CN117009831A - 一种精细化工事故风险预测评估方法 - Google Patents
一种精细化工事故风险预测评估方法 Download PDFInfo
- Publication number
- CN117009831A CN117009831A CN202311279664.1A CN202311279664A CN117009831A CN 117009831 A CN117009831 A CN 117009831A CN 202311279664 A CN202311279664 A CN 202311279664A CN 117009831 A CN117009831 A CN 117009831A
- Authority
- CN
- China
- Prior art keywords
- monitoring index
- moment
- point
- time period
- value
- 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.)
- Granted
Links
- 239000012847 fine chemical Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 173
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 claims abstract description 48
- 238000011084 recovery Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 10
- 238000003889 chemical engineering Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012824 chemical production Methods 0.000 abstract description 3
- 239000007788 liquid Substances 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- DGVVJWXRCWCCOD-UHFFFAOYSA-N naphthalene;hydrate Chemical compound O.C1=CC=CC2=CC=CC=C21 DGVVJWXRCWCCOD-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及事故风险预测技术领域,具体涉及一种精细化工事故风险预测评估方法。方法包括:获取萘回收过程中当前时间段内的各项监测指标数据;基于当前时间段内的各项监测指标数据获得待选点,并确定各待选点下各项监测指标的预测值;基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得各待选点对应的预测向量;基于所有待选点对应的预测向量筛选目标点,基于目标点预测下一时刻的状态向量,进而对精细化工事故风险进行评估。本发明使精细化工事故风险预测方法更加符合化工生产的实时性需求。
Description
技术领域
本发明涉及事故风险预测技术领域,具体涉及一种精细化工事故风险预测评估方法。
背景技术
精细化工中,萘是一种常见的有机化合物,常用于煤焦化、石油化工等领域。在一些工艺过程中,萘可能会以废水或废气的形式排放出来。为了减少环境污染和资源浪费,一般采取相应的方法进行萘的回收,避免对环境和人员造成不良影响。精细化工事故风险预测评估是通过对精细化工过程中可能发生的事故进行系统分析和评估,以确定事故发生的概率和可能产生的后果,从而帮助制定相应的风险管理和控制措施。
在精细化工事故风险预测中,常采用无损卡尔曼滤波(Unscented KalmanFilter,UKF)这种非线性滤波器来对系统状态进行估计和预测,而无损卡尔曼滤波预测过程中往往所有的的sigma点都参与计算,这种方法使得系统状态的预测实时性较差,进而导致精细化工事故风险评估不及时。
发明内容
为了解决现有方法在对精细化工事故风险进行预测时存在的实时性较差的问题,本发明的目的在于提供一种精细化工事故风险预测评估方法,所采用的技术方案具体如下:
本发明提供了一种精细化工事故风险预测评估方法,该方法包括以下步骤:
获取萘回收过程中当前时间段内每个时刻的各项监测指标数据;
对当前时间段内每个时刻的各项监测指标数据进行分解获得当前时刻的噪声矩阵,基于所述噪声矩阵获得不少于两个待选点,并确定各待选点下各项监测指标的预测值;根据所述各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值;
基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量;基于所有待选点对应的预测向量筛选目标点;基于目标点预测下一时刻的状态向量;
基于所述下一时刻的状态向量对精细化工事故风险进行评估。
优选的,所述根据所述各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值,包括:
对于第p个待选点下第a项监测指标:
根据当前时间段内每个时刻的第a项监测指标数据和下一时刻第p个待选点下第a项监测指标的预测值,计算当前时间段以及下一时刻中的所有第a项监测指标的均值、标准差和极差;
分别将当前时间段内每个时刻以及下一时刻的第a项监测指标与所述第a项监测指标的均值的差值,确定为对应时刻的第一特征值;计算当前时间段以及下一时刻中的所有第a项监测指标的标准差与预设调整参数的和值;将每个时刻的第一特征值与所述和值的比值,确定为每个时刻的波动指标;
根据所有时刻的波动指标和所述极差,得到下一时刻第p个待选点下第a项监测指标的波动评价值。
优选的,采用如下公式计算下一时刻第p个待选点下第a项监测指标的波动评价值:
其中,为下一时刻第p个待选点下第a项监测指标的波动评价值;N为当前时间
段以及下一时刻的所有时刻的总数量;为当前时间段以及下一时刻中第i个时刻的第a项
监测指标数据,下一时刻第a项监测指标数据为下一时刻第a项监测指标的预测值;为当
前时间段以及下一时刻中的所有第a项监测指标数据的均值;为当前时间段以及下一时
刻中的所有第a项监测指标数据的标准差;为当前时间段以及下一时刻中的所有第a项
监测指标数据的最大值;为当前时间段以及下一时刻中的所有第a项监测指标数据的
最小值,为预设调整参数;。
优选的,所述基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量,包括:
对于第p个待选点:
对于第a项监测指标:将下一时刻第p个待选点第a项监测指标的波动评价值与当前时刻第p个待选点第a项监测指标的波动评价值之间的差值,确定为第p个待选点对应的第a项监测指标的参考值;
基于第p个待选点对应的所有监测指标的参考值,构建下一时刻第p个待选点对应的预测向量。
优选的,所述基于所有待选点对应的预测向量筛选目标点,包括:
采用DBSCAN算法对所有待选点对应的预测向量进行聚类获得聚类结果;基于所述聚类结果筛选目标点。
优选的,基于所述聚类结果筛选目标点,包括:
将每个聚类簇的聚类中心的预测向量所对应的待选点,确定为目标点。
优选的,所述对当前时间段内每个时刻的各项监测指标数据进行分解获得当前时刻的噪声矩阵,包括:
分别对当前时间段内所有时刻的各项监测指标数据进行STL分解,将获得的残差项作为观测噪声,对所述观测噪声计算噪声的方差和协方差,基于所述噪声的方差和协方差获得噪声矩阵。
优选的,所述基于目标点预测下一时刻的状态向量,包括:
基于当前时间段内每个时刻的所有监测指标数据,构建当前时间段内每个时刻的状态向量;
将所有的目标点以及当前时间段内所有时刻的状态向量输入无损卡尔曼滤波器中,输出下一时刻的状态向量。
优选的,所述基于所述噪声矩阵获得不少于两个待选点,并确定各待选点下各项监测指标的预测值,包括:
基于当前时刻的各项监测指标数据构建当前时刻的状态向量;
采用无损卡尔曼滤波对所述当前时刻的状态向量和所述噪声矩阵进行处理,获得sigma点集,将所述sigma点集中的点作为待选点;
分别将各待选点输入到状态转移函数中,获得各待选点下各项监测指标的预测值。
优选的,所述基于所述下一时刻的状态向量对精细化工事故风险进行评估,包括:
计算所述下一时刻的状态向量与标准状态向量的相似度;当所述相似度大于相似度阈值时,判定精细化工不存在事故风险;当所述相似度小于或等于相似度阈值时,判定精细化工存在事故风险。
本发明至少具有如下有益效果:
本发明根据每个待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到了下一时刻每个待选点下各项监测指标的波动评价值,综合下一时刻波动评价值与当前时刻波动评价值的差异情况进行目标点的选取,筛选出最具代表性的目标点,相比全部待选点参与监测指标数据的预测,虽然大量待选点能够提供充足的系统可能改变的方向进行下一时刻系统状态的推断,但是化工生产中化学反应速率相对较快,全部目标点参与计算带来的预测延迟可能使反应进程产生不可逆的损伤,进而影响生产的安全性与产品的产出率,本发明提供的方法在保证系统状态变化能被充分表示的情况下精简了目标点的数量,排除了一些对预测结果产生干扰的目标点,保证精细化工事故风险的评估准确性的同时提高了精细化工事故风险的评估效率,使预测方法更加符合化工生产的实时性需求。
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为本发明实施例所提供的一种精细化工事故风险预测评估方法的流程图。
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精细化工事故风险预测评估方法进行详细说明如下。
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精细化工事故风险预测评估方法的具体方案。
一种精细化工事故风险预测评估方法实施例:
本实施例所针对的具体场景为:萘在回收的过程中,萘回收设备使用的萘水捕集器收集水解吹萘设备产出的萘水混合物,并将萘和水分离出来,此时分离出的水pH值约为5-6。为减少系统工艺用水,萘水需回用至萘水捕集设备,在回用前需加碱溶液进行pH值调节至7-9,在萘的整个回收过程中,监测指标是不断变化的,不同的监测指标的变化程度不同。本实施例将采集萘回收过程中的各项监测指标数据,基于采集到的监测指标数据对下一时刻的监测指标进行预测,并基于预测结果提前对精细化工事故风险进行评估。
本实施例提出了一种精细化工事故风险预测评估方法,如图1所示,本实施例的一种精细化工事故风险预测评估方法包括以下步骤:
步骤S1,获取萘回收过程中当前时间段内每个时刻的各项监测指标数据。
在对萘回收过程中的事故风险预测进行评估时,需要采集各项监测指标数据。萘是液体中的目标物质,可以将萘的浓度作为系统状态变量之一。液体系统中的水流量是一个重要的参数,可以作为系统状态变量之一。液体的温度对系统的运行和回收效果有影响,可以将液体的温度作为系统状态变量之一。液体的pH值也是液体系统中需要考虑的参数,可以将pH值作为系统状态变量之一。溶解氧浓度可以反映液体中的氧气含量,对液体处理过程存在影响,可以将溶解氧浓度作为系统状态变量之一。因此本实施例中采集的萘回收过程中的监测指标包括萘的浓度、液体系统中的水流量、液体的温度、液体的pH值、溶解氧浓度。
本实施例首先采集萘回收过程中当前时间段内的各项监测指标数据,当前时间段为与当前时刻的时间间隔小于等于预设时长的所有历史时刻构成的集合,将当前时间段内的最后一个时刻作为当前时刻,本实施例中的预设时长为半小时,因此本实施例中的当前时间段为最近半小时,本实施例中各项监测指标数据每秒采集一次,也即当前时间段内每秒采集一个萘的浓度数据、一个水流量数据、一个温度数据、一个pH值、一个溶解氧浓度数据。在具体应用中,实施者可根据具体情况设置预设时长和监测指标数据的采集频率。
至此,本实施例获取了萘回收过程中当前时间段内每个时刻的各项监测指标数据。
步骤S2,对当前时间段内每个时刻的各项监测指标数据进行分解获得当前时刻的噪声矩阵,基于所述噪声矩阵获得不少于两个待选点,并确定各待选点下各项监测指标的预测值;根据所述各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值。
本实施例已经获得了萘回收过程中当前时间段内每个时刻的各项监测指标数据,接下来将分别对当前时间段内所有时刻的各项监测指标数据进行STL分解,将获得的残差项作为观测噪声,对所述观测噪声计算噪声的方差和协方差,基于所述噪声的方差和协方差获得噪声矩阵。噪声矩阵为对称矩阵,矩阵中对角线上的元素是各个观测量的噪声方差,非对角线上的元素是各个观测量噪声的协方差。STL分解、基于噪声的方差和协方差获得噪声矩阵的方法均为现有技术,此处不再过多赘述。
在采用无损卡尔曼滤波算法对监测指标进行预测时,sigma点代表了特殊的系统状态,因此,通过系统状态的变化情况能够得到部分待选位置,现有通过平方根矩阵法只能筛选部分明显变化位置,而丢失了状态改变的描述信息,由于不同浓度的含萘液体回收过程中,监测数据变化速率不相同,形成的数值波动情况也不相同,因此本实施例将从所有的sigma点中筛选更能描述状态信息的sigma点,提高监测指标数据的预测结果。
由于无损卡尔曼滤波更侧重非线性系统识别,sigma点作为UKF的代表点,代表了
系统状态产生变化的位置,因此本实施例首先基于当前时刻的各项监测指标数据构建当前
时刻的状态向量,即,其中,为当前时刻的状态向量,为当前时刻的萘的浓
度,为当前时刻的液体系统中的水流量,为当前时刻的液体的温度,为当前时刻的液体
的pH值,为当前时刻的溶解氧浓度;采用无损卡尔曼滤波对所述当前时刻的状态向量和所
述噪声矩阵进行处理,获得sigma点集,其中,第一个sigma点处于系统均值位置,其他sigma
点分布在距离系统均值周围不同的位置;将所述sigma点集中的点作为待选点,并获得各待
选点下各项监测指标的预测值。采用无损卡算法尔曼滤波获得sigma点集以及sigma点集中
每个sigma点对应的预测值为现有技术,此处不再过多赘述。
考虑到从sigma点集中选取越多的目标点,预测结果越精确,但是会伴随着大量的计算资源消耗,因此本实施例将从所有待选点中筛选更能够反映系统状态的目标点,基于目标点预测下一时刻的监测指标数据,在预测结果的偏差保持较小范围的情况下,尽量减少sigma点的数量,保证计算的实时性。
预期的目标点选取位置应当是当系统状态从一个相对稳定状态转化为另一个稳定状态,稳定状态代表系统状态产生比较相似的波动情况,因此将待选点所产生的系统状态改变与更早的系统状态相似波动的特征进行比较,选取目标点,使得当前时刻状态向量发生显著变化的情况,得到对于当前系统状态能产生明显影响的目标点。
当前时刻的状态向量能够代表反应进程描述的特殊性,而待选点能够反映当前系统状态可能受到的影响,本实施例通过分析改变的系统状态能否保持原始系统状态的改变趋势,将待选点所改变的系统状态之间进行冗余的筛选,保留足够充分的改变状态所对应的待选点,在满足sigma点对于系统影响因素的充分表示的特性同时,减少了部分冗余待选点参与滤波预测造成的计算开销增加。
每个待选点都代表了系统状态的一个假设值,通过对这些假设值进行传播和更新,可以近似系统状态的变化。不同的待选点之间对系统状态产生影响的方式体现为反应进程并非随监测值变化而线性变化。具体而言,通过将每个待选点传递到系统的状态转移函数中,可以获得对应的预测值。然后,通过对预测值之间的相似性进行分析,可以得到对系统状态的估计的重复特征,将较为相似的预测值进行合并,从这个合并的相似组中提取最具有代表性的预测状态至所对应的待选点作为目标点。
具体地,本实施例分别将各待选点输入到状态转移函数中,获得各待选点下各项监测指标的预测值。状态转移函数为现有函数,将sigma点输入到状态转移函数中获得预测值的方法为现有技术,此处不再过多赘述。由于反应进程进行到不同阶段时,会导致监测数值产生将相邻的一段较为相似历史数据的相似特征破坏的变化情况,能够反映对应待选点的预测值表现的波动情况。因此,本实施例将根据各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值。接下来本实施例将以一个待选点为例进行说明,对于其他待选点均可采用本实施例提供的方法进行处理。
对于第p个待选点下第a项监测指标:
根据当前时间段内每个时刻的第a项监测指标数据和下一时刻第p个待选点下第a项监测指标的预测值,计算当前时间段以及下一时刻中的所有第a项监测指标的均值、标准差和极差;分别将当前时间段内每个时刻以及下一时刻的第a项监测指标与所述第a项监测指标的均值的差值,确定为对应时刻的第一特征值;计算当前时间段以及下一时刻中的所有第a项监测指标的标准差与预设调整参数的和值;将每个时刻的第一特征值与所述和值的比值,确定为每个时刻的波动指标;根据所有时刻的波动指标和所述极差,得到下一时刻第p个待选点下第a项监测指标的波动评价值。下一时刻第p个待选点下第a项监测指标的波动评价值的具体计算公式为:
其中,为下一时刻第p个待选点下第a项监测指标的波动评价值;N为当前时间
段以及下一时刻的所有时刻的总数量;为当前时间段以及下一时刻中第i个时刻的第a项
监测指标数据,下一时刻第a项监测指标数据为下一时刻第a项监测指标的预测值;为当
前时间段以及下一时刻中的所有第a项监测指标数据的均值;为当前时间段以及下一时
刻中的所有第a项监测指标数据的标准差;为当前时间段以及下一时刻中的所有第a项
监测指标数据的最大值;为当前时间段以及下一时刻中的所有第a项监测指标数据的
最小值,为预设调整参数;。
表示第i个时刻的第一特征值,表示第i个时刻的波动指标。波动评价
值计算公式中引入预设调整参数是为了防止分母为0,本实施例中预设调整参数为0.01,在
具体应用中,实施者可根据具体情况进行设置。波动评价值计算公式前半部分中监测指标
数据与均值的差值和标准差之比反映监测指标数据的偏差,偏差通过四次方扩大后当前状
态指标的数据峰度越明显。同时,大幅变化的离群数据的数据变化范围越大,说明数据的波
动程度越大,因此本实施例结合监测指标数据的极差对监测指标数据的波动程度进行综合
评价,体现出监测指标的数据变化特点。若当前时间段以及下一时刻中第i个时刻的第a项
监测指标数据与监测指标数据的均值之间的差值越大、当前时间段以及下一时刻中的所有
第a项监测指标数据的极差越大时,说明第p个待选点下第a项监测指标数据的波动程度越
大,即第p个待选点下第a项监测指标的波动评价值越大。
采用上述方法,能够获得下一时刻每个候选点下每项监测指标的波动评价值。
步骤S3,基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量;基于所有待选点对应的预测向量筛选目标点;基于目标点预测下一时刻的状态向量。
采用步骤S2中的方法获得了下一时刻每个候选点下每项监测指标的波动评价值,同理,根据当前时间段内所有时刻的第a项监测指标数据,可以计算得到当前时刻每个候选点下每项监测指标的波动评价值;当前时刻每个候选点下每项监测指标的波动评价值的计算方法与下一时刻每个候选点下每项监测指标的波动评价值的计算方法类似,由于下一时刻每个候选点下每项监测指标的波动评价值的具体计算方法已在步骤S2中进行了详细说明,因此此处不再对当前时刻每个候选点下每项监测指标的波动评价值的具体计算方法进行详细说明。接下来本实施例将根据下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量,并基于获得的预测向量筛选目标点。
具体地,对于第p个待选点:
对于第a项监测指标:将下一时刻第p个待选点第a项监测指标的波动评价值与当
前时刻第p个待选点第a项监测指标的波动评价值之间的差值,确定为第p个待选点对应的
第a项监测指标的参考值;基于第p个待选点对应的所有监测指标的参考值,构建下一时刻
第p个待选点对应的预测向量,即,其中,为下一时刻第p个待选点对应的
预测向量,为第p个待选点对应的第1个监测指标的参考值,为第p个待选点对应的第2
个监测指标的参考值,为第p个待选点对应的第k个监测指标的参考值,k为监测指标的种
类数。
采用上述方法,能够获得下一时刻每个待选点对应的预测向量。采用DBSCAN算法对所有待选点对应的预测向量进行聚类,获得多个聚类簇,将每个聚类簇的聚类中心的预测向量所对应的待选点,确定为目标点,每个聚类簇存在一个目标点,至此,采用本实施例提供的方法筛选出了多个目标点。DBSCAN算法为现有技术,此处不再过多赘述。
本实施例基于当前时间段内每个时刻的所有监测指标数据,构建当前时间段内每
个时刻的状态向量,对于当前时间段内任一时刻,其对应的状态向量为,
其中,为该时刻的状态向量,为该时刻萘的浓度,为该时刻液体系统中的水流量,为
该时刻液体的温度,为该时刻液体的pH值,为该时刻溶解氧浓度。
将所有的目标点以及当前时间段内所有时刻的状态向量输入无损卡尔曼滤波器中,输出下一时刻的状态向量。
步骤S4,基于所述下一时刻的状态向量对精细化工事故风险进行评估。
本实施例将下一时刻的状态向量与标准状态向量进行比较,基于比较结果对精细化工事故风险进行评估。其中,标准状态向量可以是人为提前设置好的状态向量,标准状态向量为不存在任何事故时的状态向量;计算下一时刻的状态向量与标准状态向量的相似度,并根据具体情况设置相似度阈值,下一时刻的状态向量与标准状态向量的相似度越大,说明下一时刻越不可能存在事故风险,当计算出的相似度大于相似度阈值时,说明下一时刻越不可能出现事故,因此判定精细化工不存在事故风险;当计算出的相似度小于或等于相似度阈值时,说明下一时刻越可能出现事故,因此判定精细化工存在事故风险,此时可以进行预警处理,以提醒工作人员及时采取相应的措施,避免事故的发生。本实施例中的相似度选用的是余弦相似度,本实施例中的相似度阈值为0.7,在具体应用中,实施者可根据具体情况进行设置。
至此,采用本实施例提供的方法,完成了对精细化工事故风险的预测评估。
本实施例根据每个待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到了下一时刻每个待选点下各项监测指标的波动评价值,综合下一时刻波动评价值与当前时刻波动评价值的差异情况进行目标点的选取,筛选出最具代表性的目标点,相比全部待选点参与监测指标数据的预测,虽然大量待选点能够提供充足的系统可能改变的方向进行下一时刻系统状态的推断,但是化工生产中化学反应速率相对较快,全部目标点参与计算带来的预测延迟可能使反应进程产生不可逆的损伤,进而影响生产的安全性与产品的产出率,本实施例提供的方法在保证系统状态变化能被充分表示的情况下精简了目标点的数量,排除了一些对预测结果产生干扰的目标点,保证精细化工事故风险的评估准确性的同时提高了精细化工事故风险的评估效率,使预测方法更加符合化工生产的实时性需求。
需要说明的是: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)
1.一种精细化工事故风险预测评估方法,其特征在于,该方法包括以下步骤:
获取萘回收过程中当前时间段内每个时刻的各项监测指标数据;
对当前时间段内每个时刻的各项监测指标数据进行分解获得当前时刻的噪声矩阵,基于所述噪声矩阵获得不少于两个待选点,并确定各待选点下各项监测指标的预测值;根据所述各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值;
基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量;基于所有待选点对应的预测向量筛选目标点;基于目标点预测下一时刻的状态向量;
基于所述下一时刻的状态向量对精细化工事故风险进行评估。
2.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述根据所述各待选点下各项监测指标的预测值以及当前时间段内所有时刻的各项监测指标数据,得到下一时刻各待选点下各项监测指标的波动评价值,包括:
对于第p个待选点下第a项监测指标:
根据当前时间段内每个时刻的第a项监测指标数据和下一时刻第p个待选点下第a项监测指标的预测值,计算当前时间段以及下一时刻中的所有第a项监测指标的均值、标准差和极差;
分别将当前时间段内每个时刻以及下一时刻的第a项监测指标与所述第a项监测指标的均值的差值,确定为对应时刻的第一特征值;计算当前时间段以及下一时刻中的所有第a项监测指标的标准差与预设调整参数的和值;将每个时刻的第一特征值与所述和值的比值,确定为每个时刻的波动指标;
根据所有时刻的波动指标和所述极差,得到下一时刻第p个待选点下第a项监测指标的波动评价值。
3.根据权利要求2所述的一种精细化工事故风险预测评估方法,其特征在于,采用如下公式计算下一时刻第p个待选点下第a项监测指标的波动评价值:
其中,为下一时刻第p个待选点下第a项监测指标的波动评价值;N为当前时间段以及下一时刻的所有时刻的总数量;/>为当前时间段以及下一时刻中第i个时刻的第a项监测指标数据,下一时刻第a项监测指标数据为下一时刻第a项监测指标的预测值;/>为当前时间段以及下一时刻中的所有第a项监测指标数据的均值;/>为当前时间段以及下一时刻中的所有第a项监测指标数据的标准差;/>为当前时间段以及下一时刻中的所有第a项监测指标数据的最大值;/>为当前时间段以及下一时刻中的所有第a项监测指标数据的最小值,为预设调整参数;/>。
4.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述基于下一时刻各待选点下各项监测指标的波动评价值与当前时刻对应待选点下监测指标的波动评价值之间的差异,获得下一时刻各待选点对应的预测向量,包括:
对于第p个待选点:
对于第a项监测指标:将下一时刻第p个待选点第a项监测指标的波动评价值与当前时刻第p个待选点第a项监测指标的波动评价值之间的差值,确定为第p个待选点对应的第a项监测指标的参考值;
基于第p个待选点对应的所有监测指标的参考值,构建下一时刻第p个待选点对应的预测向量。
5.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述基于所有待选点对应的预测向量筛选目标点,包括:
采用DBSCAN算法对所有待选点对应的预测向量进行聚类获得聚类结果;基于所述聚类结果筛选目标点。
6.根据权利要求5所述的一种精细化工事故风险预测评估方法,其特征在于,基于所述聚类结果筛选目标点,包括:
将每个聚类簇的聚类中心的预测向量所对应的待选点,确定为目标点。
7.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述对当前时间段内每个时刻的各项监测指标数据进行分解获得当前时刻的噪声矩阵,包括:
分别对当前时间段内所有时刻的各项监测指标数据进行STL分解,将获得的残差项作为观测噪声,对所述观测噪声计算噪声的方差和协方差,基于所述噪声的方差和协方差获得噪声矩阵。
8.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述基于目标点预测下一时刻的状态向量,包括:
基于当前时间段内每个时刻的所有监测指标数据,构建当前时间段内每个时刻的状态向量;
将所有的目标点以及当前时间段内所有时刻的状态向量输入无损卡尔曼滤波器中,输出下一时刻的状态向量。
9.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述基于所述噪声矩阵获得不少于两个待选点,并确定各待选点下各项监测指标的预测值,包括:
基于当前时刻的各项监测指标数据构建当前时刻的状态向量;
采用无损卡尔曼滤波对所述当前时刻的状态向量和所述噪声矩阵进行处理,获得sigma点集,将所述sigma点集中的点作为待选点;
分别将各待选点输入到状态转移函数中,获得各待选点下各项监测指标的预测值。
10.根据权利要求1所述的一种精细化工事故风险预测评估方法,其特征在于,所述基于所述下一时刻的状态向量对精细化工事故风险进行评估,包括:
计算所述下一时刻的状态向量与标准状态向量的相似度;当所述相似度大于相似度阈值时,判定精细化工不存在事故风险;当所述相似度小于或等于相似度阈值时,判定精细化工存在事故风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279664.1A CN117009831B (zh) | 2023-10-07 | 2023-10-07 | 一种精细化工事故风险预测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279664.1A CN117009831B (zh) | 2023-10-07 | 2023-10-07 | 一种精细化工事故风险预测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009831A true CN117009831A (zh) | 2023-11-07 |
CN117009831B CN117009831B (zh) | 2023-12-08 |
Family
ID=88567550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311279664.1A Active CN117009831B (zh) | 2023-10-07 | 2023-10-07 | 一种精细化工事故风险预测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009831B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238507A (zh) * | 2023-11-10 | 2023-12-15 | 锦恒科技(大连)有限公司 | 基于物联网的重症护理监测系统 |
CN117442288A (zh) * | 2023-12-20 | 2024-01-26 | 中国人民解放军总医院第八医学中心 | 一种电动止血带压力值智能调控系统 |
CN117785589A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市众悦科技有限公司 | 一种笔记本电脑灵动触控检测方法及系统 |
CN118033409A (zh) * | 2024-04-15 | 2024-05-14 | 三峡金沙江川云水电开发有限公司 | 一种gcb灭弧室开关电阻测试方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937534B (zh) * | 2012-11-26 | 2014-08-27 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN106355883B (zh) * | 2016-10-20 | 2019-11-29 | 同济大学 | 一种获取交通事故发生概率的方法、装置及系统 |
CN109460890B (zh) * | 2018-09-21 | 2021-08-06 | 浙江大学 | 一种基于强化学习与控制性能监测的智能自愈方法 |
CN109740210B (zh) * | 2018-12-21 | 2020-10-13 | 中国石油大学(北京) | 一种页岩气压裂井下砂堵事故实时风险评估方法及装置 |
CN113053171B (zh) * | 2021-03-10 | 2023-03-24 | 南京航空航天大学 | 一种民机系统风险预警方法及系统 |
CN113077097B (zh) * | 2021-04-14 | 2023-08-25 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
CN113705074B (zh) * | 2021-05-25 | 2024-03-08 | 江苏省安全生产科学研究院 | 一种化工事故风险预测方法及装置 |
CN113823409B (zh) * | 2021-09-23 | 2023-12-29 | 重庆山外山血液净化技术股份有限公司 | 一种透析中低血压事件风险的评估方法和系统 |
CN114036810A (zh) * | 2021-11-04 | 2022-02-11 | 江南大学 | 一种细胞培养状态在线估计及优化补料调控方法 |
CN114429308B (zh) * | 2022-02-08 | 2024-06-07 | 河南鑫安利安全科技股份有限公司 | 一种基于大数据的企业安全风险评估方法及系统 |
CN114595948A (zh) * | 2022-02-23 | 2022-06-07 | 南京化科天创科技有限公司 | 基于人工智能的多风险参数企业风险评估方法及系统 |
CN116050564A (zh) * | 2022-09-14 | 2023-05-02 | 安徽长江工业大数据科技股份公司 | 基于尾矿库坝体位移预测的算法流程 |
CN116104663A (zh) * | 2023-01-16 | 2023-05-12 | 西安航天动力研究所 | 一种火箭发动机故障诊断方法、装置及介质 |
CN116665904B (zh) * | 2023-07-31 | 2023-10-20 | 营动智能技术(山东)有限公司 | 一种基于云计算的慢性病患者健康数据跟踪分析系统 |
-
2023
- 2023-10-07 CN CN202311279664.1A patent/CN117009831B/zh active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238507A (zh) * | 2023-11-10 | 2023-12-15 | 锦恒科技(大连)有限公司 | 基于物联网的重症护理监测系统 |
CN117238507B (zh) * | 2023-11-10 | 2024-01-30 | 锦恒科技(大连)有限公司 | 基于物联网的重症护理监测系统 |
CN117442288A (zh) * | 2023-12-20 | 2024-01-26 | 中国人民解放军总医院第八医学中心 | 一种电动止血带压力值智能调控系统 |
CN117442288B (zh) * | 2023-12-20 | 2024-03-05 | 中国人民解放军总医院第八医学中心 | 一种电动止血带压力值智能调控系统 |
CN117785589A (zh) * | 2024-02-27 | 2024-03-29 | 深圳市众悦科技有限公司 | 一种笔记本电脑灵动触控检测方法及系统 |
CN117785589B (zh) * | 2024-02-27 | 2024-05-17 | 深圳市众悦科技有限公司 | 一种笔记本电脑灵动触控检测方法及系统 |
CN118033409A (zh) * | 2024-04-15 | 2024-05-14 | 三峡金沙江川云水电开发有限公司 | 一种gcb灭弧室开关电阻测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117009831B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117009831B (zh) | 一种精细化工事故风险预测评估方法 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
Yu | Hidden Markov models combining local and global information for nonlinear and multimodal process monitoring | |
Yu | A particle filter driven dynamic Gaussian mixture model approach for complex process monitoring and fault diagnosis | |
Dong et al. | Adaptive total PLS based quality-relevant process monitoring with application to the Tennessee Eastman process | |
Madakyaru et al. | Improved data-based fault detection strategy and application to distillation columns | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
Zhang et al. | Fault detection and diagnosis for missing data systems with a three time-slice dynamic Bayesian network approach | |
Yu | A new fault diagnosis method of multimode processes using Bayesian inference based Gaussian mixture contribution decomposition | |
CN106773693B (zh) | 一种工业控制多回路振荡行为稀疏因果分析方法 | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
Wang et al. | Hidden Markov model-based approach for multimode process monitoring | |
Zhou et al. | A study of polynomial fit-based methods for qualitative trend analysis | |
Deng et al. | Multimode process fault detection using local neighborhood similarity analysis | |
Maestri et al. | A robust clustering method for detection of abnormal situations in a process with multiple steady-state operation modes | |
Tao et al. | A supervised adaptive resampling monitoring method for quality indicator in time-varying process | |
Cheng et al. | Optimized forecast components-SVM-based fault diagnosis with applications for wastewater treatment | |
Zhao et al. | Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description | |
Tao et al. | A supervised multisegment probability density analysis method for incipient fault detection of quality indicator | |
Parvez et al. | An association rule mining approach to predict alarm events in industrial alarm floods | |
CN113253682B (zh) | 非线性化工过程故障检测方法 | |
Zhang et al. | Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study | |
Tsai et al. | Exponentially weighted moving average control charts for three-level products | |
Chetouani | Using the kalman filtering for the fault detection and isolation (FDI) in the nonlinear dynamic processes | |
Wang et al. | Multimode process fault detection method based on variable local outlier factor |
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 |