JP2023138371A - 石油化学プロセスの異常変化予測及び故障早期警報方法 - Google Patents
石油化学プロセスの異常変化予測及び故障早期警報方法 Download PDFInfo
- Publication number
- JP2023138371A JP2023138371A JP2023028102A JP2023028102A JP2023138371A JP 2023138371 A JP2023138371 A JP 2023138371A JP 2023028102 A JP2023028102 A JP 2023028102A JP 2023028102 A JP2023028102 A JP 2023028102A JP 2023138371 A JP2023138371 A JP 2023138371A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- petrochemical
- failure
- model
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 140
- 230000008569 process Effects 0.000 title claims abstract description 86
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 58
- 230000008859 change Effects 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 25
- 208000024891 symptom Diseases 0.000 claims description 16
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000005654 stationary process Effects 0.000 claims description 7
- 238000011985 exploratory data analysis Methods 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 238000000700 time series analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
【課題】石油化学プロセスの異常変化予測及び故障早期警報方法を提供する。【解決手段】本発明は、石油化学プロセスの異常変化予測及び故障早期警報方法を開示し、石油化学プロセスにおける状態異常変化のデータを収集し、状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含む。本発明は、石油化学プロセスにおける故障予測と早期警報を正確に実現し、予測に必要な精度、正確性及び許容性の要件を満たすことを確保することができる。【選択図】図１
Description
本発明は、故障リスク予測の分野に属し、特に石油化学プロセスの異常変化予測及び故障早期警報方法に関する。
近年、中国内外で石油化学工業事故が時々発生している。石油化学プロセスの安全性の問題は、そのプロセス全体が可燃性、爆発性、毒性、有害な材料を含み、ライフサイクル全体（生産、貯蔵、精製、輸送、廃棄）にいずれも安全性の問題があり、わずかな不注意で壊滅的な事故の発生を引き起こす可能性があるため、他の業界と異なる。したがって、故障予測と早期警報は非常に重要な価値を有し、社会の安定及び生命と財産の安全に直接関係する。石油化学プロセスにおける異常状況の検出及び故障予測をどのように実現するかは、現在解決すべき問題である。
上記問題を解決するために、本発明は以下の解決手段を提供する。
石油化学プロセスの異常変化予測及び故障早期警報方法であって、
石油化学プロセスにおける状態異常変化のデータを収集し、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、
前記目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、
前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含む。
石油化学プロセスにおける状態異常変化のデータを収集し、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、
前記目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、
前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含む。
好ましくは、収集された石油化学プロセスにおける状態異常変化のデータは、石油化学工業プロセスにおけるキーコンポーネント及びプロセスリンクにおける温度、圧力、流量、液面を含む。
好ましくは、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することは、連続変数の測定データに基づいて連続変数の動的モデルを確立することと、離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することと、連続－離散混合システム変数に対して、混合変数の動的モデルを確立することとを含む。
好ましくは、連続変数の測定データに基づいて連続変数の動的モデルを確立するプロセスは、連続変数の測定データを収集し、多変数時系列解析理論及び探索的データ解析方法により、定常プロセスの自己相関係数、偏相関係数等の統計指数及び相関係数のトランケーション、テーリングの統計的特性、並びに非定常プロセスの残差又は差分系列の自己相関係数、偏相関係数の統計指数及びトランケーション、テーリングの統計的特性に基づいて、連続変数の多因子回帰、Ｌｏｇｉｓｔｉｃ回帰、自己回帰（ＡＲ）及び制御自己回帰（ＣＡＲ）の動的モデルを確立することとを含む。
好ましくは、離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することは、動作状況の切り替え、バルブスイッチの離散状態変化状況に対して、状態遷移を記述するＰｅｔｒｉモデル、Ｍａｒｋｏｖチェーン、オートマトン、待ち行列理論及び符号有向グラフモデルにより、状態変化を記述し、離散状態変数の動的モデルを取得することを含む。
好ましくは、混合変数の動的モデルを確立することは、連続－離散混合システム変数に対して、少なくとも長短記憶ＬＳＴＭモデルを含む深層学習モデルを用いて、石油化学プロセスの動的モデリングを実現し、混合変数の動的モデルを取得することを含む。
好ましくは、目標動的システムモデルを取得することはさらに、石油化学プロセスの履歴データに基づいて、初期目標動的システムモデルに対してチェック、検証及び確認を行い、確認結果に基づいて前記初期動的システムモデルを反復的に改善、モデルを最適化し、前記目標動的システムモデルを取得することを含む。
好ましくは、前記目標動的システムモデルに基づいて石油化学プロセスの傾向解析と状態予測を行うことは、それぞれ連続変数及び離散事象に基づいて指向性予測方法を確立することを含み、
連続変数に基づいて指向性予測方法を確立することは、連続変数の測定データに対して高忠実度抽出、モデル適応フィッティング、傾向予測によって連続変数パラメータ及び特徴量の変化傾向予測を行うことを含み、
離散事象に基づいて指向性予測方法を確立することは、離散状態変化状況に対して特徴抽出、状態モデリング、事象予測により、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭに基づいて傾向予測を行うことを含む。
連続変数に基づいて指向性予測方法を確立することは、連続変数の測定データに対して高忠実度抽出、モデル適応フィッティング、傾向予測によって連続変数パラメータ及び特徴量の変化傾向予測を行うことを含み、
離散事象に基づいて指向性予測方法を確立することは、離散状態変化状況に対して特徴抽出、状態モデリング、事象予測により、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭに基づいて傾向予測を行うことを含む。
好ましくは、前記解析予測結果に基づいて故障予測と早期警報を行うことは、
二重中央値フィルタリング方法により、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定することと、
データストリームを監視するデータ変化システムを確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避することと、
センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画することと、
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することと、
ブール演算により、又はルール推論エンジンを用いて、前記解析予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現することとを含む。
二重中央値フィルタリング方法により、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定することと、
データストリームを監視するデータ変化システムを確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避することと、
センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画することと、
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することと、
ブール演算により、又はルール推論エンジンを用いて、前記解析予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現することとを含む。
好ましくは、接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することは、石油化学プロセスフローと石油化学装置との間の接続行列を構築し、石油化学装置と設備コンポーネントとの間の結合行列、石油化学装置とセンササンプリング設備との間の結合行列、及びセンサシステムの多次元サンプリングデータストリームの１つずつの検出結果により形成された兆候ベクトルを構築し、行列間及び行列とベクトルとの間のブール演算を設計することを含む。
本発明は、以下の技術的効果を開示する。
本発明が提供する石油化学プロセスの異常変化予測及び故障早期警報方法は、石油化学プロセスにおける状態異常変化のデータを収集することにより、状態異常変化のデータに対して動的モデリングを行い、目標動的システムモデルを取得する。連続変数と離散事象を区別し、指向性予測方法を確立し、対応する目標動的システムモデルを用いて傾向予測を行い、解析予測結果を取得する。前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現する。石油化学プロセスにおける故障予測と早期警報を正確に実現し、予測に必要な精度、正確性及び許容性の要件を満たすことを確保することができる。
本発明が提供する石油化学プロセスの異常変化予測及び故障早期警報方法は、石油化学プロセスにおける状態異常変化のデータを収集することにより、状態異常変化のデータに対して動的モデリングを行い、目標動的システムモデルを取得する。連続変数と離散事象を区別し、指向性予測方法を確立し、対応する目標動的システムモデルを用いて傾向予測を行い、解析予測結果を取得する。前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現する。石油化学プロセスにおける故障予測と早期警報を正確に実現し、予測に必要な精度、正確性及び許容性の要件を満たすことを確保することができる。
本発明の実施例又は従来技術の技術的解決手段をより明確に説明するために、以下、実施例で使用する必要のある図面を簡単に説明し、明らかに、以下に説明する図面は本発明の一部の実施例に過ぎず、当業者にとって、創造的な労働をすることなく、さらにこれらの図面に基づいて他の図面を取得することができる。
以下、本発明の実施例における図面を参照して、本発明の実施例における技術的解決手段を明確かつ完全に説明し、明らかに、説明した実施例は本発明の一部の実施例に過ぎず、全ての実施例ではない。本発明の実施例に基づいて、当業者が創造的な労働をせずに取得した他の実施例は、いずれも本発明の技術的範囲に属する。
本発明の上記目的、特徴及び利点をより分かりやすくするために、以下、図面及び具体的な実施形態を参照して、本発明をさらに詳しく説明する。
図１に示すように、本発明は、石油化学プロセスの異常変化予測及び故障早期警報方法を提供し、
石油化学プロセスにおける状態異常変化のデータを収集し、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、
前記目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、
前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含む。
石油化学プロセスにおける状態異常変化のデータを収集し、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、
前記目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、
前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含む。
収集された石油化学プロセスにおける状態異常変化のデータは、石油化学工業プロセスにおけるキーコンポーネント及びプロセスリンクにおける温度、圧力、流量、液面を含む。
前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することは、連続変数の測定データに基づいて連続変数の動的モデルを確立することと、離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することと、連続－離散混合システム変数に対して、混合変数の動的モデルを確立することとを含む。
連続変数の測定データに基づいて連続変数の動的モデルを確立するプロセスは、連続変数の測定データを収集し、多変数時系列解析理論及び探索的データ解析方法により、定常プロセスの自己相関係数、偏相関係数等の統計指数及び相関係数のトランケーション、テーリングの統計的特性、並びに非定常プロセスの残差又は差分系列の自己相関係数、偏相関係数の統計指数及びトランケーション、テーリングの統計的特性に基づいて、連続変数の多因子回帰、Ｌｏｇｉｓｔｉｃ回帰、自己回帰（ＡＲ）及び制御自己回帰（ＣＡＲ）の動的モデルを確立することとを含む。
離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することは、動作状況の切り替え、バルブスイッチの離散状態変化状況に対して、状態遷移を記述するＰｅｔｒｉモデル、Ｍａｒｋｏｖチェーン、オートマトン、待ち行列理論及び符号有向グラフモデルにより、状態変化を記述し、離散状態変数の動的モデルを取得することを含む。
混合変数の動的モデルを確立することは、連続－離散混合システム変数に対して、少なくとも長短記憶ＬＳＴＭモデルを含む深層学習モデルを用いて、石油化学プロセスの動的モデリングを実現し、混合変数の動的モデルを取得することを含む。
目標動的システムモデルを取得することはさらに、石油化学プロセスの履歴データに基づいて、初期目標動的システムモデルに対してチェック、検証及び確認を行い、確認結果に基づいて前記初期動的システムモデルを反復的に改善し、モデルを最適化し、前記目標動的システムモデルを取得することを含む。
前記目標動的システムモデルに基づいて石油化学プロセスの傾向解析と状態予測を行うことは、それぞれ連続変数及び離散事象に基づいて指向性予測方法を確立することを含み、
連続変数に基づいて指向性予測方法を確立することは、連続変数の測定データに対して高忠実度抽出、モデル適応フィッティング、傾向予測によって連続変数パラメータ及び特徴量の変化傾向予測を行うことを含み、
離散事象に基づいて指向性予測方法を確立することは、離散状態変化状況に対して特徴抽出、状態モデリング、事象予測により、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭに基づいて傾向予測を行うことを含む。
連続変数に基づいて指向性予測方法を確立することは、連続変数の測定データに対して高忠実度抽出、モデル適応フィッティング、傾向予測によって連続変数パラメータ及び特徴量の変化傾向予測を行うことを含み、
離散事象に基づいて指向性予測方法を確立することは、離散状態変化状況に対して特徴抽出、状態モデリング、事象予測により、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭに基づいて傾向予測を行うことを含む。
前記解析予測結果に基づいて故障予測と早期警報を行うことは、
二重中央値フィルタリング方法により、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定することと、
データストリームを監視するデータ変化システムを確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値（ＷｉｌｄＶａｌｕｅ）と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避することと、
センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画することと、
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することと、
ブール演算により、又はルール推論エンジンを用いて、前記解析予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現することとを含む。
二重中央値フィルタリング方法により、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定することと、
データストリームを監視するデータ変化システムを確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値（ＷｉｌｄＶａｌｕｅ）と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避することと、
センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画することと、
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することと、
ブール演算により、又はルール推論エンジンを用いて、前記解析予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現することとを含む。
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することは、石油化学プロセスフローと石油化学装置との間の接続行列を構築し、石油化学装置と設備コンポーネントとの間の結合行列、石油化学装置とセンササンプリング設備との間の結合行列、及びセンサシステムの多次元サンプリングデータストリームの１つずつの検出結果により形成された兆候ベクトルを構築し、行列間及び行列とベクトルとの間のブール演算を設計することを含む。
実施例１
図１～４に示すように、本発明が提供する石油化学プロセスの異常変化予測及び故障早期警報方法は、関連解析と動的モデリング、異常変化傾向予測及び傾向予測に基づく故障予測と早期警報等の３つの重要な技術的リンクを含み、具体的なステップは以下のとおりである。
ステップ１：プロセスにおける状態異常変化の動的モデリング
図２に示すように、動的モデリングのステップは（１）～（４）を含む。
（１）石油化学工業プロセスのキーコンポーネント及びプロセスリンクの温度、圧力、流量、液面等の典型的な連続変数の測定データを対象とし、多変数時系列解析（ＴＳＡ）理論及び探索的データ解析（ＥＤＡ）方法を用いて、定常プロセスの自己相関係数、偏相関係数等の統計指数及び相関係数のトランケーション、テーリング等の統計的特性、並びに非定常プロセスの残差又は差分系列の自己相関係数、偏相関係数等の統計指数及びトランケーション、テーリング等の統計的特性に基づいて、連続変数の多因子回帰、Ｌｏｇｉｓｔｉｃ回帰、自己回帰（ＡＲ）及び制御自己回帰（ＣＡＲ）のモデルを確立する。
（２）動作状況の切り替え、バルブスイッチ等の離散状態変化状況に対して、状態遷移を記述するのに適したＰｅｔｒｉモデル、Ｍａｒｋｏｖチェーン、オートマトン、待ち行列理論及び符号有向グラフモデルを用いて、状態変化を記述し、離散状態変数の動的モデリングを実現する。
（３）連続－離散混合システムに対して、長短記憶ＬＳＴＭモデル等の深層学習モデルを用いて、石油化学プロセスの動的モデリングを実現する。
（４）石油化学プロセスの履歴データを利用してモデルに対してチェック、検証及び確認（ＶＶ＆Ａ）を行い、ＶＶ＆Ａ結果に基づいてモデルを反復的に改善し、モデルを最適化し、予測に必要な精度、正確性及び許容性の要件を満たすことを確保する。
ステップ２：プロセスにおける状態異常変化の傾向予測
図３に示すように、石油化学プロセスの故障安全の実際のニーズと組み合わせて、プロセスの傾向解析と状態予測（ＴＡ＆ＳＦ：ＴｅｎｄｅｎｃｙＡｎａｌｙｓｉｓ＆ＳｔａｔｅｓＦｏｒｅｃａｓｔｉｎｇ）を行い、具体的には、連続変数ＴＡ＆ＳＦと離散事象ＴＡ＆ＳＦを区別し、指向性予測方法を確立する。
（１）ＣＶＤＳ変化状況のＴＡ＆ＳＦに対して、「高忠実度抽出→モデル適応フィッティング→傾向予測」方法を用いて、変数パラメータ／特徴量の変化傾向予測を行う。石油化学プロセスのセンサネットワークで取得した大部分のデータ及び注目する大部分の状態は、連続変数動的システム（ＣＶＤＳ）の変化状況に属し、それに適応したモデルを用いて傾向予測を行う。
（２）ＤＥＤＳ変化状況のＴＡ＆ＳＦに対して、「特徴抽出→状態モデリング→事象予測」の方法を用いて、不正確で、一致せず、不完全な情報を解析処理することにより、その中から隠れた知識を発見し、潜在的な法則を明らかにし、将来の変化を予測する。石油化学プロセスには離散事象動的システム（ＤＥＤＳ）に類似するいくつかの変化状況（例えば、状態の切り替え、閾値警報、反応器開始・終了等の動作状況情報）があり、異なる状況を区別し、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭを用いて傾向予測を行う。
ステップ３：傾向予測に基づく故障予測と早期警報
図４に示すように、具体的なステップは（１）～（５）を含む。
（１）二重中央値フィルタリング方法を用いて、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定する。
（２）データストリームを監視するデータ変化「安全パイプライン」を確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避する。
（３）センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画する。
（４）接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立し、具体的には、石油化学プロセスフローと石油化学装置との間の接続行列（要素が０／１：１－接続、０－非接続）を構築し、石油化学装置と設備コンポーネントとの間の結合行列、石油化学装置とセンササンプリング設備との間の結合行列（要素が０／１：１－結合あり、０－結合なし）、及びセンサシステムの多次元サンプリングデータストリームの１つずつの検出結果により形成された兆候ベクトル（要素が０／１：０－正常、１－異常）を構築し、行列間及び行列とベクトルとの間のブール演算を設計する。
式中、∧及び∨はブール演算子である。
（５）ブール演算により、又はルール推論エンジンを用いて、安全パイプラインの外挿と組み合わせて、傾向予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現する。
本発明が提供する石油化学プロセスの異常変化予測及び故障早期警報方法は、石油化学プロセスにおける状態異常変化のデータを収集することにより、状態異常変化のデータに対して動的モデリングを行い、目標動的システムモデルを取得する。連続変数と離散事象を区別し、指向性予測方法を確立し、対応する目標動的システムモデルを用いて傾向予測を行い、解析予測結果を取得する。前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現する。石油化学プロセスにおける故障予測と早期警報を正確に実現し、予測に必要な精度、正確性及び許容性の要件を満たすことを確保することができる。
以上に記載の実施例は本発明の好適な形態を説明したものに過ぎず、本発明の範囲を限定するものではなく、本発明の設計精神から逸脱することなく、当業者が本発明の技術的解決手段に対して行った様々な変形及び改良は、いずれも本発明の特許請求の範囲によって決定される保護範囲内に属すべきである。
Claims (10)
- 石油化学プロセスの異常変化予測及び故障早期警報方法であって、
石油化学プロセスにおける状態異常変化のデータを収集し、前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することと、
前記目標動的システムモデルに基づいて、石油化学プロセスの傾向解析と状態予測を行い、解析予測結果を取得することと、
前記解析予測結果に基づいて故障予測と早期警報を行い、石油化学プロセスの故障予測を実現することとを含むことを特徴とする石油化学プロセスの異常変化予測及び故障早期警報方法。 - 収集された石油化学プロセスにおける状態異常変化のデータは、石油化学工業プロセスにおけるキーコンポーネント及びプロセスリンクにおける温度、圧力、流量、液面を含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 前記状態異常変化のデータに基づいて動的モデリングを行い、目標動的システムモデルを取得することは、連続変数の測定データに基づいて連続変数の動的モデルを確立することと、離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することと、連続－離散混合システム変数に対して、混合変数の動的モデルを確立することとを含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 連続変数の測定データに基づいて連続変数の動的モデルを確立するプロセスは、連続変数の測定データを収集し、多変数時系列解析理論及び探索的データ解析方法により、定常プロセスの自己相関係数、偏相関係数等の統計指数及び相関係数のトランケーション、テーリングの統計的特性、並びに非定常プロセスの残差又は差分系列の自己相関係数、偏相関係数の統計指数及びトランケーション、テーリングの統計的特性に基づいて、連続変数の多因子回帰、Ｌｏｇｉｓｔｉｃ回帰、自己回帰及び制御自己回帰の動的モデルを確立することとを含むことを特徴とする請求項３に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 離散状態変化状況に基づいて、離散状態変数の動的モデルを確立することは、動作状況の切り替え、バルブスイッチの離散状態変化状況に対して、状態遷移を記述するＰｅｔｒｉモデル、Ｍａｒｋｏｖチェーン、オートマトン、待ち行列理論及び符号有向グラフモデルにより、状態変化を記述し、離散状態変数の動的モデルを取得することを含むことを特徴とする請求項３に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 混合変数の動的モデルを確立することは、連続－離散混合システム変数に対して、少なくとも長短記憶ＬＳＴＭモデルを含む深層学習モデルを用いて、石油化学プロセスの動的モデリングを実現し、混合変数の動的モデルを取得することを含むことを特徴とする請求項３に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 目標動的システムモデルを取得することはさらに、石油化学プロセスの履歴データに基づいて、初期目標動的システムモデルに対してチェック、検証及び確認を行い、確認結果に基づいて前記初期目標動的システムモデルを反復的に改善し、モデルを最適化し、前記目標動的システムモデルを取得することを含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
- 前記目標動的システムモデルに基づいて石油化学プロセスの傾向解析と状態予測を行うことは、それぞれ連続変数及び離散事象に基づいて指向性予測方法を確立することを含み、
連続変数に基づいて指向性予測方法を確立することは、連続変数の測定データに対して高忠実度抽出、モデル適応フィッティング、傾向予測によって連続変数パラメータ及び特徴量の変化傾向予測を行うことを含み、
離散事象に基づいて指向性予測方法を確立することは、離散状態変化状況に対して特徴抽出、状態モデリング、事象予測により、Ｐｅｔｒｉネット、符号有向グラフＳＤＧ、グレイシステム及び隠れマルコフモデルＨＭＭに基づいて傾向予測を行うことを含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。 - 前記解析予測結果に基づいて故障予測と早期警報を行うことは、
二重中央値フィルタリング方法により、センサネットワーク監視データストリームに対してフォールトトレラントフィルタリング及びフォールトトレラント予報を行い、監視データ系列本体の変化成分の高忠実度情報を抽出し、フィルタリング及び予報の誤差分散を推定することと、
データストリームを監視するデータ変化システムを確立し、データの異常変化を検出及び診断し、安全パイプラインを超えた全てのデータポイントをマークし、異常値と故障兆候の分離を実現し、異常値をシステム故障と誤判断することを回避することと、
センサ装置と石油化学プロセスフロー、石油化学設備システムコンポーネントの間の接続関係のトポロジー図、及び設備コンポーネントとプロセスフローの間の結合関係のトポロジー図を描画することと、
接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することと、
ブール演算により、又はルール推論エンジンを用いて、前記解析予測結果がパイプラインを超えたか否かを検出及び判断し、異常変化限界超過の兆候ベクトルを形成し、石油化学生産プロセスの故障予測を実現することとを含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。 - 接続行列及び結合行列を構築し、「多次元故障兆候ベクトル－接続行列－結合行列－故障判定ベクトル」の演算ロジック及びアルゴリズムを確立することは、石油化学プロセスフローと石油化学装置との間の接続行列を構築し、石油化学装置と設備コンポーネントとの間の結合行列、石油化学装置とセンササンプリング設備との間の結合行列、及びセンサシステムの多次元サンプリングデータストリームの１つずつの検出結果により形成された兆候ベクトルを構築し、行列間及び行列とベクトルとの間のブール演算を設計することを含むことを特徴とする請求項１に記載の石油化学プロセスの異常変化予測及び故障早期警報方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210257382.0A CN114841396B (zh) | 2022-03-16 | 2022-03-16 | 石化生产过程的一种异变趋势预测与灾变风险预警方法 |
| CN202210257382.0 | 2022-03-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023138371A true JP2023138371A (ja) | 2023-10-02 |
Family
ID=82562670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023028102A Pending JP2023138371A (ja) | 2022-03-16 | 2023-02-27 | 石油化学プロセスの異常変化予測及び故障早期警報方法 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2023138371A (ja) |
| CN (1) | CN114841396B (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117221075A (zh) * | 2023-10-16 | 2023-12-12 | 哈尔滨理工大学 | 基于自适应事件触发机制的离散网络化系统故障检测方法 |
| CN117331361A (zh) * | 2023-12-01 | 2024-01-02 | 江苏迈鼎科技(集团)有限公司 | 一种基于物联网技术的沥青生产管理系统 |
| CN117849662A (zh) * | 2024-03-07 | 2024-04-09 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警系统的电表箱 |
| CN117874713A (zh) * | 2024-03-12 | 2024-04-12 | 山东沪金精工科技股份有限公司 | 一种机械设备故障预警系统及其使用方法 |
| CN118582671A (zh) * | 2024-08-02 | 2024-09-03 | 厦门都森医疗科技有限公司 | 一种医用气体报警系统 |
| CN118608356A (zh) * | 2024-08-07 | 2024-09-06 | 大鼎油储有限公司 | 一种基于物联网的油储基地安全运维的预警系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116382103B (zh) * | 2023-06-07 | 2023-08-25 | 广东石油化工学院 | 一种生产过程间歇故障及趋势畸变的监测与辨识方法 |
| CN116719293B (zh) * | 2023-08-04 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种冷轧钢带的生产监测方法及系统 |
| CN118411038B (zh) * | 2024-07-03 | 2024-09-03 | 江苏达科数智技术有限公司 | 一种石化行业数据可视化交互管理方法及系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070294112A1 (en) * | 2006-06-14 | 2007-12-20 | General Electric Company | Systems and methods for identification and/or evaluation of potential safety concerns associated with a medical therapy |
| US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| CN104238545B (zh) * | 2014-07-10 | 2017-02-01 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警系统及其建立方法 |
| CN105318905B (zh) * | 2014-12-30 | 2018-05-25 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
| CN110766173A (zh) * | 2019-10-18 | 2020-02-07 | 青岛科技大学 | 基于机理相关分析贝叶斯网络的化工过程故障诊断方法 |
| CN111090939B (zh) * | 2019-12-17 | 2023-08-15 | 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 |
| CN111340110B (zh) * | 2020-02-25 | 2023-04-18 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
| CN111949700B (zh) * | 2020-06-24 | 2024-04-09 | 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 |
| CN112288126B (zh) * | 2020-09-09 | 2022-06-17 | 广东石油化工学院 | 一种采样数据异常变化在线监测与诊断方法 |
| AU2020102424A4 (en) * | 2020-09-25 | 2020-11-12 | Beijing Institute Of Petrochemical Technology | Hazardous chemical safety management assessment method |
-
2022
- 2022-03-16 CN CN202210257382.0A patent/CN114841396B/zh active Active
-
2023
- 2023-02-27 JP JP2023028102A patent/JP2023138371A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117221075A (zh) * | 2023-10-16 | 2023-12-12 | 哈尔滨理工大学 | 基于自适应事件触发机制的离散网络化系统故障检测方法 |
| CN117221075B (zh) * | 2023-10-16 | 2024-03-19 | 哈尔滨理工大学 | 基于自适应事件触发机制的离散网络化系统故障检测方法 |
| CN117331361A (zh) * | 2023-12-01 | 2024-01-02 | 江苏迈鼎科技(集团)有限公司 | 一种基于物联网技术的沥青生产管理系统 |
| CN117331361B (zh) * | 2023-12-01 | 2024-03-08 | 江苏迈鼎科技(集团)有限公司 | 一种基于物联网技术的沥青生产管理系统 |
| CN117849662A (zh) * | 2024-03-07 | 2024-04-09 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警系统的电表箱 |
| CN117849662B (zh) * | 2024-03-07 | 2024-05-28 | 广东佰林电气设备厂有限公司 | 一种具备漏电监测预警系统的电表箱 |
| CN117874713A (zh) * | 2024-03-12 | 2024-04-12 | 山东沪金精工科技股份有限公司 | 一种机械设备故障预警系统及其使用方法 |
| CN118582671A (zh) * | 2024-08-02 | 2024-09-03 | 厦门都森医疗科技有限公司 | 一种医用气体报警系统 |
| CN118608356A (zh) * | 2024-08-07 | 2024-09-06 | 大鼎油储有限公司 | 一种基于物联网的油储基地安全运维的预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114841396A (zh) | 2022-08-02 |
| CN114841396B (zh) | 2023-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2023138371A (ja) | 石油化学プロセスの異常変化予測及び故障早期警報方法 | |
| CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| Arunthavanathan et al. | A deep learning model for process fault prognosis | |
| Nan et al. | Real-time fault diagnosis using knowledge-based expert system | |
| Tidriri et al. | Bridging data-driven and model-based approaches for process fault diagnosis and health monitoring: A review of researches and future challenges | |
| KR101491196B1 (ko) | 결함 패턴 매칭을 위한 퍼지 분류 접근 | |
| EP3049873B1 (en) | Non-intrusive sensor system | |
| EP2732371B1 (en) | Valve actuator fault analysis system | |
| Li et al. | Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems | |
| EP1982301B1 (en) | Method of condition monitoring | |
| CN112685910B (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
| CN112306036B (zh) | 化工过程运行故障的诊断方法 | |
| JP6609689B2 (ja) | 異常診断システム | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
| CN112306035B (zh) | 化工过程运行故障的诊断系统 | |
| Daher et al. | New prognosis approach for preventive and predictive maintenance—Application to a distillation column | |
| Song et al. | Chemical process alarm root cause diagnosis method based on the combination of data-knowledge-driven method and time retrospective reasoning | |
| Henning et al. | Diagnostic analysis for mechanical systems | |
| Zhang et al. | A novel key performance indicator oriented process monitoring method based on multiple information extraction and support vector data description | |
| Lee et al. | A fault magnitude based strategy for effective fault classification | |
| Diedrich et al. | Diagnosing Hybrid Cyber-Physical Systems using State-Space Models and Satisfiability Modulo Theory. | |
| CN112287302B (zh) | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 | |
| TWI854128B (zh) | 故障檢測裝置及故障檢測方法 | |
| Rosli et al. | Soft redundant instrument for metering station in gas transportation system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230227 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240730 |