本發(fā)明屬于異常工況預測預警，具體是涉及一種異常工況預測方法。

背景技術：

1、減少異常工況發(fā)生是煤油分餾過程安全平穩(wěn)運行的前提，因此，開展異常工況的預測和預警至關重要。目前化工企業(yè)的裝置中基本都設置了分布式控制系統(tǒng)(distributedcontrol?system,dcs)、安全儀表系統(tǒng)(satety?interlocking?system,sis)等，實現(xiàn)了裝置參數(shù)的實時監(jiān)測即設備的安全運行，但其不能進行參數(shù)預測和實現(xiàn)超前預警；當異常情況出現(xiàn)時，現(xiàn)場人員沒有足夠的操作時間，因此需要實現(xiàn)超前預測，確保裝置的安全和穩(wěn)定運行。目前，異常工況預測技術可以分為三類：基于解析模型的方法、基于數(shù)據(jù)驅動的方法和基于知識的方法?；诮馕瞿Ｐ偷姆椒ㄐ枰栏窈蜏蚀_的數(shù)學模型，如物料平衡和能量平衡等；然而，由于煤油分餾過程的強耦合性，很難建立嚴格的解析模型；基于數(shù)據(jù)驅動的方法是從大量的數(shù)據(jù)出發(fā)，利用各種分析方法挖掘隱藏在數(shù)據(jù)中的變化規(guī)律；然而，僅采用數(shù)據(jù)驅動的方法對煤油分餾裝置的異常工況進行預測，則需要預測的參數(shù)眾多，在分餾塔超溫的異常工況下獲取的數(shù)據(jù)又較少，涉及到算法的模型種類和數(shù)量眾多，泛化性不強?；谥R的方法可以通過大量的專家知識和經(jīng)驗對異常情況進行分析和推理，快速而準確地獲得正確的結論；然而，僅采用基于知識的方法，通常很難全面地收集、提取海量專家知識和操作經(jīng)驗。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提供了一種異常工況預測方法，其搭建動態(tài)機理模型，構建了分餾塔塔盤超溫情境，獲取相關數(shù)據(jù)以解決實際生產(chǎn)異常工況下的數(shù)據(jù)不足的問題；并采用ga-bp神經(jīng)網(wǎng)絡預測關鍵過程參數(shù)，選擇地執(zhí)行與具有所述工藝參數(shù)的化工裝置對應的報警操作。

2、本發(fā)明所述的一種異常工況預測與預警方法，包括以下步驟：

3、步驟1、采集分餾塔生產(chǎn)過程中的歷史數(shù)據(jù)，通過aspen軟件建立分餾系統(tǒng)的穩(wěn)態(tài)模型，并通過aspen?dynamics將所述穩(wěn)態(tài)模型轉為動態(tài)機理模型，獲取動態(tài)模擬數(shù)據(jù)；構建分餾塔超溫情境，基于動態(tài)機理模型實現(xiàn)對連續(xù)運行數(shù)據(jù)進行離線采集，彌補樣本集中異常工況數(shù)據(jù)，得到歷史數(shù)據(jù)及動態(tài)模擬數(shù)據(jù)構成的分餾塔運行數(shù)據(jù)集；

4、步驟2、對獲取的分餾塔運行數(shù)據(jù)集中的運行數(shù)據(jù)進行預處理，劃分為訓練集與測試集，并通過專家經(jīng)驗及變量相關性分析對獲取的運行數(shù)據(jù)進行特征選擇，選取高相關性的數(shù)據(jù)作為特征變量；

5、步驟3、利用遺傳算法對bp神經(jīng)網(wǎng)絡進行優(yōu)化，構建ga-bp神經(jīng)網(wǎng)絡預測模型并訓練，得到訓練后的預測模型；

6、步驟4、將選取的特征變量作為分餾塔異常工況預測模型輸入?yún)?shù)，對分餾塔異常工況進行預測，將預測值與預設報警限值進行比較，選擇地執(zhí)行對應的報警操作。

7、進一步的，對分餾塔運行數(shù)據(jù)集中的數(shù)據(jù)進行預處理，具體為：利用拉依達準則處理異常值，將異常值剔除；并對數(shù)據(jù)進行歸一化。

8、進一步的，對預處理后的運行數(shù)據(jù)，采用皮爾遜相關系數(shù)計算數(shù)據(jù)之間的相關性，公式為：

9、

10、其中，和分別為變量x、y的平均值，n為樣本個數(shù)；r(x,y)為正時，表示變量x和變量y之間存在正相關關系；當r(x，y)為負時，表示變量x和變量y之間存在負相關關系。

11、進一步的，所述ga-bp神經(jīng)網(wǎng)絡模型的網(wǎng)絡連接權值和閾值采用實數(shù)編碼表示，適應度函數(shù)采用均方根誤差的倒數(shù)作為評估每個個體是否接近最佳解；利用訓練集對ga-bp神經(jīng)網(wǎng)絡訓練，并利用測試集對ga-bp神經(jīng)網(wǎng)絡進行測試，得到優(yōu)化后的ga-bp神經(jīng)網(wǎng)絡。

12、進一步的，所述適應度函數(shù)為：

13、

14、其中，為訓練集中模型的預測值，

15、t＝{t1,t2,...tn}為訓練集中模型的實際值，n為訓練集中樣本個數(shù)。

16、本發(fā)明所述的有益效果為：本發(fā)明所述方法基于實際生產(chǎn)中異常工況數(shù)據(jù)不足的問題，利用軟件搭建了動態(tài)模擬流程，獲取足夠多的異常數(shù)據(jù)，進行動態(tài)仿真，構建了分餾塔塔盤超溫情境，豐富神經(jīng)網(wǎng)絡的數(shù)據(jù)集；本發(fā)明通過相關性分析和神經(jīng)網(wǎng)絡處理復雜高維的生產(chǎn)過程大數(shù)據(jù)，從大量數(shù)據(jù)中提取異常工況的本質特征，準確預測了與異常工況相關的過程關鍵變量；選取高相關性的變量作為特征變量，來預測與異常工況相關的過程關鍵變量，能夠提前預測出異常。

技術特征：

1.一種異常工況預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種異常工況預測方法，其特征在于，對分餾塔運行數(shù)據(jù)集中的數(shù)據(jù)進行預處理，具體為：利用拉依達準則處理異常值，將異常值剔除；并對數(shù)據(jù)進行歸一化。

3.根據(jù)權利要求2所述的一種異常工況預測方法，其特征在于，對預處理后的運行數(shù)據(jù)，采用皮爾遜相關系數(shù)計算數(shù)據(jù)之間的相關性，公式為：

4.根據(jù)權利要求1所述的一種異常工況預測方法，其特征在于，所述ga-bp神經(jīng)網(wǎng)絡模型的網(wǎng)絡連接權值和閾值采用實數(shù)編碼表示，適應度函數(shù)采用均方根誤差的倒數(shù)作為評估每個個體是否接近最佳解；利用訓練集對ga-bp神經(jīng)網(wǎng)絡訓練，并利用測試集對ga-bp神經(jīng)網(wǎng)絡進行測試，得到優(yōu)化后的ga-bp神經(jīng)網(wǎng)絡。

5.根據(jù)權利要求4所述的一種異常工況預測方法，其特征在于，所述適應度函數(shù)為：

技術總結
本發(fā)明屬于異常工況預測預警領域，公開了一種異常工況預測方法，首先，根據(jù)工藝流程圖和工藝參數(shù)，建立工藝流程穩(wěn)態(tài)模型，添加控制器，搭建動態(tài)機理模型，模擬分餾塔塔盤超溫工況，獲取分餾裝置生產(chǎn)過程的歷史數(shù)據(jù)和動態(tài)模擬數(shù)據(jù)。然后，通過Pearson相關系數(shù)來篩選特征變量，降低數(shù)據(jù)維度。利用GA?BP神經(jīng)網(wǎng)絡深度學習變量之間的潛在關系，以預測過程關鍵參數(shù)的變化趨勢。最后，將工藝參數(shù)的預測值與預設報警限值進行比較，選擇地執(zhí)行與具有所述工藝參數(shù)的化工裝置對應的報警操作。

技術研發(fā)人員：潘旭海,王希霖,王晨艷,于曦洋,顧云峰,龔利華,王三明
受保護的技術使用者：南京工業(yè)大學
技術研發(fā)日：
技術公布日：2024/12/26