[發明專利]一種煉化過程參數動態報警閾值的生成方法及裝置

有效

• 申請號: 201610133660.6
• 申請日: 2016-03-09
• 公開（公告）號: CN105718754B
• 公開（公告）日: 2018-03-13
• 發明（設計）人: 胡瑾秋;張來斌;馬曦
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q50/04
• 代理公司: 北京三友知識產權代理有限公司11127
• 代理人: 王濤

1.一種煉化過程參數動態報警閾值的生成方法，其特征在于，包括：

獲取煉化過程生產裝置的參數的歷史數據；

確定所述參數的歷史數據所對應的滑動窗口長度和步長；

根據所述滑動窗口長度和步長，確定參數的初始歷史訓練數據，并自所述初始歷史訓練數據每隔一個步長時間更新一次歷史訓練數據；所述初始歷史訓練數據為確定歷史訓練數據的初始時刻之前的一滑動窗口長度的參數的歷史數據；

對所述歷史訓練數據進行列向的歸一化處理，形成歸一化歷史訓練數據；

根據所述歸一化歷史訓練數據對每個參數進行核密度估計，生成每個參數的概率密度函數；

根據所述每個參數的概率密度函數，確定每個參數的概率分布函數；

根據所述每個參數的概率分布函數以及預先設置的報警閾值置信度，確定每個參數所對應的報警閾值；

根據所述滑動窗口長度和步長，確定參數的初始歷史訓練數據，并自所述初始歷史訓練數據每隔一個步長時間更新一次歷史訓練數據，包括：

確定所述參數的初始歷史訓練數據矩陣為：其中，l₀為歷史訓練數據長度；m為所述歷史訓練數據的過程變量個數；

在每隔一個步長D時間更新一次所述歷史訓練數據，第k次更新后的歷史訓練數據為：l_k為第k次更新后的歷史訓練數據的長度；

對所述歷史訓練數據進行列向的歸一化處理，形成歸一化歷史訓練數據，包括：

根據公式：

xi,j′=xi,j-xmin(j)xmax(j)-xmin(j)]]>

確定所述歸一化歷史訓練數據；其中，x_i,j′為所述歸一化歷史訓練數據中第i行第j列的數據；x_i,j為歷史訓練數據X_k中第i行第j列的數據；x_min(j)為第j列歷史訓練數據的最小值；x_max(j)為第j列歷史訓練數據的最大值；

根據所述歸一化歷史訓練數據對每個參數進行核密度估計，生成每個參數的概率密度函數，包括：

根據公式：

f(x)=1lkhdΣi=1lkk(x-xi,j′h)]]>

對每個參數進行核密度估計，生成每個參數的概率密度函數f(x)；

其中，l_k為第k次更新后的歷史訓練數據的長度；d為預先設置的空間維數；為高斯核函數，為第j個參數的歸一化歷史訓練數據均值；

根據所述每個參數的概率密度函數，確定每個參數的概率分布函數，包括：

根據公式：

F(x)=∫-∞xf(x)dx]]>

確定每個參數的概率分布函數F(x)；

根據所述每個參數的概率分布函數以及預先設置的報警閾值置信度，確定每個參數所對應的報警閾值，包括：

根據公式：

F(x)＝α

確定每個參數所對應的第一參數值S₁；其中，α為預先設置的報警閾值置信度；

根據公式：

x₁＝S₁×(x_max(j)-x_min(j))+x_min(j)

確定第j個參數所對應的報警閾值下限x₁；其中，x_min(j)為第j列歷史訓練數據的最小值；x_max(j)為第j列歷史訓練數據的最大值；

根據所述每個參數的概率分布函數以及預先設置的報警閾值置信度，確定每個參數所對應的報警閾值，還包括：

根據公式：

F(x)＝1-α

確定每個參數所對應的第二參數值S₂；

根據公式：

x₂＝S₂×(x_max(j)-x_min(j))+x_min(j)

確定第j個參數所對應的報警閾值上限x₂。

2.一種煉化過程參數動態報警閾值的生成裝置，其特征在于，包括：

歷史數據獲取單元，用于獲取煉化過程生產裝置的參數的歷史數據；

滑動窗口長度和步長確定單元，用于確定所述參數的歷史數據所對應的滑動窗口長度和步長；

歷史訓練數據更新單元，用于根據所述滑動窗口長度和步長，確定參數的初始歷史訓練數據，并自所述初始歷史訓練數據每隔一個步長時間更新一次歷史訓練數據；所述初始歷史訓練數據為確定歷史訓練數據的初始時刻之前的一滑動窗口長度的參數的歷史數據；

歸一化處理單元，用于對所述歷史訓練數據進行列向的歸一化處理，形成歸一化歷史訓練數據；

核密度估計單元，用于根據所述歸一化歷史訓練數據對每個參數進行核密度估計，生成每個參數的概率密度函數；

概率分布函數確定單元，用于根據所述每個參數的概率密度函數，確定每個參數的概率分布函數；

報警閾值確定單元，用于根據所述每個參數的概率分布函數以及預先設置的報警閾值置信度，確定每個參數所對應的報警閾值；

所述歷史訓練數據更新單元，具體用于：

確定所述參數的初始歷史訓練數據矩陣為：其中，l₀為歷史訓練數據長度；m為所述歷史訓練數據的過程變量個數；

在每隔一個步長D時間更新一次所述歷史訓練數據，第k次更新后的歷史訓練數據為：l_k為第k次更新后的歷史訓練數據的長度；

所述歸一化處理單元，具體用于：

根據公式：

xi,j′=xi,j-xmin(j)xmax(j)-xmin(j)]]>

確定所述歸一化歷史訓練數據；其中，x_i,j′為所述歸一化歷史訓練數據中第i行第j列的數據；x_i,j為歷史訓練數據X_k中第i行第j列的數據；x_min(j)為第j列歷史訓練數據的最小值；x_max(j)為第j列歷史訓練數據的最大值；

所述核密度估計單元，具體用于：

根據公式：

f(x)=1lkhdΣi=1lkk(x-xi,j′h)]]>

對每個參數進行核密度估計，生成每個參數的概率密度函數f(x)；

其中，l_k為第k次更新后的歷史訓練數據的長度；d為預先設置的空間維數；為高斯核函數，為第j個參數的歸一化歷史訓練數據均值；

所述概率分布函數確定單元，具體用于：

根據公式：

F(x)=∫-∞xf(x)dx]]>

確定每個參數的概率分布函數F(x)；

所述報警閾值確定單元，具體用于：

根據公式：

F(x)＝α

確定每個參數所對應的第一參數值S₁；其中，α為預先設置的報警閾值置信度；

根據公式：

x₁＝S₁×(x_max(j)-x_min(j))+x_min(j)

確定第j個參數所對應的報警閾值下限x₁；其中，x_min(j)為第j列歷史訓練數據的最小值；x_max(j)為第j列歷史訓練數據的最大值；

所述報警閾值確定單元，還用于：

根據公式：

F(x)＝1-α

確定每個參數所對應的第二參數值S₂；

根據公式：

x₂＝S₂×(x_max(j)-x_min(j))+x_min(j)

確定第j個參數所對應的報警閾值上限x₂。