] 根据公式：
[0074] Xl = SlX (Xmax( j)-Xmin( j))+Xmin( j)
[0075] 确定第j个参数所对应的报警阔值下限XI;其中，Xmin(j)为第j列历史训练数据的 最小值;Xmax( j )为第j列历史训练数据的最大值。
[0076] 进一步的，所述报警阔值确定单元，还用于：
[0077] 根据公式：
[0078] F(x) = 1-a
[0079] 确定每个参数所对应的第二参数值S2;
[0080] 根据公式：
[0081] X2 = S2 X (Xmax( j )"Xmin( j ) ) +Xmin( j )
[0082] 确定第j个参数所对应的报警阔值上限X2。
[0083] 本发明实施例提供的一种炼化过程参数动态报警阔值的生成方法及装置，通过不 断更新的参数的历史训练数据进行核密度估计，生成每个参数的概率密度函数，从而确定 每个参数的概率分布函数，进而确定每个参数所对应的报警阔值。本发明适用于炼化过程 中的过渡过程、多工况过程和工况缓慢而正常的漂移过程的故障监测，显著降低了误报警 率并提高了故障监测的灵敏性。本发明可W解决当前采用静态模型参数阔值方法，并由人 工调节参数报警阔值，容易引发误报警或漏报警，且容易降低异常监测的灵敏度的问题。
【附图说明】
[0084] 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，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地介绍，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性的前提下，还可 W根据运些附图获得其他的附图。
[0085] 图1为本发明实施例提供的一种炼化过程参数动态报警阔值的生成方法的流程图 -* ? ，
[0086] 图2为本发明实施例提供的一种炼化过程参数动态报警阔值的生成方法的流程图 -*?，
[0087] 图3为本发明实施例中的历史训练数据曲线示意图；
[0088] 图4为本发明实施例中的归一化后的历史训练数据曲线示意图；
[0089] 图5为本发明实施例中的经过核密度估计后得到的参数的概率分布函数曲线示意 图；
[0090] 图6为本发明实施例中的丙烷塔原料缓冲罐液位监测过程的参数动态阔值监测曲 线和静态参数阔值监测曲线的示意图；
[0091] 图7为本发明实施例中的丙締塔底重沸器气控反塔溫度的监测过程的参数动态阔 值监测曲线和静态参数阔值监测曲线的示意图；
[0092] 图8为本发明实施例提供的一种炼化过程参数动态报警阔值的生成装置的结构示 意图。
【具体实施方式】
[0093] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0094] 如图1所示，本发明实施例提供一种炼化过程参数动态报警阔值的生成方法，包 括：
[00M]步骤101、获取炼化过程生产装置的参数历史数据。
[0096] 步骤102、确定所述参数的历史数据所对应的滑动窗口长度和步长。
[0097] 步骤103、根据所述滑动窗口长度和步长，确定参数的初始历史训练数据，并自所 述初始历史训练数据每隔一个步长时间更新一次历史训练数据。
[0098] 其中，所述初始历史训练数据为确定历史训练数据的初始时刻之前的一滑动窗口 长度的参数的历史数据。
[0099] 步骤104、对该历史训练数据进行列向的归一化处理，形成归一化历史训练数据。
[0100] 步骤105、根据该归一化历史训练数据对每个参数进行核密度估计，生成每个参数 的概率密度函数。
[0101] 步骤106、根据该每个参数的概率密度函数，确定每个参数的概率分布函数。
[0102] 步骤107、根据该每个参数的概率分布函数W及预先设置的报警阔值置信度，确定 每个参数所对应的报警阔值。
[0103] 本发明实施例提供的一种炼化过程参数动态报警阔值的生成方法，通过不断更新 的参数的历史训练数据进行核密度估计，生成每个参数的概率密度函数，从而确定每个参 数的概率分布函数，进而确定每个参数所对应的报警阔值，所确定的报警阔值为动态的报 警阔值。本发明适用于炼化过程中的过渡过程、多工况过程和工况缓慢而正常的漂移过程 的故障监测，显著降低了误报警率并提高了故障监测的灵敏性。本发明可W解决当前采用 静态模型参数阔值方法，并由人工调节参数报警阔值，容易引发误报警或漏报警，且容易降 低异常监测的灵敏度的问题。
[0104] 为了使本领域的技术人员更好的了解本发明，下面列举一个更为详细的实施例， 如图2所示，本发明实施例提供的一种炼化过程参数动态报警阔值的生成方法，包括：
[0105] 步骤201、获取炼化过程生产装置的参数的历史数据。
[0106] 步骤202、确定所述参数的历史数据所对应的滑动窗口长度和步长。
[0107] -般情况下，可W根据参数的波动程度，确定历史训练数据更新的滑动窗口长度 和步长。例如，滑动窗口长度可W为L可W根据炼化过程现场经验选取生产工况平稳运行的 数据长度作为该滑动窗口长度L。步长D是指每次历史训练数据更新时窗口数据添加或丢弃 的数据长度，若工况变化较缓慢则可W适当增加步长D，若工况变化较频繁可适当减小步长 D。
[0108] 步骤203、确定参数的初始历史训练数据矩阵。
[0…9]此处，参数的初始历史训练数据矩阵可W表示为 其中，Io为历史训练数据长度;m为参数的历史训练数据的过程变量个数。当然，此处的Xo为 剔除故障数据后的历史训练数据。
[0110] 步骤204、在每隔一个步长D时间更新一次该历史训练数据。
[0111] 随着滑动窗口滑动，每隔一个步长D时更新一次历史训练数据，则第k次更新后的 监测参数的历史训练数据可W表示为：
。 其中，Ik为第k次更新后的历史训练数据长度。
[0112] 步骤205、对该历史训练数据进行列向的归一化处理，形成归一化历史训练数据。
[0113] 此处，可W根据公式：
[0114]
[0115] 确定归一化历史训练数据;其中，Xi,/为该归一化历史训练数据中第i行第j列的 数据;Xi,功历史训练数据Xk中第i行第j列的数据;Xmin(j)为第j列历史训练数据的最小值； X"ax(j)为第j列历史训练数据的最大值。
[0116] 步骤206、根据该归一化历史训练数据对每个参数进行核密度估计，生成每个参数 的概率密度函数。
[0117] 具体的，此处可W根据公式：
[011 引
[0119] 对每个参数进行核密度估计，生成每个参数的概率密度函数f (X)。
[0120] 其中：
；lk为第k次更新后的历史训练数据的 长度;d为预先设置的空间维数，在本发明实施例中，该空间维数可W为2,但不仅局限于此；
妇高斯核函数一.为第j个参数的归一化 历史训练数据均值。
[0121] 步骤207、根据该每个参数的概率密度函数，确定每个参数的概率分布函数。
[0122] 此处，可W根据公式：
[0123]
[0124] 确定每个参数的概率分布函数F(X)。
[0125] 步骤208、根据该每个参数的概率分布函数W及预先设置的报警阔值置信度，确定 每个参数所对应的第一参数值Si和第二参数值S2。
[0126] 此处，可W根据公式：
[0127] F(X)=曰
[0128] 确定每个参数所对应的第一参数值Si。其中，a为预先设置的报警阔值置信度;在 本发明实施例中，a可W为0.05,但不仅局限于此；
[0129] 另外，可W根据公式：
[0130] F(x) = l-a
[0131] 确定每个参数所对应的第二参数值S2。
[0132] 步骤209、确定第j个参数所对应的报警阔值下限和报警阔值上限。
[0133] 此处，可W根据公式：
[0134] Xl = Sl X (Xmax( j )-Xmin( j ) )+Xmin( j )
[0135] 确定第j个参数所对应的报警阔值下限XI;其中，Xmin(j)为第j列历史训练数据的 最小值;Xmax(j)为第j列历史训练数据的最大值。
[0136] 另外，可W根据公式：
[0137] X2 = S2 X (xmax( j )-Xmin( j ) )+Xmin( j )
[0138] 确定第