非高斯动态高含硫天然气净化过程异常检测与诊断方法
【技术领域】
[0001] 本发明属于高含硫天然气脱硫生产过程故障检测与诊断技术，涉及一种非高斯动 态高含硫天然气净化过程。
【背景技术】
[0002] 高含硫天然气净化脱硫工业流程复杂，过程工艺参数众多，受温度、压力、流量、设 备老化和原料气处理量等不确定因素影响，是典型的复杂非线性动态特性化工系统。高含 硫天然气净化脱硫过程主要包括以下部分：主吸收塔MDEA溶液吸收酸性组分H 2S和CO2, 水解反应器脱除（COS)，再生塔MDEA溶液的循环再生以及换热过程，具体工艺流过程如图 2所示。一旦系统发生异常，如何及时检测故障发生，并追溯工艺操作参数导致故障发生原 因，从而为系统故障排查和恢复提供决策参考依据，对指导实际工业生产具有重要的现实 意义。
[0003] 原料气处理量负荷波动、脱硫单元吸收塔发泡、硫磺回收装置硫收率下降是高含 硫天然气过程常见的三种异常工况。目前高含硫天然气异常工况检测与诊断主要依赖现场 生产经验，异常工况发生机理描述的不够透彻，缺乏对高含硫天然气异常工况的检测与诊 断机制。
[0004] 目前围绕主元分析的多元统计过程监控已取得阶段性研究成果。已有针对分析数 据维度高、变量互耦合特性，提出基于主元分析的故障检测与诊断方法。然而主元分析是线 性投影方法，不适用于非线性工业过程。有引入核映射将低维非线性空间映射到高维线性 空间，提出基于核主元分析的故障检测与诊断方法。考虑到工业过程动态特性，监测参数表 现一定时序自相关性。通过分析工业过程自回归模型，确定模型时滞阶次，提出基于动态核 主元分析的故障检测与诊断方法，从而实现非线性、动态工业过程监控。
[0005] 主元分析是基于变量服从高斯分布的假设提出的数据处理手段。然而工业过程多 为非高斯过程，有通过独立分量分析进一步提取变量高阶统计信息，提出基于独立分量分 析的故障检测与诊断方法。以及提出基于核独立分量分析的故障检测与诊断方法，实现非 线性、非高斯过程监控。然而对于动态工业过程时序自相关性的问题，仍需进一步深入研 究。
【发明内容】
[0006] 本发明的目的在于克服现有技术不能及时检测故障发生的不足，提供一种非高斯 动态高含硫天然气净化过程，它能够及时检测故障发生，并追溯工艺操作参数导致故障发 生原因，从而为系统故障排查和恢复提供决策参考依据。
[0007] 本发明的目的是这样实现的：
[0008] -种非高斯动态高含硫天然气净化过程异常检测与诊断方法，按照以下步骤进 行：
[0009] 步骤1 :随机采集η组高含硫天然气净化过程数据组成原始测量样本集X =
[X1, X2,…，Xn] e Rdixn，每个样本含有N个独立的高含硫天然气净化过程参数采样值；
[0010] 步骤2 :对样本数据进行预处理，选择最能反映出生产过程实际特性的有效数据； 具体为：剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到的数 据为X* = [X1, x2,…，xn] e RmXn，η为处理后采集样本数量，η < N ;
[0011] 步骤3 :分析步骤2所得的数据X*的自回归模型，确定其动态时滞阶次：
[0012] 3. 1使用最小二乘估计法，对于ρ阶自回归模型有Xt= β Pf1+ β 2xt_2+… + hWh，其中Xt为模型变量，β ，…βρ为模型的回归系数，ε t为模型随机误差， P为模型阶次，使用最小二乘估计法：Y = Χβ + ε，误差向量为ε = [ ε ρ+1, ε p+2，…ε η]τ， η为观测次数；自回归模型系数β = [ β i，β 2，…β ρ]，时间排序的样本ρ阶观测矩阵为： X = [xp, Xlrt，…X1, Xp+1, Xp,…X2,…Xlri, χη_2,…χη_ρ]，P 为模型阶次，β 最小二乘解为 β = (XtX)^1XtY ；
[0013] 对于数据X*的ρ阶自回归模型为：
[0014] Xt= β …+ 3pxt-p+ε t，
[0015] 其自回归模型系数β = [^，β2，…βρ[，其参数估计残差平方和为Sp;
[0016] 数据X*的P-I阶自回归模型为：
[0017] Xt= β …+ βρ-Α-ρ+1+ε t，
[0018] 其自回归模型系数β = [βρ β2，…iVJ，其参数估计残差平方和为sp_1;
[0019] 3. 2假设Hc^bp= 0成立时，可作F分布统计量为
【主权项】
1. 一种非高斯动态高含硫天然气净化过程异常检测与诊断方法，其特征在于按照以下 步骤进行： 步骤1 :随机采集η组高含硫天然气净化过程数据组成原始测量样本集X = [Xl，X2，… ，xn] e Rdixn，每个样本含有N个独立的高含硫天然气净化过程参数采样值； 步骤2 :对样本数据进行预处理，选择最能反映出生产过程实际特性的有效数据；具体 为：剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到的数据为 X* = [X1, x2,…，xn] e RmXn，η为处理后采集样本数量，η < N ; 步骤3 :分析步骤2所得的数据X*的自回归模型，确定其动态时滞阶次： 3. 1使用最小二乘估计法，对于ρ阶自回归模型有Xt= β …+ Ppxt_p+ ε t， 其中xt为模型变量，β ρ β2，…βρ为模型的回归系数，ε t为模型随机误差，p为模型阶次， 使用最小二乘估计法： Υ = Χβ + ε，误差向量为ε = [ερ+1，ερ+2，…εη]Τ，η为观测次数；自回归模型系数β =[β丨，β 2,…β ρ]，时间排序的样本P阶观测矩阵为：X = [Χρ，Xp-l，…Xl，Xp+l，Χρ，…Χ2,… ^!^???^]，口为模型阶次，6最小二乘解为6 =〇^〇14; 对于数据X*的P阶自回归模型为： Xt= β lXt-l+^2Xt-2+*** + ^ Pxt-P+ ε f 其自回归模型系数β = [ β ρ β 2，…β ρ]，其参数估计残差平方和为Sp; 数据X*的p-1阶自回归模型为： Xt - β Ixt-1+β 2Xt-2+... + β p-ixt-p+l+ ε t， 其自回归模型系数β = [ β i，β 2，…β ρJ，其参数估计残差平方和为sp_1; 3. 2假设Hc^bp= O成立时，可作F分布统计量为F = ISlJin-Ip)选显著 水平α，以分子自由度1，分母自由度n-p，查表得Fa，如果F>Fa，则表示H tl不成立，p阶与 P-I阶模型有显著差别，采用P阶；反之，采用P-I阶； 步骤 4:形成新的数据为 Xh= [X Λ x2h,…，xn_hh] e Rm(h+1) x (n_h)，Xih= [X 1; X1, ，… ，入 1，i-h，人2, i，人2, i_l， ，人2, i_h， ，人m，i，人m，i_l， ，人m，i_h」， 步骤5 :利用KPCA核主元分析对数据Xh进行白化处理，提取核主元分量Zfew，并采用 独立分量分析估计独立元su; 步骤6 :过程监控，计算独立元Su对应的SPE统计量和T 2统计量，并分析与SPE控制 限和T2控制限对比是否超限，若SPE统计量或T 2统计量超限则过程发生异常工况，否则正 常；所述SPE控制限和T2控制限根据经验得到，SPE统计量和T 2统计量通过以下公式计算 得到： 利用步骤5得到的独立元Su计算T 2: T1=StuSu^ 利用投影特征空间矩阵Φ (Xh)计算SPE :
其中，Φ (Xh)内积可由投影变换的格拉姆矩阵K= ΦΦΤ计算，V为格拉姆矩阵的特征 向量； 步骤7 :利用T2贡献图法实现异常诊断； 将T2统计量对原始变量的一阶偏导数作为衡量原始变量对诱导故障发生贡献程度，T 2 统计量对应的一阶偏导数最大的原始变量作为诱导故障发生的原因；核映射矩阵的一阶偏 导数为：
其中V = [Vl，V2，…，vn]，Vi设定为1其他设定为0,得到第i个变量在扩展矩阵中的偏 导数； < 是离线训练Xh中第j个观测向量；X=是在线监测观测向量；得到核映射矩阵的 一阶偏导数是在线监测向量第i个变量对于第j个观测向量的贡献：
则T2统计量对数据X*的变量X "的一阶偏导数为：
其中，Λ为格拉姆矩阵特征值构成对角矩阵。
【专利摘要】本发明公开了一种非高斯动态高含硫天然气净化过程异常检测与诊断方法，该诊断方法按如下步骤进行：随机采集高含硫天然气净化过程数据组成原始测量样本集；对数据进行预处理；通过分析工业过程自回归模型，确定模型时滞阶次，然后将数据投影到核独立元空间，通过监控独立元对应的T2和SPE统计量是否超出正常状态设定的控制限实现异常检测。最后计算T2统计量对原始变量的一阶偏导数，绘制其贡献图，从而实现异常诊断。本方法能够及时检测故障发生，并追溯工艺操作参数导致故障发生原因，从而为系统故障排查和恢复提供决策参考依据，实现非线性、动态、非高斯过程监控。
【IPC分类】G05B23-02
【公开号】CN104656635
【申请号】CN201410849339
【发明人】张利亚, 李太福, 李景哲, 邱奎, 裴仰军, 辜小花
【申请人】重庆科技学院
【公开日】2015年5月27日
【申请日】2014年12月31日