[發明專利]一種化工過程故障識別方法及系統

有效

• 申請號: 201910844132.5
• 申請日: 2019-09-06
• 公開（公告）號: CN110647117B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 田文德;賈旭清;劉子健;張士發
• 申請（專利權）人: 青島科技大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

本公開提出了一種化工過程故障識別方法及系統，采用應用于標簽昂貴的化工故障識別領域，采用動態主動安全半監督支持向量機模型(簡稱為PCA?DAS4VM模型)識別化工過程運行狀態，將主成分分析方法與動態主動安全半監督支持向量機結合，彌補了傳統監督學習對于標簽數據數量的要求，提高了半監督學習的識別精度。采用主成分分析方能夠消除化工過程噪聲和冗余數據，結合歷史信息和未來信息進行異常工況故障識別，有效地選擇和標記高熵值的無標記數據，充分利用無標簽數據提升識別模型性能，實現了高效和完整的進行化工過程故障識別工作，識別準確度更高，識別速度更快有益于推動化工安全的發展。

技術領域

本公開涉及化工過程故障識別相關技術領域，具體的說，是涉及一種化工過程故障識別方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，并不必然構成在先技術。

根據化工企業中的事故統計分析發現，任何重大事故發生之前，必然會有多個微小異常發生。因此，針對化工過程進行故障識別研究，及時發現潛在的異常狀況，對保持化工裝置的安全平穩運行具有重要的理論和現實意義。

發明人發現，現有的工藝故障識別方法主要分為：定性模型、定量模型和數據驅動的方法。其中所有的數據驅動故障識別方法中，監督學習技術對于化工過程故障識別展現了良好的識別結果，識別精度達到92％以上。然而，實際化工過程中的標簽數據數量往往達不到監督學習的要求，給無標簽數據增加標簽一般采用人力根據經驗添加，標記大量容易收集的無標簽化工數據代價也是昂貴的。

半監督學習目前已經應用于多個領域，例如數字識別、情感分類、醫學圖像分類等等。在一些研究中，傳統監督學習對于標簽數據數量的要求比較高，在基于相同數量標簽數據的情況下，現有的半監督學習方法比監督學習體現出更差的性能。因此，應用半監督學習到化工過程故障識別是一個很少研究的主題。

發明內容

本公開為了解決上述問題，提出了一種化工過程故障識別方法及系統，應用于標簽昂貴的化工故障識別領域，將主成分分析方法與動態主動安全半監督支持向量機的結合方法，采用動態主動安全半監督支持向量機模型(簡稱為PCA-DAS4VM模型)識別化工過程運行狀態，彌補了傳統監督學習對于標簽數據數量的要求，提高了半監督學習的識別精度。

為了實現上述目的，本公開采用如下技術方案：

一個或多個實施例提供了一種化工過程故障識別方法，包括如下步驟：

實時獲取化工生產過程中的運行數據；

對獲取的運行數據進行預處理；

采用主成分分析方法選擇運行數據中的關鍵特征數據；

基于半監督學習方法建立動態主動安全半監督支持向量機模型，將關鍵特征數據輸入訓練好的動態主動安全半監督支持向量機模型，輸出化工過程的運行狀態。

進一步地，關鍵特征數據包括有標簽數據和無標簽數據，動態主動安全半監督支持向量機模型對關鍵數據的處理包括采用主動學習方法為無標簽數據添加標簽的步驟。

進一步地，所述采用主成分分析方法選擇運行數據中的關鍵特征數據，包括如下步驟：

計算預處理后的數據矩陣的特征協方差矩陣及協方差矩陣的特征值、特征向量；按方差貢獻率從大到小排序，獲得方差貢獻率之和超過設定比例閾值的變量作為主成分變量；

根據主成分變量建立主元線性表達式,根據特征值計算各主元線性表達式中主成分變量的系數；

根據主元線性表達式中主成分變量的系數，獲得綜合得分模型,通過主成分變量的方差計算綜合得分模型中的變量系數；

對所得綜合得分模型中的變量系數進行歸一化，重新確定變量權重；