的對應(yīng) 列代表立維所需的或目標(biāo)輸出向量y= [yl，y2，y3]。由于輸入和輸出的量值彼此大幅地不 同，所W，它們WO-I比例歸一化。為了避免上述的'過度訓(xùn)練'現(xiàn)象，隨機選取80%的總數(shù)據(jù) 集W用于訓(xùn)練，鑒于驗證及測試，選取剩下20%的總數(shù)據(jù)集。
[0105] 在實例中，識別出10個參數(shù)作為用于MN的輸入?yún)?shù)，而氧氣轉(zhuǎn)換、饋送選擇性W 及反應(yīng)器溫度被指定為輸出參數(shù)或目標(biāo)。運些數(shù)據(jù)接著用于建立如上所述的AN飾莫型。
[0106] 基于Ar^N建模的優(yōu)點在于可W對于所有工藝輸出，即氧氣轉(zhuǎn)換(yl)、催化劑選擇性 (y2) W及反應(yīng)器溫度(y3)，建立綜合的多輸入多輸出(MIMO)模型。
[0107] 雖然在網(wǎng)絡(luò)權(quán)重的基于EBP的迭代更新的實例中使用訓(xùn)練集，但是相同的測試集 用于同時監(jiān)控MLP模型的歸納(generalization) eMLP架構(gòu)包括十個輸入(N= 10) W及S個 輸出化=3)節(jié)點。
[0108] 在開發(fā)最佳MLP模型的實例中，系統(tǒng)地改變了其結(jié)構(gòu)參數(shù)，即隱藏節(jié)點化)的數(shù)目、 輸入層W及輸出層中的激勵函數(shù)、學(xué)習(xí)率W及MN算法。為了選擇整體最佳的網(wǎng)絡(luò)模型，選 取具有最低AARE的模型W用于測試集(參見下述）。
[0109] ANN模型的表現(xiàn)評估
[0110] 有不同的測量用于評估ANN表現(xiàn)（performance )，驗證W及留一法（leave-one- out)誤差評估是最常使用的，可W將全部可取得的數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)(80%的數(shù)據(jù))和測試 數(shù)據(jù)(隨機選取20 %的數(shù)據(jù)）。在訓(xùn)練數(shù)據(jù)上訓(xùn)練Ar^N算法，但測試數(shù)據(jù)上評估ANN表現(xiàn)。
[0111] ANN預(yù)測的統(tǒng)計分析可基于下述表現(xiàn)準(zhǔn)則：
[0112] 1.測試數(shù)據(jù)的平均相對誤差絕對值(AARE)應(yīng)是最小的
[0114] 2.測試數(shù)據(jù)誤差的標(biāo)準(zhǔn)差應(yīng)是最小的
[0116] 3.在輸入與輸出之間的交叉關(guān)聯(lián)的系數(shù)(R)應(yīng)約等于一 (unity)。
[0118] 如果系統(tǒng)能很好地執(zhí)行系統(tǒng)尚未受訓(xùn)的測試數(shù)據(jù)，訓(xùn)練則被視為是成功的。
[0119] 在AN飾莫型調(diào)諧參數(shù)的優(yōu)化后，取得的模型輸出在表2中概述。在所有的可能之外， 在隱藏層中具有十個數(shù)目的節(jié)點W及在輸入層和輸出層有雙曲正切及線性函數(shù)的萊文伯 格-馬夸特(Ma;rquard Levenburg)算法(Gill ,1981)被選為用于本情形的優(yōu)選的解決方案 (具有最低的AARE)。氧氣轉(zhuǎn)換、選擇性W及反應(yīng)器溫度的低AARE分別為0.4、0.05W及 0.48%，并且被視為考慮對EO反應(yīng)現(xiàn)象的較差不甚理解的優(yōu)良預(yù)測表現(xiàn)，W及用于訓(xùn)練的 大數(shù)據(jù)庫包括各種生產(chǎn)容量和不同催化劑年齡。
[0120] 表2:基于Ar^N的EO反應(yīng)器模型的預(yù)測誤差
[0121]
[0122] 使用AN飾莫型W用于故障檢測
[0123] 一旦開發(fā)出離線Ar^N模型，其可被用于根據(jù)工廠的實時輸入來預(yù)測實時輸出。模型 預(yù)測輸出接著與實際輸出比較。由于在訓(xùn)練階段期間，在實際輸出和模型預(yù)測輸出之間的 誤差％是非常小的，所W在正常操作期間，也預(yù)測線上Ar^N模型產(chǎn)生非常小的誤差％ (通常 小于1%)。但是如果在工藝中發(fā)生任何異常事件時，此預(yù)測誤差％將急劇上升，并且因此產(chǎn) 生故障信號。通過運種方式，使用AN飾莫型W實時監(jiān)測工藝中的故障。
[0124] 一旦已建立令人滿意的稱為離線模型的ANN EO反應(yīng)器模型時，此模型接著用于線 上實時系統(tǒng)。參見圖2,在線上實時系統(tǒng)中，實時Ar^N輸入數(shù)據(jù)從歷史數(shù)據(jù)庫饋送至裝載有 ANN軟件的計算機。圖2表示了對于高度及中度選擇性催化劑的選擇性相對于氯化物濃度的 曲線圖。MN模型可W立即計算3個MN輸出參數(shù)，W及借助于MN模型立即計算出誤差百分 比。
[0125] 如圖9所示，W實時為基礎(chǔ)地繪出實際輸出和預(yù)測輸出的參數(shù)值。圖9:實時的MN 預(yù)測表現(xiàn)，表示了按照實際工廠數(shù)據(jù)的ANN模型預(yù)測的良好性。只要3個輸出的預(yù)測誤差百 分比是在闊值范圍內(nèi)（在此情形中為3%)，則該工藝被認為是正常。如果在任何時間點，預(yù) 測誤差百分比增加至它們的最大極限值之外，產(chǎn)生故障信號并且作出發(fā)生異常事件的結(jié) 論。
[0126] 在EO反應(yīng)系統(tǒng)中觀察到的異常事件
[0127] 從全世界過去20年各種E0/EG工廠的經(jīng)驗，取得反應(yīng)系統(tǒng)中可能的異常事件。EO系 統(tǒng)中某些但非全部的主要異常事件包括：
[0128] 1)催化劑過度氯化W及催化劑選擇性隨之損失
[0129] 2)催化劑氯化不足并損失選擇性
[0130] 3)催化劑活性的損失
[0131] 4)由于氯化物饋送增加或系統(tǒng)的氯化物損失下降，反應(yīng)器入氣口處總氯化物的突 然增加
[0132] 5)來自環(huán)氧乙燒洗涂器頂板(overhead)的高EO突破點，其對催化劑選擇性和活性 帶來不利影響。
[0133] 6)從清洗塔頂部的高濕氣轉(zhuǎn)移，其對催化劑選擇性具有負面影響
[0134] 7化于C〇2移除單元中的問題，反應(yīng)器入日氣體處的高C〇2濃度
[0135] 8)在反應(yīng)器管內(nèi)部的熱點或任何燃燒反應(yīng)的形成
[0136] 9)反應(yīng)器容量的突然增加或降低
[0137] 10)任何其它異常事件，包括但不限于反應(yīng)器回路中任何的流量傳送器故障、氯化 物分析器或質(zhì)譜儀(或氣體層析儀)故障等等。
[0138] 用于PCA輸入?yún)?shù)的選取準(zhǔn)則
[0139] 為了建立可靠的PCA模型，選擇適當(dāng)?shù)妮斎雲(yún)?shù)是重要的?？蒞選擇輸入?yún)?shù)使得 可W捕捉EO反應(yīng)系統(tǒng)中的所有潛在的異常事件。
[0140] 參考圖2,對于高選擇性和中度選擇性催化劑，在最佳的氯化物區(qū)中操作氯化物濃 度是非常重要的。如圖2所示，此最佳區(qū)是非常窄的，在此區(qū)之外的氯化物的任何偏差將造 成選擇性急劇下降。
[0141] -般來說，期望催化劑在工廠中的最佳區(qū)執(zhí)行或運行。催化劑運行與最佳區(qū)的任 何偏離難W由面板操作員探測，如果使其維持未被探測，則選擇性將急劇下降。選擇輸入?yún)?數(shù)W快速捕捉氯化不足和過度氯化的區(qū)域。
[0142] 可W使用下面的評述W選擇與PCA模型建立對應(yīng)的輸入?yún)?shù)：
[0143] 1)使用工藝知識和工廠操作經(jīng)驗W將征兆和根本原因參數(shù)列入候選清單：
[0144] 起初，一個接一個地選擇異常事件W用于進一步的研究。舉例來說，選擇上述列出 的第一異常事件，即"催化劑過度氯化W及隨之的催化劑選擇性損失"，W用于進一步的分 析。工廠操作經(jīng)驗，現(xiàn)在應(yīng)用EO反應(yīng)系統(tǒng)的領(lǐng)域知識識別能捕捉異常事件發(fā)生的所有相關(guān) 的輸入?yún)?shù)。識別出可W被認為是異常事件的征兆(symptom attic)的某些參數(shù)。識別出異 常事件的根本原因的某些其它參數(shù)。進行邏輯推理W理解催化劑過度氯化期間可能發(fā)生的 事。根據(jù)經(jīng)驗及工藝知識，識別所有征兆W及根本原因參數(shù)。舉例來說，選擇性將急劇下降 W及出口的氧氣濃度在過度氯化事件期間也將下降。所W可W選擇運兩個參數(shù)作為征兆參 數(shù)。EDC流量增加 W及隨后的總氯化物增加被視為對應(yīng)過度氯化現(xiàn)象的根本原因參數(shù)。根本 原因參數(shù)并非總是如此明顯。類似的例子，EDC流量不會增加，但是來自系統(tǒng)的氯化物損失 降低并因此增加反應(yīng)器入口處的總氯化物。沒有直接指示來自系統(tǒng)的氯化物損失，所W也 包括例如洗涂器頂部溫度、清洗塔頂部溫度等間接參數(shù)作為根本原因參數(shù)。
[0145] 2)使用實際的操作數(shù)據(jù)W增加更多參數(shù):在工廠的壽命中，偶爾發(fā)生運些類型的 異常事件。當(dāng)運些類型的異常事件發(fā)生在工廠中時，操作員通常在他們的每日日志中寫下 有關(guān)發(fā)生的細節(jié)。研究運些日志W(wǎng)及工廠歷史工藝數(shù)據(jù)W識別工廠過去真正發(fā)生運些異常 事件的時間周期。詳細研究在此時間周期期間的所有有關(guān)的參數(shù)W識別更多的征兆和根本 原因參數(shù)。使用統(tǒng)計方法W找出催化劑選擇性與其它參數(shù)之間的相關(guān)系數(shù)。更緊密地觀察 W及包括具有在0.5至1(高度正相關(guān)）W及-0.5至-U高度負相關(guān))之間的相關(guān)系數(shù)的參數(shù) 作為PCA的輸入。
[0146] 3)研究異常事件期間快速變化的參數(shù):相比于變化很慢(可在數(shù)小時之后）的某些 參數(shù)，有某些參數(shù)是當(dāng)異常事件發(fā)生時（可在任何異常事件發(fā)生后的數(shù)分鐘之內(nèi)）變化很 快。
[0147] 舉例來說，對于過度氯化現(xiàn)象，相比于選擇性變化(耗費4-6小時W響應(yīng)），出口氧 氣濃度變化很快(例如在數(shù)分鐘之內(nèi)）?？焖僮兓膮?shù)比緩慢變化的參數(shù)被給予更多的優(yōu) 先權(quán)，使得工藝中的任何異?？蒞被快速檢測。在上述步驟2中被列在候選清單中的各及每 一參數(shù)的趨勢被詳細地研究，并且快速變化的參數(shù)在候選清單中被給予優(yōu)先權(quán)。在異常事 件期間，選擇輸入?yún)?shù)的專業(yè)知識是必要的，W快速捕捉系統(tǒng)的變化。
[0148] 4)輸入?yún)?shù)的數(shù)目應(yīng)是最小的:輸入?yún)?shù)的數(shù)目應(yīng)盡可能的小W檢測如上列出的 異常事件中的所有特征。最簡單的故障診斷PCA模型將避免大量的輸入?yún)?shù)傳送器的噪聲 或故障所引起的不必要的故障檢測。而且，避免了冗余的工藝參數(shù)。舉例來說，反應(yīng)器蒸汽 鼓壓力W及反應(yīng)器冷卻液溫度通過蒸汽表關(guān)系相關(guān)并因此代表冗余信息。所W，它們中的 任一項足W作為輸入?yún)?shù)。
[0149] 表3給出了選取用于示例性E0/EG工廠中PCA模型建立的輸入?yún)?shù)列表。
[0150] 表3:基于PCA的EO反應(yīng)器模型的輸入?yún)?shù)
[0153] 如何實時捕捉PCA輸入數(shù)據(jù)
[0154] 在PCA建模中，數(shù)據(jù)的品質(zhì)和數(shù)量至關(guān)重要，因為最終模型主要根據(jù)運些數(shù)據(jù)。在 示例性的實際工廠中，收集約六個月的穩(wěn)定狀態(tài)下的每兩分鐘的操作數(shù)據(jù)。如早先所述，使 用工廠歷史數(shù)據(jù)庫(如PI系統(tǒng)、IP21或Exaquantum等一些商業(yè)上可取得的數(shù)據(jù)歷史系統(tǒng)）W 收集所有歷史數(shù)據(jù)。
[0155] 在PCA中有兩種數(shù)據(jù)類型。第一類型的數(shù)據(jù)被稱為普通工廠數(shù)據(jù)，其為工廠正常W 及平順運行時的數(shù)據(jù)。
[0156] 通過小屯、讀取控制室內(nèi)操作員所維持的每日日志，可W發(fā)現(xiàn)平順運行的工廠的證 據(jù)W及時間間隔。第二類型的數(shù)據(jù)是當(dāng)工廠中發(fā)生任何異常事件時的輸入數(shù)據(jù)。再次，從每 日日志中取出異常事件的時刻W及性質(zhì)。運些數(shù)據(jù)被保存在標(biāo)識有對應(yīng)異常事件的單獨的 文件中。
[0157] PCA輸入數(shù)據(jù)怎樣與ANN輸入/輸出數(shù)據(jù)相關(guān)？
[0158] 因為它們檢測和/或診斷故障的方式不同，所W，雖然某些參數(shù)是共同的，但是， PCA輸入數(shù)據(jù)與Ar^N輸入/輸出數(shù)據(jù)是不同的。雖然PCA和Ar^N都是對應(yīng)任何異常性而監(jiān)控類 似的工藝，但是它們的目的不同。通過應(yīng)用PCA，多維或多變量的數(shù)據(jù)集減少至更少的維度 (即主成分），而在數(shù)據(jù)內(nèi)仍然保留盡可能多的有用信息，運大幅簡化工藝數(shù)據(jù)的分析、W及 任何異常事件的檢測。另一方面，ANN使用反應(yīng)器模型W根據(jù)從其輸入?yún)?shù)收到的信息而預(yù) 測催化劑的關(guān)鍵性能參數(shù)。W工廠正常W及平順運行時的穩(wěn)定狀態(tài)的每小時平均數(shù)據(jù)訓(xùn)練 Ar^N模型。只要AN飾莫型能準(zhǔn)確地預(yù)測性能參數(shù)，則其指示操作是穩(wěn)定和正常的。當(dāng)實際的性 能參數(shù)明顯不同于ANN預(yù)測時，其指示工藝中發(fā)生某些異常事件，W致于工藝不再按照其受 訓(xùn)的模型表現(xiàn)。
[0159] 下表表示PCA輸入?yún)?shù)與Ar^N參數(shù)之間的某些關(guān)鍵差異。
[0160] 表4: PCA輸入?yún)?shù)與ANN輸入數(shù)據(jù)之間的差異
[0163] 在Landells等人的專利（美國專利2010/0036529)中；為煉油工藝而初始建立MPC 模型。此模型根據(jù)某些獨立的工藝參數(shù)預(yù)測某些相關(guān)值。將此預(yù)測模型計算的因變量值從 真