基于物理-大数据混合模型的化工生产在线故障检测与诊断技术的制作方法
【专利摘要】本发明公开了一种基于物理?大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于，所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型；在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障原因；本发明的方法应用在确定的单一化工单元操作上，建立可靠的物理模型，而在整个生产过程采作化学计量学的方法，引入大数据处理技术处理数年的实时数据，着眼于操作人员在可控操作变量范围内性能指标的故障，排除了不可控生产过程变量的对故障检测的影响。
【专利说明】
基于物理-大数据混合模型的化工生产在线故障检测与诊断 技术
技术领域
[0001] 本发明涉及化工生产过程中安全检测与控制领域，尤其涉及一种基于物理-大数 据混合模型的化工生产在线故障检测与诊断技术。
【背景技术】
[0002] 化工生产过程极其复杂，伴随着很多尚未探明的物理和化学反应。对连续流程工 业而言，维持一个稳定的工况，不仅可以减少事故和次生灾害，也对稳定产品质量、在优化 的工况下进行最优成本操作以获得最大经济效益。因而这里所指的故障，不仅包括影响装 置安全的异常情况(统称为安全故障），也包括产品质量及最优操作工况的偏离(统称为性 能故障）。
[0003] 针对复杂的化工生产过程，目前常用的故障检测与诊断方法大多都是建立在数据 驱动模型的基础上。过去的20年里，化工和信息领域的专业人员进行了大量有益的探索，尤 其是2000年前后生产实时数据库的建设和普及，给信息化技术深入到化工生产领域带来了 契机，催生出很多在线应用，也使得故障检测与诊断技术的在线应用得到快速发展。目前常 用的故障检测与诊断方法大多都是建立在数据驱动模型的基础上。
[0004] 基于生产历史数据的统计方法一一化学统计学建模，即通过对大量历史数据的分 析，获取数据的内在关联性，发现异常(通常是生产参数之间内在关联性的破坏，或整个操 作工况相对于正常值有偏离)后，精准地定位到发生问题的单元、设备，或参数上，通过关联 影响因素和分析结果的同步展示，为操作人员和管理人员提供及时、准确的故障检测与诊 断信息。
[0005] 随着大数据技术的兴起，可以综合大数据的统计处理方法，大数据技术相比传统 的统计方法更突出了只问关联、不问因果，着重于证析数据之间的关联性的特点，大数据技 术对解决工厂复杂、隐含而难以测量的变量间影响关系，有其独到之处，例如生产单元A中 生产工况会影响到单元A输出中间产品的品质（例如纯度及敏感杂质含量），如果中间产品 的品质无法在线测试或测试成本高昂，这些隐含的关系也会影响后续生产单元B的生产情 况，通过大数据分析技术，不仅可对单元A的故障进行监测与诊，而且在时间序列上，可以对 生产单元B的故障进行预警，并提醒操作人员作出及时的调整。但对于化工生产而言，很多 单元操作尤其是物理过程(如换热，压缩，精馏等等），有确定的质量及能量平衡关系，而且 流程的前后操作单元常存在物理隔离(如被中间贮罐隔离两个分离单元），物理参数之间不 存在物理上的相关性，直接采用大数据分析技术，因为测量数据间存在的噪音影响，又或者 是受到公用工程(如动力蒸汽温度，燃料气压力组成)影响，这些物理上不存在关联的数据 在大数据所建立的模型上常常出现高度的关联性，让大数据分析人员误认为存在关联，这 种违反物理定律的关联使得故障诊断的误判率增大，导致生产技术人员对故障检测产生不 信任，给推进工业4.0及智能工厂建设带来了 一定的阻力。
【发明内容】
[0006] 针对上述存在的问题，本发明目的在于提供一种基于物理-大数据混合模型的化 工生产在线故障检测与诊断技术。
[0007] 为了达到上述目的，本发明采用的技术方案如下：一种基于物理-大数据混合模型 的化工生产在线故障检测与诊断技术，所述的故障检测与诊断技术的操作方法如下:在选 取目标操作单元后，将对该单元的所有历史数据进行扫描，经过校验参数后，建立事故知识 库和参数模型;在后续的在线检测过程中，将在线数据直接导入到参数模型中，经扫描后得 出在线数据中的故障数据，发出警报，将故障数据与事故知识库中数据进行对比，得出故障 原因。
[0008] 本发明所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断技术， 其详细的操作方法包括以下步骤： 1) 利用实时数据库(如IP21、PI等)收集工厂级过程的数据组成建模用的训练数据样本 集:X€:RnX'其中， n为样本数据集的个数，m为样本数据集的变量个数； 2) 针对工厂级过程数据集X霉RnXm，提取出有确定物理模型的生产单元Q，建立此生产 单元的物理模型，将这一生产单元过程变量归集在数据子集XqeR nXq，q为有确定物理模型 的单元操作的变量个数。
[0009] 此处的生产单元Q可以是一个也可以是多个，通常情况下越多越好，更能反应化工 生产过程的物理法则及充分利用工程知识，而非单纯依赖于统计数据分析。工厂级过程数 据集X ?RnXm，在有确定物理模型的生产单元，使用物理模型提取该生产单元的关键性能 指标，实际上是基于物理模型进行降维，即根据该生产单元的化学组成，物料、热量以至化 学相平衡、化学反应平衡模型，计算出该单元对目标性能指标的关键贡献变量，起到物理降 维的作用。
[0010] 3)舍弃具有确定物理模型的生产单元的原始变量，而采用根据物理模型提取的关 键指标k，将单元操作子集Xq从q维降为k维； 在训练样本中移除具有确定物理模型的生产单元中的原始变量，而代之以从物理模型 中提取的关键性能指标，将其与未参与物理建模的其下剩余的操作变量重新组合，形成新 的训练样本Xnew，Xnew e RnXp，数据集确定生产单元物理模型降维后的新变量个数。
[0011 ] 4)对Xnew进行归一化处理;其中xu_iSXnew各列的平均值，std_i为Xnew各列的标 准差，归一化后的Xnorm=(Xnew_i-xu_i)/std_i，得到经过变换后的Xnorm的绝对值不超过 3.5，判断绝对值超过3.5的Xnorm为异常值。
[0012] 5)提取工厂级过程的主元数据方向，建立工厂级的监测统计量及其监测限。
[0013]以Xnew建立全厂级的的主元分析或偏最小二乘模型，其中以稳定性为目的的指标 指的是仅一组操作工况，无法实时确定生产过程的数量化目标;其中性能指标指的是生产 过程有在线的或者离线的质量、成本相关的数值指标。
[0014]如果监控的是以稳定性为目的的指标，则建立主元过程故障检测模型，形成工厂 级范围的故障检测模型，计算在主元载荷、SPE、Hotelling T~2在不同置信度下的控制范 围。
[0015]如果监控的是性能指标，则采用偏最小二乘模型的具体步骤为:假设目标性能变 量y与操作条件Xnew:€RnXp有关，其中前h个操作变量xl，x2，. . xh是不可控操作条件，例如 大气温度、必须满足的客户对产品的需求量，也就是操作人员无法对这些操作变量作出自 由的调整;其中后（P_h)个变量是操作人员可以调整的操作变量。
[0016] 首先，第一层模型目标性能变量y_act与不可控操作条件xi (i = l…h)建立偏最 小二乘模型;计算模型的预测值y_cal，其中残- y_cal;第二层模型再用又_ res与可控操作条件xj (j=h+l…p)建立偏最小二乘模型，y_res的模型预测值用7_1^1表 示，最终目标性能变量的最终预测值可表达:y_t cl= y_cal + y_rcl。
[0017] 根据操作人员实际可控的范围及其对性能指标的影响，判断新的性能指标控制区 间，其具体的操作步骤为：由于所用的样本直接是生产实时数据库的中海量数据直接使用， 因此监控指标的控制范围采用大数据的概念，而非采用少量有代表生产数据是通常采用的 95%的置信度;也可直接对y_cer进行统计分析，取其最好的25%的概率作为故障检测区间， 其物理意义在于:历史上的正常操作水平在50%，而检测区间向性能指标好的方向偏移25%， 也即，如果平均得分是50分，则低于75分的操作工况均视为故障。
[0018] 同时，引入生产过程持续改进的概念，从历史操作数据的统计而言，样本空间的均 值相当于50%的概率下达到的性能水平，而第一步的故障控制范围可以是60%-75%概率下能 达到的性能水平，而经过对故障的检测与诊断，根本原因分析及改进措施，在6-12个月后， 重新抽取历史数据，重复以上的建模过程，形成新的性能指标控制区间。
[0019] 6)收集新的过程数据，并对其进行预处理和归一化。
[0020] 7)用新的过程数据，根据有确定物理模型的生产单元模型，计算该单元的关键性 能指标。
[0021] 8)按训练样本的处理方法，组成新的过程数据集，其中有确定物理模型的生产单 元已由新的关键性能指标来表达。
[0022] 9)如果是采用偏最小二乘法计算性能指标，则除SPE、Hotelling T~2之外，还计算 当前的残差(可控变量的贡献)及其与理想残差预测值之间是否在控制范围之内。将实时监 测的数据中提取出关键数据，将关键数据应用于步骤4)及5)得到的模型或计算方法中进行 计算，最终判断其是否达标计算新的在线监测过程数据中： a) 相应的过程异常的主元分析的判断； b) 关键性能指标的潜结构投影模型。
[0023] 其中关键性能指标的潜结构投影模型的计算方法，其详细的操作方法为:根据新 的生产操作数据，将不可控操作变量当前值输入到第一层模型中，计算得到当前的y'_cal; 根据当前的可控操作变量，输入第二层模型中，计算得到当前的y'_res，当前的实际性能指 标y'_act - y'_ca 1 =y"_res，即为当前的可控操作变量的实际值，通过比较y"res即为可控 操作变量影响下的监控指标；当前生产过程的性能的目标值为，y '_tcl，通过比较y '_act 与y't_tcl这间的差别，如果差别超出规定的监控范围，则表明出现性能故障。
[0024] c)可控范围内是否出现故障的判断； 10)在故障检测的基础上，分别找出当前故障敏感变量及不敏感变量，得到该故障的诊 断结果，指导操作人员进行安全、优质及高效的生产控制。
[0025] 本发明的优点在于:本发明的方法是综合应用物理及大数据方法，在确定的单位 一化工单元操作(某一特定流程、设备)上，建立可靠的物理模型(通常是质量及能量平衡模 型，以及简单明确的化学反应，不涉及复杂的化学反应过程），而在整个生产过程(如一个车 间的多个设备)采作化学计量学的方法(含主元分析、偏最小二乘），引入大数据处理技术处 理数年的实时数据，发现未知的故障，在对性能故障的监控上，采用双层偏最小二乘模型， 着眼于操作人员在可控操作变量范围内性能指标的故障，排除了不可控生产过程变量的影 响。
【附图说明】
[0026]图1本发明的操作流程简图； 图2为本发明的实例用加热炉流程示意图； 图3为本发明的故障检测与诊断的主元得分判断图； 图4为本发明的故障检测与诊断的SPE及T~2计算结果图； 图5为本发明中出现稳定性故障点的关键变量结果图； 图6_a为本发明的性能故障的检测与监控结果图； 图6_b为本发明的图6-a中性能故障点位置放大图； 图7-a为本发明的所有可控变量对性能故障的贡献图； 图7_b为本发明的图7-a中前10个性能故障点影响最大的变量； 图8和图9为本发明的实施例中最终得到的主要操作参数表 图10为本发明的实施例中全厂生产装置示意图。
【具体实施方式】
[0027]下面结合【附图说明】和【具体实施方式】对本发明作进一步详细的描述。
[0028] 现结合一个具体的工厂级化工生产过程例子来说明本发明方法的有效性。该过程 的流程图如图1和图10所示，经过技术人员判定，整个过程由6个不同的操作单元(脱盐、初 馏、常压加热炉、常压塔群、减压加热炉、减压塔群)组成；因此最终得到的主要操作参数如 图8和图9的表格所示。
[0029] 实施例1:对该系统的稳定性故障的检测与诊断。
[0030] 为了测试新方法的有效性，在数据集中标注了常数据和异常数据集进行测试，其 中正常数据包含61225个数据点，以及发生稳定性故障的66个数据点（在55370-55436个 位置）， 第一步利用装置实时数据库收集数据组成建模用的训练样本集:XS.R61291X112。其中，一 览表见附表1。
[0031] 第二步针对具有确定物理模型的生产单元，并根据的物理模型提取关键性能指 标。
[0032] 生产工艺中进料加热炉为例，细节参见图2,在加热炉单元Q中，有约28个过程变 量，Xq€:R61291x28有些过程变量是不可控的，例如散热量通常与设备本身的保温性能与大气 温度、湿度及风速有关，有些过程变量是可控的，例如助燃空气的流量，物料出口温度等。如 果将这28个过程变量直接应用到故障监控中，不仅增加了计算量，也给系统带来了数据噪 声干扰。对加热炉而言，有两个关键参数即可表达该生产单元的关键性能指标，且有明确的 物理意义。
[0033]其中燃料的流量:F_fuel， 加热炉的效率:Ef，与加热炉排烟的温度，含氧量，含一氧化碳量，大气条件有明确的物 理模型，可以计算而得。
[0034]因而对加热炉单元的28个过程变量，现在可以用F_fule，Ef两个新变量表达。
[0035]采用同样的方法，将过程中具有确定物理模型的其他生产单元，提取关键物理模 型参数，进地有物理降维，并有效地保留了相关的物料、热量平衡关系统信息。举例如下：
将每一个有确定物理模型的生产单元的原始操作参数移出训练样本集，而代以上述生 产单元的关键性能指标，形成新的工厂级的数据集XneW€:R61291x67。
[0036] 第三步针对数据集XnewGR61291x67进行归一化;xu_iSXnew各列的平均值，std_i为 Xnew各列的标准差，则归一化后的Xnorm=(Xnew_i-xu_i )/std_i，从统计学的角度来说，经 过变换后绝大多样本数据的值应在【_3.5，+3.5】之间，也较为方便判读超出之一范围的异 常值。
[0037]降维后并包含相关物理信息的的Xnew则过进行常规的多元变量主元分析的方法， 标准化后样本Xnew的协方差矩阵为
通过主元对Xnew进行分解： Xnew=TPT+E T=XP 其中P为负载矩阵，由S的前q个特征向量组成成，T为得分矩阵。
[0038]第四步建立数据统计监测模型 通过直接观测得分矩阵T的起始的两列，即观测变量在两个最大主元向量上的得分，即 可监测故障情况，由于归一化后正常主元的提分通常也【_3.5，3.5】之间，显著偏离这一区 间的即可视为异常，如图3所示，在图中，故障发生时第二主元得分已明显超出正常控制范 围，故障检测成功。
[0039] 通过构造监测统计量，即平方预测误差（SPE)及Hotelling's T~2来实现对过程 稳态有多元统计监控。SPE及T~2均有基于历史数据的，在不同置信度水平下的控制上限。 SPE与监测过程中不同的方面。SPE主要衡量正常过程变量之间相关性被改变的程度。T~2度 量当前工况距离主元子空间原点的距离。
[0040] 其中控制限
Hotelling's T~2计算如如下： r、，、nw m、'，挪 s rf SPE及T~2的监测图如图4所示，其在置信度95%时的控制下限也在图中标出，当统计量 量显著超出控制限时，即可认为出现故障。故障工况时，通常变量之间的正常关系被破坏， 或变量整体上远离正常工况，或两者同时发生。如果置信度提高(更有把握判断是异常），则 图4中红线，其中红线指的是图4中位置在最上方的虚线，将上移。
[00411使用SPE及T~2统计量的另一个优势是通过不同变量对SPE及T~2的"贡献"比例，基 本上可以判断出现异常时，是由哪一个参数引起的。左图中是上页中出现异常时某一点的 变量对SPE及T~2的贡献，从左图中可以看出异常工况主要是哪些变量造成的。可以帮助操 作人员迅速甄别影响因素，并作出正确判断;具体结果如图5所示。
[0042]第五步新的过程数据的判断，如从生产过程的实时数据库中实时取得，则故障检 测可以实时化。
[0043]第六步计算生产单元的物理模型，提取关键性能指标，并合并其他生产操作变量， 使用第三步中得到的样本的平均值与标准差进行归一化处理。
[0044] 第七步:按第四步得出的主元检测模型，计算当前操作变量及在生产单元物理模 型中提取出的关键物理指标的统计监测统计量。
[0045] 第八步计算各监测统计量值，形成工厂级过程的故障检测结果，判断当前过程的 运行状态。
[0046] 实施例2:对该系统的性能故障的检测与诊断： 接下来结合该具体过程对本发明的实施步骤进行详细地阐述： 第一步.同例1中第一步。
[0047] 第二步；同例1中第二步。
[0048]第三步对性能批标进行双层回归分析，得到性能故障的监测模型。
[0049]经提取物理模型关键指标降维得到含有相关物理信息的的Xnew进行归一化（同例 1)并回归分析Xnew与工厂级关键性能指标的关系，以监测过程是否出现性能故障。
[0050]以附图1中的生产过程为例，工厂级的关键性能指标可以表达为高附加值产品（轻 质油品如汽油、柴油的收率)及生产过程的能耗。此二者需综合考虑，此处简化表达为工厂 的效益指标，即目标值Y由以下两项之差a)_b)组成： a) 单位轻油收率增量收益(汽柴油平均修价格-原油价格)*(汽柴油流量/原油流量） b) 单位处理量能源成本，即（加热炉燃料流量*燃料成本+蒸汽流量*蒸汽成本)/原油流 量，由于水、电用量变化较小，不计入能源成本的目标值 采用双层偏最小二乘法得出Y~Xnew的回归模型。
[0051 ] 首先，在Xnew_?nXp中，有些生产变量由原料及成品市场决定，如不同的原油品种， 其本身含高附加值轻质油的含量不同，直接影响Y，而原油处理量来自上级的计划，而操作 人员无法随意改变，因而首先将Y与这些不可控制因素共8个进行第一层偏最小二乘回归 用生产数据计算而出与不可控操作条件xi (i=l…8)建立偏最小二乘模型； 计算模型的预测值Y_cal。
[0052] 再计算残差Y_res=Y_act - Y_cal;第二层模型再用￥_代8与可控操作条件xj (j= h+1…p)建立偏最小二乘模型，Y_res的模型预测值用￥_^1表示，则最终目标性能变量的 最终预测值可表达:Y_tcl= Y_cal + Y_rcl。
[0053]从统计上看，在满足一定回归准确度情况下，性能指标实际值与预测值的误差Y_ err接近正态分布，因而可认为一旦Y_err=Y_act-Y_tcl之间的差别超出一间的范围，即出 现性能故障。控制区间可以如通用的统计过程控制取在不同置信度下的控制区间，通常较 适用于采用少量有代表生产数据是通常采用的95%的置信度。也可采用采用大数据分布密 度的概念，；也即直接对Y_err进行统计分析，取其最好的25%的概率作为故障检测区间，其 物理意义在于:历史上的正常操作水平在50%，而检测区间向性能指标好的方向偏移25%，也 即，如果总分100分，平均得分是50分，则低于75分的操作工况均视为故障。
[0054]为了测试该方法的有效性，使用例一的数据集，通过计算收率-能耗性能指标Y。分 别将Y〈L1〈L2控制区间标在图6-a和图6-b中，其中6-b中带点的线是当前性能，虚线是报警 区间，实线是必须采取纠正措施的区间； 最终得出其中图上方的两条控制线分别对应L1及L2，Y超出L1时即报警提示有可能发 生故障，如果Y超出L2,则操作员须作出相应的调整，以使性能恢复正常。
[0055] 在故障点上，通过各可控变量对残差Y_res的预测值￥_代1的贡献度，可以直接将 影响该故障点性能指标的影响因素，按影响大小的顺序进行排列，便于操作人员迅速发现 导致性能故障的可控操作变量，对其作出调整后，即可消降性能故障。
[0056] 第五步:新的过程数据的判断，如从生产过程的实时数据库中实时取得，则故障检 测可以实时化。取得当前的操作工况，并计算当量的收率-能耗指标Y'。
[0057] 第六步：计算生产单元的物理模型，提取关键性能指标，并合并其他生产操作变 量，使用第三步中得到的样本的平均值与标准差进行归一化处理。
[0058]第七步:按第四步得出的偏最小二乘双层回归模型，将当前变量输入模型，分别计 ^Y_cal, Y_res，Y_tcl〇
[0059] 第八步计算各监测统计量值，形成工厂级过程的故障检测结果，判断当前过程的 运行状态。将Y'，Y_tcl+Ll，Y_tcl+L2打点在同一张图上；当前点的Y'如超出Y_tcl+Ll即 出故障报共警，如Y'超出Y_tcl+L2则必采取行动，调整可控变量，调整的优先级可以参考图 7-a和图7-b，从两图中得出可控变量对残差的影响大小顺次进行调整，直至当前性能指标 在可控范围内。
[0060] 需要说明的是，上述仅仅是本发明的较佳实施例，并非用来限定本发明的保护范 围，在上述实施例的基础上所做出的任意组合或等同变换均属于本发明的保护范围。
【主权项】
1. 一种基于物理-大数据混合模型的化工生产在线故障检测与诊断技术，其特征在于， 所述的故障检测与诊断技术的操作方法如下：在选取目标操作单元后，将对该单元的所有 历史数据进行扫描，经过校验参数后，建立事故知识库和参数模型;在后续的在线检测过程 中，将在线数据直接导入到参数模型中，经扫描后得出在线数据中的故障数据，发出警报， 将故障数据与事故知识库中数据进行对比，得出故障原因；其详细的操作方法包括以下步 骤： 1) 利用工厂级实时数据中的历史数据组成建模用的训练数据样本集:x eRnXm，其中， η为样本数据集的个数，m为样本数据集的变量个数； 2) 针对工厂级过程数据集XSRnxm中有确定物理模型的单元操作Q，将这一生产单元过 程变量归集在数据子集XqSR nxq，q为有确定物理模型的单元操作的变量个数； 3) 提取具有确定物理模型的生产单元中的关键性能指标k，将单元操作子集Xq从q维降 为k维； 4) 在训练样本中移除具有确定物理模型的生产单元中的原始变量，而代之以从物理模 型中提取的关键性能指标，将其与未参与物理建模的其下剩余的操作变量重新组合，形成 新的训练样本Xnew，Xnew e Rnxp; 5) 对Xnew琴:Rnxp进行归一化处理;其中xu_iSXnew各列的平均值，std_i为Xnew各列的标 准差，归一化后的Xnorm=(Xnew_i-xu_i)/std_i，得到经过变换后的Xnorm的绝对值不超过 3.5，判断绝对值超过3.5的Xnorm为异常值； 6) 提取工厂级过程的主元数据方向，建立工厂级的监测统计量及其监测限模型； a) 如果监控的是以稳定性为目的的指标，则建立主元过程故障检测模型，形成工厂级 范围的故障检测模型，计算在主元载荷、SPE、Hotelling Γ2在不同置信度下的控制范围； b) 如果监控的是性能指标，则采有双重残差回归的方法，第一重回归先按性能指标与 生产过程中操作人员不可控因素对性能指标的影响，第二重回归以第一重回归的残差为应 变量，操作人员可控的操作条件为自变量进行偏最小二乘回归； c) 根据操作人员实际可控的范围及其对性能指标的影响，判断新的性能指标控制区 间，以当前操作性能指标与理想性能指标的差距作为故障监控指标，根据过程改进计划，得 出后续操作性能指标中可改进的控制范围； 7) 收集新的在线监测过程数据，采用步骤5)训练样本中取得的变量平均值及标准差其 进行预处理和归一化； 8) 根据有确定物理模型的单元处理新的在线监测过程数据，计算该单元的关键性能指 标，组成新的过程数据集，其中有确定物理模型的生产单元由新的关键性能指标来表达； 9) 将实时监测的数据中提取出关键数据，将关键数据应用于步骤5)及6)得到的模型或 计算方法中进行计算，最终判断其是否达标计算新的在线监测过程数据中： a) 相应的过程异常的主元分析的判断； b) 关键性能指标的潜结构投影模型； c) 可控范围内是否出现故障的判断； 10) 计算监测统计量值，形成工厂级过程的故障检测结果，判断当前过程的运行状态； 11) 在故障检测的基础上，分别找出故障时各个操作变量对监测控制量的贡献值，得到 该故障的诊断结果。2. 根据权利要求1所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断 技术，其特征在于，所述的步骤2)和3)中确定的：工厂级过程数据集为XS.R nxm，在有确定物 理模型的生产单元中，使用物理模型提取该生产单元的关键性能指标，即根据该生产单元 的化学组成，物料、热量以至化学相平衡、化学反应平衡模型，计算出该单元对目标性能指 标的关键贡献变量，即为基于物理模型而进行降维，表示为： XqSRnxS从物理模型中得出：Xq_new=Function (Xq)，Xq€.RnXk，在满足关键指标的同 时，同时满足大数据处理的降维要求。3. 根据权利要求1所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断 技术，其特征在于，所述步骤6)中监控的是性能指标时，采用偏最小二乘模型的具体步骤 为： 目标性能变量y与经物理模型降维后操作条件XnewERnxP有关，其中前h个操作变量是 不可控操作条件，操作人员无法对这些操作变量作出自由的调整，其中后ρ-h个变量即为操 作人员可调整的操作变量； a) 第一层模型目标性能变量y_act与不可控操作条件xnewi (i=l··· h)建立回归模型； b) 计算模型的预测值y_cal，其中残- y_cal; c) 第二层模型用y_res与可控操作条件xnewj (j=h+l··· p)建立回归模型，模型对丫_ res的预测值为y_rcl; d) 目标性能变量的最终预测值表达为:y_tcl= y_cal + y_rcl; e) 模型预测偏差可表达为:第一层总偏差y_ter=yaCt-ytcl，第二层过程可控变量的 偏差:y_cer=y_res_ y_rcl〇4. 根据权利要求3所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断 技术，其特征在于，对性能指标故障的检测范围是通过操作人员实际可控的操作条件的预 测偏差y_cer的统计量，具体的操作步骤为： a) 按权利要求3中a)_e)的步骤，计算训练样本的y_cer，y_cer通常接近正态分布。 b) 可采用常规的标准差控制区间，如在95%置信区间内的控制范围，也可直接 进行统计分析，取其最好的25%的概率作为故障检测区间； c) 在生产过程进行持续改进，经过对故障的检测与诊断，根本原因分析及改进措施;在 6-12个月后，重新抽取历史数据，重复以上的建模过程，形成新的性能指标控制区间。5. 根据权利要求1所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断 技术，其特征在于，所述步骤9)b中关键性能指标的潜结构投影模型的计算方法，其详细的 操作方法为： a) 根据新的生产操作数据，将不可控操作变量当前值输入到第一层模型中，计算得到 当前的y'_cal; b) 根据当前的可控操作变量，输入第二层模型中，计算得到当前的y'_res， c) 当前的实际性能指标y'_act - y'_cal=y"_res，即为当前的可控操作变量的实际 值，通过比较y"res即为可控操作变量影响下的监控指标；当前生产过程的性能的目标值 为，y'_tcl，通过比较y'_act与y't_tcl这间的差别，如果差别超出规定的监控范围，则表 明出现性能故障。6. 根据权利要求1所述的基于物理-大数据混合模型的化工生产在线故障检测与诊断
【文档编号】G06F17/50GK105893700SQ201610263402
【公开日】2016年8月24日
【申请日】2016年4月26日
【发明人】陆新建
【申请人】陆新建