运行,因此需要及时监测并进行修复。
图2为本文建立的SVR-PCA过程监测方法的监测结果图。从图中可以看出该监测模型在第939个样本点开始的T2统计量持续超过T2控制限,给工程师提供了及时的故障预警。
实施例3;
故障2:图3所示为反应器汽提段下部温度TI16B出现异常上涨的情况。该故障发生于第1125个样本点,并在10个样本点后立马恢复了正常状态。故障持续时间较短,且在故障前后TI16B有较大波动,但都在正常范围内。
SVR-PCA的监测模型在第223个样本点监测到了该故障,在第315个样本点处结束报警,成功监测到了该故障。SVR-PCA的过程监测方法具有良好的监测能力和准确性。这是因为SVR-PCA结合了支持向量回归和主成分分析两种方法的优势,在处理复杂的过程数据时能更好地提取特征信息,从而更准确地识别和监测过程中的异常情况。
本发明适用于甲醇制烯烃反应器温度压力的监测方法及方法,通过合理地设计,可以提升DMTO装置反应器的实时检测精度,并可以分析出异常变化情况,进而提升了DMTO装置的稳定性和质量,具有一定的适用性。
Claims (7)
1.适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,S1:初步筛选DMTO反应器的变量;S2,计算与反应器温度压力相关变量的MIC值,并选择辅助变量;S3,基于辅助变量建立SVR模型;S4,基于SVR模型计算每个变量预测值与真实值之间的残差,并对残差进行标准化处理,得到离线建模数据;S5,利用残差建立PCA模型,将残差数据划分为主元空间和残差空间,在主元空间中提取用于数据降维的变量间信息;S6,通过PCA模型计算监测统计量及控制限;S7,基于SVR模型对采集的实时数据计算模型预测值,计算其与真实值的残差;S8,使用离线建模数据对残差矩阵进行标准化,得到标准化后的矩阵;S9,对DMTO反应器进行实时监测。
2.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤9具体为:
通过离线建模时得到的载荷矩阵将标准化后的残差映射到离线建模时建立的PCA模型的主元空间中,并计算残差在主元空间上的监测统计量,通过与离线建模时的监测控制限进行对比,当连续三个点的监测统计量大于控制限时,则判定系统出现故障,系统发出报警并记录故障数据;反之则系统处于正常状态,继续对下一个时刻的数据进行监测。
3.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤1具体为:
根据具体工艺流程初步筛选DMTO反应器温度压力相关变量作为监测变量。
4.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤2具体为:
计算与反应器温度压力相关变量的MIC值,根据MIC值选择辅助变量,然后采集生产过程一个完整周期的正常工况数据组成离线数据集X∈Rn×m,n为数据集样本个数,m为监测变量个数,MIC计算方法下所示:
首先计算两个变量间的互信息:
其中,I(X;Y)为变量X、Y的互信息,p(x).和p(y)是各自变量的边际概率密度函数,p(x,y)为变量X与变量Y之间的联合概率密度函数,记录其中最大的互信息值为I(D,x,y);为了比较不同维度之间的值,需要对互信息值进行归一化处理,归一化后的值区间在0-1之间,归一化及最大互信息值的计算公式如下:
(2);
其中,a和b是在x轴和y轴上划分格子的个数,B(n)为网格划分的上限个数,一般取值B(n)=n0.6,n为数据规模。
5.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤3具体为:
SVR支持向量回归的原理如下:
M={(x1,y1),(x2,y2),......,(xm,ym)} (4);
对于给定训练集样本M,希望得到一个回归模型使得f(x)与y尽可能接近,w,b是待确定的回归参数,如果能够忍受f(x)与y之间最大偏差为ε,支持向量回归的求解问题就可以变为如式(5)所示形式:
其中C是正则化参数,le是不敏感损失函数如式(6)所示:
引入松弛变量ξi和后,式(5)可重写如式(7)所示:
通过拉格朗日乘子μi的引入,可以将原问题转变为对应的对偶问题来求解:
令L对w,b,ξi,的偏导数为0,即可对w,b进行确定,得到最终的支持向量回归解形式如式(9)所示:
引入核函数,以便能够完美解决数据的非线性问题,进而又避免了计算的复杂度过高;核函数的表达式如公式(10)所示:
k(xi,xj)=Φ(xi)TΦ(xj) (10);
其中Φ()表示非线性变换,用于将输入空间映射到高维特征空间中。
6.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤5中,PCA具体计算步骤如下所示:
记标准化后得到的数据集为X,利用协方差矩阵计算各维度之间的相关性系数矩阵Cov(X),协方差的公式为:
然后对相关性系数矩阵Cov(Y)进行奇异值分解,可以得到其特征值和特征向量,将特征向量排成一个矩阵,就得到了载荷矩阵,它是一种线性变换,可以将原始数据映射到主元空间中:
P=[p1 p2 … pn] (13);
其中,P为载荷矩阵,λ为特征值,然后定义得分向量ti为X在各载荷向量上的投影:
ti=XTpi,(i=1,2,…,n) (14);
原矩阵X可以分解为载荷矩阵和得分矩阵的乘积加上残差矩阵E的形式,如下式所示:
其中,k表示PCA模型中的主元个数且k≤n,T=[t1 t2 … tn]为得分矩阵,模型的主元个数d利用累计方差贡献率确定。
7.根据权利要求1所述的适用于甲醇制烯烃反应器温度压力的监测方法,其特征在于,步骤6具体为:
通过PCA模型计算监测统计量及控制限,T2统计量是常用的多元统计量,用于监测过程异常:
T2统计量可以用来检测主元空间中的变化,定义如下:
T2统计量求取的是当前过程数据在主成分方向上的投影到模型中心点的马氏距离,代表着数据偏离模型中心的程度,T2统计量的控制限服从F分布,因此,置信水平100(1-α)%的T2控制限可由如下式(18)求得:
其中,为模型的控制限,k为PCA的主元个数,n为建模样本个数,Fk,n-k,α为F分布参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768402.5A CN116842719A (zh) | 2023-06-27 | 2023-06-27 | 适用于甲醇制烯烃反应器温度压力的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768402.5A CN116842719A (zh) | 2023-06-27 | 2023-06-27 | 适用于甲醇制烯烃反应器温度压力的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842719A true CN116842719A (zh) | 2023-10-03 |
Family
ID=88169991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768402.5A Pending CN116842719A (zh) | 2023-06-27 | 2023-06-27 | 适用于甲醇制烯烃反应器温度压力的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842719A (zh) |
-
2023
- 2023-06-27 CN CN202310768402.5A patent/CN116842719A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
US11487252B2 (en) | Process model identification in a process control system | |
US7761172B2 (en) | Application of abnormal event detection (AED) technology to polymers | |
US20190227504A1 (en) | Computer System And Method For Monitoring Key Performance Indicators (KPIs) Online Using Time Series Pattern Model | |
Simoglou et al. | Multivariate statistical process control of an industrial fluidised-bed reactor | |
CN101458522A (zh) | 基于主元分析和支持向量数据描述的多工况过程监控方法 | |
CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
Deng et al. | Multimode process fault detection using local neighborhood similarity analysis | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN108181893B (zh) | 一种基于pca-kdr的故障检测方法 | |
CN103926919A (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN116842719A (zh) | 适用于甲醇制烯烃反应器温度压力的监测方法 | |
CN111914888A (zh) | 一种多工况识别与故障检测一体化的化工过程监测方法 | |
Qi et al. | Quality-related process monitoring based on improved kernel principal component regression | |
CN114841621A (zh) | 一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法 | |
Deng et al. | Fault relevant variable selection for fault diagnosis | |
Chu et al. | Operating Performance Assessment of Complex Nonlinear Industrial Process Based on Kernel Locally Linear Embedding PLS | |
Kiran et al. | Application of fault monitoring and diagnostic techniques and their challenges in petrochemical industries | |
Wang et al. | Multimode process fault detection method based on variable local outlier factor | |
Zhang et al. | Quality Anomaly Monitoring and Comprehensive Diagnosis Framework for Plant-wide Process Industries with Spatio-Temporal Coordination | |
Shardt et al. | Advanced Soft-Sensor Systems for Process Monitoring, Control, Optimisation, and Fault Diagnosis | |
Tang et al. | Distributed Process Monitoring Based on multi-block KGLPP | |
CN116956232B (zh) | 一种基于邻域保持嵌入回归的质量相关故障检测方法 | |
Degliuomini et al. | Low cost monitoring system for safe production of hydrogen from bio-ethanol | |
Pan et al. | Root cause and fault propagation analysis based on causal graph in chemical processes |
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 |