一种连续生产过程中运行工况稳态判别方法与流程

本发明涉及生产过程稳态检测领域，更具体地，涉及一种连续生产过程中运行工况稳态判别方法。

背景技术：

目前，随着自动化技术和监测技术的发展，大量的设备工况和过程参数得以积累，合理运用这些数据信息，对保证安全生产、提升产品质量具有重要意义。连续生产过程内部原理和结构复杂，表现为物理量间存在着较强的耦合性，同时呈现出极强的非线性和时变性。针对连续生产过程开展研究，稳态是最重要且最常见的假设，连续生产过程是否处于稳态，直接关系到后续对流程所采用的建模、控制和优化方法不同。当流程处于非稳态时，系统各变量的数据特性变动剧烈，数值上与真实系统的输入输出关系存在较大偏差。只有流程处于稳定工况下，各个参数和变量才具有较强的状态一致性。基于此种情况，对连续生产过程运行性能的评价、模拟和优化，都需要获取连续生产过程的运行稳态为前提。

针对稳态检测的研究，目前主要有基于机理分析、基于统计理论和基于趋势提取三类稳态检测方法。机理分析法普遍在理想化假设前提下对检测对象的特性进行分析，而实际工业过程难以满足这一假设，而且对象依赖性较强，不具有普遍适用性。基于统计理论的方法中，如CST法和MTE法均假设测量值只含随机误差，且误差服从期望为0的正态分布，该假设在实际应用中难以达到，降低了方法的稳健程度，一旦出现较大干扰就会导致误判断。基于趋势提取的方法中，如小波分析法，检测阈值需依靠历史的稳态数据计算得出，必须有可靠的稳态历史数据为依托；神经网络趋势提取法，检测结果的精度对滑动窗取值比较敏感，检测过程重要参数的取值缺乏有效的理论依据，致使方法的有效性和可靠性大大降低；自适应多项式滤波法，使用参数较少，滤波窗口可自适应确定，适用于处理变化剧烈的信号，具有较强的抗噪能力和较好的鲁棒性，但是只能进行单变量稳态检测，且检测结果易受测量数据误差的影响。由此，在专利CN105389648A一种常减压装置稳态工况的判别方法中，根据当前窗口中数据拟合方程的一次项系数和拟合偏差的标准差，判断是否稳态；在专利CN104977847A一种面向常减压优化的稳态工况判别方法中，以相邻一段时间内的均值和一次拟合系数作为稳态判别准则。这两种方法都需要分别对所有变量检测，更适应于单变量或者变量相对较少的过程，不能很好地解决工业过程中监测变量众多且耦合性强的问题，同时只有所有变量稳态才认为过程稳态，这在工业过程测量数据波动较大时，易造成误判。

技术实现要素：

为了解决由于连续生产过程监测变量众多且存在着较强的耦合，测量数据波动较大，同时单个或几个变量的误差易对检测结果造成很大的影响，以现有方法对连续生产过程工业数据难以实现良好的运行工况稳态检测的问题，本发明提供了一种连续生产过程中运行工况稳态判别方法。

本发明提供的连续生产过程中运行工况稳态判别方法，包括：

S1.基于生产过程中运行参数，利用主成分分析法得到主成分和对应的特征值；

S2.基于所述主成分中第一主成分中连续的稳态片段，确定多项式滤波窗口；

S3.基于每一个所述窗口，利用多项式滤波稳态判别法对所述主成分中每个主成分进行稳态检测；

S4.基于所述对应的特征值，对所述每个主成分的稳态检测结果赋予权值，确定所述窗口稳态检测结果；根据所述窗口的稳态检测结果，获得生产过程中运行工况稳态判别结果。

本发明提出的连续生产过程中运行工况稳态判别方法，将单变量的多项式滤波稳态检测扩展到多变量，综合多变量信息，减少了单个或几个变量误差的影响，同时利用平滑处理技术和改进的稳定判别方法，减少测量数据中误差的影响；本发明将稳态差别分段在同一个窗口内完成，提高了稳态差别的精度；在加氢裂化过程的工业数据验证中，证明了该方法具有一定的工程实用价值。

附图说明

图1为根据本发明的连续生产过程中运行工况稳态判别方法的总体流程示意图；

图2为根据本发明一个优选实施例中连续生产过程中运行工况稳态判别方法的流程示意图；

图3为根据本发明实施例1中确定滤波窗口过程中第一主成分滤波前后标准差比值变化图；

图4为根据本发明实施例1中第一主成分平滑处理前后的对比图；

图5为根据本发明实施例1中加氢裂化流程稳态检测结果图和监测部分变量图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提供的连续生产过程中运行工况稳态判别方法，如图1所示，包括：

S1.基于生产过程中运行参数，利用主成分分析法得到主成分和对应的特征值；

S2.基于所述主成分中第一主成分中连续的稳态片段，确定多项式滤波窗口；

S3.基于每一个所述窗口，利用多项式滤波稳态判别法对所述主成分中每个主成分进行稳态检测；

S4.基于所述对应的特征值，对所述每个主成分的稳态检测结果赋予权值，确定所述窗口稳态检测结果；根据所述窗口的稳态检测结果，获得最终生产过程中运行工况稳态判别结果。

本发明利用对生产过程中运行参数原始数据建立主成分分析模型，得到主成分和对应的特征值；依据滤波前后标准差的变化，确定多项式滤波的窗口大小；在观测窗口内更优选对每个主成分平滑处理，再利用改进的多项式滤波稳态判别对每个主成分进行稳态检测，根据主成分的特征值对每个主成分稳态检测结果赋予不同的权值，从而综合确定该窗口的稳态检测结果；随后根据每个窗口的稳态检测结果，得到最终的生产过程运行工况稳态判别结果。本发明的方法在生产过程调整较为频繁，监测变量多且波动较大时，通过提取数据的综合信息，可以有效地避免单个或几个变量误差对稳态判别的影响，增强了在工业过程中的适应性。

在本发明的方法中，当使用本领域中常见的主成分分析法对运行参数数据进行分析得到主成分和对应的特征值后，可以通过人工选取第一主成分中连续的稳态片段，根据滑动滤波前后标准比值变化，从而确定多项式滤波窗口大小，即S2的具体步骤。在本领域中，使用主成分分析法对运得参数数据进行分析得到包含原数据Pe％信息的m个主成分和对应的特征值。其中，Pe％值通常为80％-95％，该值表示：利用主成分分析法时筛选工业数据时，一般选择包含原数据80％-95％的信息的主成分矩阵即可。

在一个优选实施例中，S2具体为：

设有滤波窗口H_h＝2h(h＝1,2,..,n_h)，h为滤波半窗，n_h为小于或等于N_t/2的最大整数，给定阈值α_t∈(0,1)为一较小的值，初始化半窗h＝0，进行如下操作：

S21.h＝h+1，用H_h对Q_train进行滑动滤波，得滤波后的信号序列其中，表示滤波后的信号序列中第n_t个值，T为转置符号，计算的标准差与训练数据的标准差δ_t的比值

S22.如果h≤n_h，且v_h-1-v_h≥α_t，则返回S21；否则当前的h即为所求滤波半窗，即滤波窗口大小H_t＝2h。

在本发明中，为了减少测量数据中误差的影响，可以使用平滑处理技术和改进的稳定判别方法，即S3可以为：

基于每一个所述窗口，对所述主成分中每个主成分进行平滑处后，再利用多项式滤波稳态判别法对所述主成分中每个主成分进行稳态检测。其中多项式滤波稳态判别法为改进稳态判别准则后的多项式滤波稳态判别法，判别准则为：分别给一次项系数的绝对值和标准差设置阈值，一次项系数的绝对值和差都小于各自设置的阈值，才被认为是稳态。

在本发明中，S3的具体步骤进一步优选为：

S31.根据每一个所述窗口的大小，对所述主成分矩阵沿着采样时间方向进行分割；

S32.在每一个所述窗口内，对所述主成分中每个主成分进行平滑处理，并保持所述主成分变化的趋势不发生变化；

S33.基于所述的每个主成分，利用多项式滤波得到所述每个主成分的二次多项表达式，利用所述每个主成分的二次多项表达式的一次项系数绝对值和所述每个主成分的标准差，对所述每个主成分在所述窗口内进行稳态检测。

在一个优选的实施例中，为了进一步减少误差，S32中平滑处理包括：

假设要处理的第s个窗口的第j个的主成分

其中，q_j(H_t(s-1)+s_t)表示第j个的主成分的第H_t(s-1)+s_t个值，T为转置符号，计算的平均值和标准差初始化迭代次数a＝0，进行如下操作：

S321.统计内在域的个数

S322.若a＝a+1，返回S321；否则将内小于的赋值为将内大于的赋值为

为了使数据更加精确，在本发明中更优选使用的改进的稳定判别方法为，即S33具体优选为：

假设表示平滑处理后的第s个窗口的第j个主成分，记为标准差记为滤波后的信号x(i)表示为时间的函数，即：

x(i)＝k₀+k₁i+k₂i²+...,+k_ci^c (1)

其中，表示平滑处理后的第j个的主成分的第H_t(s-1)+s_t个值，T为转置符号，表示平滑处理后的第s个窗口中第j个主成分的第h_t个值，c为模型阶数；

令θ＝[k₀,k₁,..,k_c]^T为模型参数向量，r(i)＝[i¹,i,..,i^c]^T为回归变量，式(1)简记为：

x(i)＝θ^Tr(i) (2)

应用最小二乘法可以得到参数θ的最优估计：

其中，

取c＝2，根据式(3)可得k₁值，k₁表示变化的快慢，根据机理分析和窗口内主成分的变化，设定合适的阈值和表示第j个主成分在第s个窗口的稳态判定结果，若且则判断该主成分在该窗口内为稳态，记为1，否则不是稳态，记为0。

在本发明的方法中，对每个主成分的稳态检测结果赋予权值有多种方法，较为优选地是：

选取的m个主成分对应的特征值为λ₁,λ₂,...,λ_m，则对j个主成分的稳态判定结果赋予权值为：

计算窗口内的稳态判定结果加权和：

根据加权和的值来判断该生产过程是否为稳态。若则认为连续生产过程在该窗口内是稳态，否则不是稳态。其中，pe％指的含pe％原数据信息处于稳态则认为该过程稳态，Pe％值为主成分所包含原数据的百分比值，即所述主成分包括原数据Pe％信息，Pe％值通常为80％-95％，根据实际操作数据来确定；其中，通常pe％选50％-Pe％。

当pe％选50％时，即若则认为连续生产过程在该窗口内是稳态，否则不是稳态。其中，Pe％值为主成分所包含原数据的百分比值，即所述主成分包括原数据Pe％信息，Pe％值通常为80％-95％，根据实际操作数据来确定。

为了消除原始数据量纲影响，在使用主成分分析法前通常会对每个运行参数进行预处理，较常用的为：

假设连续生产过程运行参数数据为：

(j＝1,2,...,J为连续生产过程所监测的运行参数个数)，其中(n＝1,2,...,N，为第j个变量的第n个采样值)；

对每个运行参数进行如下标准化处理，消除量纲影响：

其中

其中

将预处理后的数据X采用主成分分析处理，获取主成分及其对应的特征值。

在本发明中，使用主成分分析技术(PCA)得到主成分及其对应的特征值，PCA实际是将研究对象的多个相关变量化为少数几个不相关的变量的一种多元统计方法，并且尽可能保留原数据的信息。

假设预处理后的数据是一张样本×定量变量的数据表X(N×J)(其中，N为数据样本的个数，J为过程变量的个数)，即每一列对应一个观测变量，每一行对应一个样本。矩阵X(N×J)可以分解为：

其中，p_j∈R^J为负荷向量；q_j∈R^N为得分向量，即所要提取的主成分，相应地，P＝[p₁,p₂,...,p_J]为负荷矩阵，Q＝[q₁,q₂,...,q_J]为得分矩阵，代表X在负荷方向上的投影；得分向量和负荷向量皆互相正交，且负荷向量为单位向量。则(8)式两边同时右乘以p_j可以转化为：

q_j＝Xp_j或Q＝XP (9)

根据数学结论，对矩阵X的方差阵做奇异值分解，可得负荷矩阵P和特征值矩阵D。即：

S＝PDP^T (10)

其中，其对角线上的元素由大到小排列，λ_j(j＝1,2,...,J)即为特征值。

特征值和主成分的选取：满足的最小m值为选取特征值个数，即选取前m个特征值λ_j(j＝1,2,..,m)，则对应的负荷矩阵P_m为负荷矩阵P的前m列；利用公式(9)可以求得对应的得分矩阵Q_m＝XP_m，即降维后所选取的主成分矩阵为Q_m。

以加氢裂化的连续生产过程为例来进一步详述本发明。

实施例1

该实施例提供的连续生产过程中运行工况的稳态判别方法，以加氢裂化流程为对象，针对加氢裂化流程监测参数多且耦合性较大的问题，利用PCA提取主成分，实现降维和去耦合的作用，利用多项式滤波对平滑处理后主成分实现稳态检测，通过主成分的特征值对单个主成分稳态检测结果赋予一定的权值，最后，根据加权和判断加氢裂化流程是否处于稳态。具体过程如下：

本例选择的加氢裂化监测变量有总出口原料油流量调节、加氢精制反应器1床层温度(上)、加氢精制反应器2床层温度(上)、加氢精制反应器3床层温度(上)、加氢裂化反应器1床层温度(上)、加氢裂化反应器2床层温度(上)、航煤出装置流量、柴油出装置流量、尾油出装置流量等22个主要变量。采样间隔为5分钟，2016年2月份的整月数据；2016年2月份是某厂240万吨装置刚投入使用，参数经过多次调节，数据具有多样性。

参见图2，图2为本发明中提出的连续生产过程中运行工况稳态判别方法。

步骤一：对加氢裂化流程运行参数数据预处理，假设加氢裂化流程运行参数数据为：

(j＝1,2,...,J；J＝22为加氢裂化流程所监测的运行参数个数)，其中(n＝1,2,...,N，为第j个变量的第n个采样值)；

首先，对每个运行参数进行如下标准化处理，消除量纲影响：

其中

其中

得到预处理后的数据矩阵X。

步骤二：对预处理后的数据X采用主成分分析(PCA)处理，获取主成分及其对应的特征值。

首先，求取数据矩阵X的方差阵对方差阵S奇异值分解，求取负荷矩阵P和特征值矩阵D。

其次，令Pe％＝95％，满足的最小值为选取特征值个数m为5，对应的特征值如表1所示。

表1选取主成分所对应的特征值

最后，取负荷矩阵P的前5列P_m，则选取的主成分矩阵为Q_m＝XP_m。

步骤三：人工选取第一主成分中连续的稳态片段(即训练数据)Q_train＝[q₁(1),q₁(2),...,q₁(N_t)]^T(N_t≥500)。计算训练数据的标准差δ_t。

设有滤波窗口H_h＝2h(h＝1,2,..,n_h)，h为滤波半窗，n_h为小于等于N_t/2的最大整数，给定阈值α_t∈(0,1)为一较小的值。初始化半窗h＝0，进行如下操作：

1)h＝h+1，用H_h对Q_train进行滑动滤波，得滤波后的信号序列计算的标准差与训练数据的标准差δ_t的比值

2)如果h≤n_t，且v_h-1-v_h≥α_t，则返回1)；否则当前的h即为所求滤波半窗，即滤波窗口大小H_t＝2h。

取阈值α_t＝5.5×10^-5，对应的滑动滤波前后标准差比值，变化趋势图如图3所示，可得滤波窗口为H_t＝250。

步骤四：首先根据窗口的大小，对选取的主成分矩阵沿着采样时间方向进行分割。在每个观测窗口内，对选取的每个主成分进行平滑处理，即：

假设要处理的主成分表示第s个窗口的第j个主成分，计算的平均值和标准差初始化迭代次数a＝0，进行如下操作：

1)统计内在域的个数

2)若a＝a+1，返回1)；否则将内小于的赋值为将内大于的赋值为

平滑处理后的数据可以消除原始数据测量中的随机误差，并保持主成分变化的趋势不发生变化，如图4为第一主成分平滑处理前后对比图。

选取的平滑处理后的主成分，计算标准差记并计算矩阵值(R^TR)^-1R^T。

其中对应的主成分的二次多项式滤波器的一次项系数绝对值和主成分的标准差阈值选择如表2所示。

表2一次项系数绝对值和主成分的标准差阈值

利用多项式滤波，得到主成分的二次多项式滤波器，假设用表示需要利用多项式滤波进行稳态判别的平滑处理后的主成分，则的第二项即为k₁值。表示第j个主成分在第s个窗口的稳态判定结果，若且则判断该主成分在该窗口内为稳态，记为1，否则不是稳态，记为0。

步骤五：根据主成分对应的特征值对主成分稳态检测结果赋予表3所示的不同权值。

表3主成分稳态权值

计算窗口内的稳态判定结果加权和：

取pe％＝50％，若则认为加氢裂化流程在该窗口是稳态，否则不是稳态。

结合所有观测窗口的稳态结果，从而实现加氢裂化流程稳态的判别。稳态判别结果如图5所示。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，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。