不適當，則點將不會移動并且維持在過度氯化楠圓內。
[0200] 通過運種方式，操作員能理解自己的校正動作足夠到什么程度W及準確到什么程 度。在工藝恢復正常后，參見圖8f，點將移回至正常區(qū)楠圓。
[0201] PCA模型的有效性
[0202] EO催化劑的時變特性
[0203] 如早前所述，催化劑選擇性W及催化劑活性隨著催化劑的年齡而變。由于催化劑 的活性部位因燒結效應而永久喪失，催化劑會逐漸隨著時間失去活性。在催化劑壽命期間 反應器溫度W及總的氯化物需要逐漸增加 W維持生產(chǎn)率。選擇性隨時間連續(xù)下降。所W，使 用最近的數(shù)據(jù)建立的PCA模型在6個月后可能無效。例如，目前看起來正常的反應器溫度和 總的氯化物值在運行6個月后可能不正常。所W，預測的模型方程或系數(shù)因此需要隨催化劑 特性的變化而變化。PCA模型需要使用最近的運行數(shù)據(jù)周期性地再訓練。
[0204] 為了處理工藝的時變特性，開發(fā)可被追蹤并且用于ANNW及PCA模型再訓練的定量 準則。運些包含稱為"殘差"的新變量，其代表在當前的工藝條件下模型的良好性。當殘差值 低于3時，本模型能被認為是良好的并且能捕捉工藝的固有物理現(xiàn)象。然而，如果殘差值超 出3并且維持在該處，則其被認為是表示當前AW#日/或PCA模型選擇性變差W及應當使用最 近的運行數(shù)據(jù)重建/再訓練。
[020引通過殘差圖捕捉PCA模型的效率
[0206] 當發(fā)生異常事件時，在T2圖W及殘差圖中作出下述兩觀察評述。在第一情形中，僅 有T2值將增加超過其較高限制線，但是殘差值將保持在其最大限制值之下。運意為發(fā)生異 常事件，但是其通過PCA模型被很好的計入，運通過低殘差值來表示。殘差代表未由預設數(shù) 目的主成分(通常前兩個或=個主成分）表示的數(shù)據(jù)中的變化量。通常，殘差圖將是在由 95%置信區(qū)間表示的最大限制線代表的闊值之下，運意為工藝數(shù)據(jù)中大部分變化由前兩個 或=個主成分捕捉。在第二情形中，當異常事件發(fā)生并且T2值W及殘差值都越過其較高的 限制線時，運表示工廠中已發(fā)生某些異常事件，其未由當前的PCA模型很好地表示。運給操 作員指示要詳細研究事件。換句話說，如果殘差值增加，其表示相比于模型，工藝中的特性 變化。如果殘差值突然上升超過闊值界限并然后返回，則其可被解釋為工藝中發(fā)生PCA模型 未捕捉到的某些意料不到的事件，即在之前訓練數(shù)據(jù)期間未發(fā)生的。但是如果T2和殘差值 都相當長時間保持在高值并且在工藝中未發(fā)現(xiàn)擾亂或異常，則其能被解釋為由于催化劑表 現(xiàn)變化，工藝特性因而永久變化并且其變化不能通過當前模型捕捉。從如圖6所示的貢獻圖 中，可W發(fā)現(xiàn)關于哪些參數(shù)正將T2W及殘差值驅出范圍之外的更詳細的信息。此時PCA模型 需要使用新的最近的數(shù)據(jù)被重建或再訓練。
[0207] 實施用于EO反應器PCA模型再訓練的定量決定準則。
[0208] 在實例中，對于反應器PCA模型，T2W及用于殘差的較高限制設置為3。運意為，在 正常運行期間，95%的計算的T2W及殘差值將小于3。如果T2W及殘差值連續(xù)=天都保持在 3 W上并且在EO反應工藝中沒有可見的異常時，包括沒有傳送器或分析器的故障，則運可W 被解釋為不再由當前的PCA模型捕捉的工藝特性的永久改變。此時PCA模型需要使用新的最 近的數(shù)據(jù)被重建或再訓練。
[0209] PCA模型的再訓練
[0210] 在實例中，通過收集最近=個月的數(shù)據(jù)而離線完成再訓練，并且依照相同的程序 再次建立PCA模型。輸入?yún)?shù)可保持相同。在再訓練PCA模型后，得分W及負載值將會變化。 新的T2W及殘差值將再次低于它們的最大限制3。而且，如早前所述，在再訓練階段中，對于 任何新的異常事件，識別新的楠圓面積。 郵川 ANN模型的再訓練
[0212] 基本上，PCA和Ar^N是W相似的EO反應工藝建模。當PCA模型由于工藝特性的變化而 失效時，可W預期Ar^N模型也將失效。一般來說，當重新得到PCA模型時，希望也再訓練Ar^N模 型。運也是由MN模型的誤差百分比準則表示。如果MN模型的誤差百分比連續(xù)S天維持高 于3% W上并且工廠運行正常，則AW#莫型也可被再訓練。可通過收集最近=個月的數(shù)據(jù)離 線完成再訓練，并且依照與上述相同的程序再次建立AN飾莫型。
[021引基于ANNW及PCA故障診斷的數(shù)據(jù)流
[0214] 圖10:基于ANNW及PCA的故障診斷系統(tǒng)的原理圖，其代表基于MNW及PCA的故障 診斷原理圖。如圖10中所示，基于AW#日基于PCA的故障診斷系統(tǒng)目標均在于單獨W及獨立 地檢測EO反應工藝中的任何故障。
[0215] 診斷故障的替代方式:Ar^N嘗試使用Ar^N模型而從選取的輸入?yún)?shù)預測EO反應性能 參數(shù)，并且將實際輸出與計算輸出比較。運是基于模型的方式。
[0216] 另一方面，PCA可W采用完全不同的輸入集，并且將多維數(shù)據(jù)集轉換成兩維數(shù)據(jù) 集，該兩維數(shù)據(jù)集設置為通過第一W及第二主成分表示，W為了容易觀察和理解。
[0217] 不同的輸入?yún)?shù):在實例中，從用于其輸入和輸出的每小時平均數(shù)據(jù)中建立Ar^N離 線模型。當工廠處于正常和穩(wěn)定狀態(tài)時，取得運些數(shù)據(jù)。另一方面，對于不同的變量，按兩分 鐘快照數(shù)據(jù)來取得PCA數(shù)據(jù)。PCA輸入?yún)?shù)被認為是比Ar^N輸入?yún)?shù)更詳盡的。而且，在工廠 正常和異常運行期間，取得PCA輸入數(shù)據(jù)。從每日日志中追溯過去發(fā)生在EO反應系統(tǒng)中的所 有異常事件和單獨收集在該時段期間的數(shù)據(jù)。
[0218] 離線模型建立W及線上實施:使用訓練數(shù)據(jù)離線建立Ar^N模型。為診斷故障，Ar^N模 型預測的輸出與W實時為基礎的輸出相比較，運兩者之間的誤差百分比高于30%時產(chǎn)生故 障信號。另一方面，對于正常運行和不同的異常運行，PCA模型在主成分平面內產(chǎn)生不同楠 圓。在PCA平面中實時繪點。此點的位置可W代表該時刻工廠的狀態(tài)。如果此點位于正常楠 圓內部，則工廠是正常運轉。運也可通過實時T2和殘差值來表示，對于正常運行，該值將低 于3。相反地，如果該點落在代表異常運行的某些指定的楠圓內，則產(chǎn)生故障信號。運也可由 高于3的T2值來表示。
[0219] 獨立診斷:A順和PCA可被認為是相同工藝的兩獨立審核，他們根據(jù)完全不同的輸 入集獨立診斷故障。它們的方式不同，它們彼此互補并且可被認為是冗余的。采用兩不同系 統(tǒng)的目的是增加故障檢測的可靠性。從關于故障診斷的各種來源可W知道的是，即使當工 藝正常時，故障診斷系統(tǒng)有時仍會產(chǎn)生故障信號。其使故障診斷系統(tǒng)的用戶混淆，并且如果 錯誤的檢測隨時間繼續(xù)，則此系統(tǒng)的可靠性在用戶的屯、中是降低的。為了避免運種情況，提 出實施兩個冗余的、完全分開的故障診斷系統(tǒng)。為此目的，如圖10所示，設置可選的表決邏 輯W警告用戶故障。
[0220] 附錄
[0221] 主成分的計算
[0222] ?根據(jù)上述準則，選取輸入變量Xi [022引 ?歸一化Xn =U-戰(zhàn)超)/0
[0224] ?計算協(xié)方差矩陣XVXn的所有特征向量和特征值
[0225] ?按照特征值的降序，設置特征向量。產(chǎn)生的矩陣稱為載荷矩陣。第一和第二特征 向量分別Wfl( j)和f2( j)表示。
[0226] ?計算第一和第二主成分為
[0227] PCl = f^XnU)fi<j)
[022引戶 C2 =芝I 瓜(/)/?.(/) >1
[0229] 霍特林的T2計算
[0230] 如下計算霍特林的T2
[023。 >t2= (PCl2/特征值 1 ) + (PC22/特征值 2)
[0232] ?T2統(tǒng)計數(shù)值給出，在由PCl和PC2定義的平面內，取樣離工藝均值的距離的測量
[0233] ?高的T2統(tǒng)計數(shù)值因而表示取樣呈現(xiàn)極端變化，但是通過PCA模型被很好地計入。 殘差的計算
[0234] ?ReS i (j) = Xn(j) - [ (PCi*f 1 (j) + (PC2*f 2 (j)]
[023引?殘差=[2resi( j)2/(n-2)]°'5
[0236] ?殘差給出，取樣垂直于PC1-PC2-平面的距離的測量。
[0237] ?高殘差表示取樣呈現(xiàn)未通過PCA模型很好計入的變化的形式。
[023引參考文獻
[0239] Bulsari A.B.(1994),Applications of artificial neural networks in process engineering，J.Syst.Engg.4,131-170
[0240] Hecht-Nielsen 民.（1989),Theory of the back propagation neural network. Proceedings of the international joint conference on neural networks,I,593-611
[0241] Huang K.，Zhan X-L，Chen F-Q，Lu D-W(2003),Catalyst design for methane oxidative coupling by using artificial neural network and hybrid genetic algorithm，Chem.Engg.Sci.，58
[0242] Lahiri S.K and Ghanta K.C(2008),Development of an artificial neural network correlation for prediction of hold-up of slurry transport in pipelines,Chemical Engineering Science 63，
[0243] Lahiri，S.K and Khalfe N.(2010),Modeling of commercial ethylene oxide reactor : A hybrid approach by artificial neural network&diff erential evolution,International J.of Chemical reactor engineering,Vol 8,Article A4
[0244] Riedmiller M.,Braun H.(1993),A direct adaptive method for faster backpropagation learning:the 民P民OP algorithm,Proc.of the IEEE Int.Conf.On Neural Networks,San Francisco CA,Mar 28-Apr I
[0245] Gill，P.R.;Murray，W.;and Wright，M.H.(1981)"The Levenberg-Marquardt Method."§4.7.3 in Practical Optimization,London:Academic Press，pp.136-137
[0246] Stephanopoulos G.,Han C.(1996),Intelligent systems in process engineering:A review,Comp&Chem.Engg.,20,743-791
[0247] Tambe S.S.,Kulkarni B.D.,Deshpande P.