[發明專利]基于半監督模型的化工工藝異常監控方法及模型優化方法

在審

• 申請號: 202010450943.X
• 申請日: 2020-05-25
• 公開（公告）號: CN113723649A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 李傳坤;王春利;高新江;李榮強;徐偉;石寧;張衛華;姜巍巍;曹德舜
• 申請（專利權）人: 中國石油化工股份有限公司;中國石油化工股份有限公司青島安全工程研究院;應急管理部化學品登記中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/04;G06K9/62
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 肖冰濱;王曉曉

本發明提供一種基于半監督模型的化工工藝異常監控方法及模型優化方法，屬于化學工程技術領域。所述優化方法包括：確定所述第一初始半監督模型的損失值，所述損失值由損失函數得到；將第一初始半監督模型的損失值與損失預設值進行比較；根據損失值與損失預設值的比較結果，調整隱含層的層數，以確定滿足所述損失值小于所述損失預設值的半監督模型對應的隱含層的層數范圍；以及基于從所述隱含層的層數范圍中的隱含層的層數建立新的半監督模型，所述新的半監督模型為優化后的半監督模型。通過上述技術方案，得到的優化后的半監督模型，不會出現數據欠擬合或者過擬合導致的半監督模型的損失值較高的情況，還能夠適用于有標簽數據少的化工工藝中。

技術領域

本發明涉及化學工程技術領域，具體地涉及一種基于半監督模型的化工工藝異常監控方法及模型優化方法。

背景技術

化工裝置在運行過程中，受到原料進料量、原料性質變化、儀表故障或者操作不及時等擾動，會導致工藝異常。

發明人經調研發現，現有的對化工裝置對異常工況的識別和預警手段還停留在以自動化儀表檢測數據位基礎，依靠人工經驗來分析處置的水平。

然而化工裝置的異常工況具有隱蔽性強和關聯因素多的特點，這使得人工監測方式很難快速和準確的發現異常，容易造成誤判斷或者誤操作，輕則引起產品質量或產量下降，重則影響生產操作安全，造成生產波動和非計劃停車，甚至會釀成嚴重事故。

由于化工裝置使連續化生產過程，在實際生產中，各工藝變量基本都圍繞其設定值上下浮動，產生異常波動的時間窗不多，且局部異常波動時涉及的變量數也不太多。因此，對于化工過程的工藝操作類異常工況來說，數據的標注費成本昂貴，構建大規模且標注良好的數據集非常困難。此外，由于很多異常特征不明顯，在有標簽工藝數據較少的情況下，傳統的深度學習方法容易出現網絡過擬合從而導致檢測精度大幅下降，這限制了傳統的深度學習網絡在過程故障診斷領域的發展和應用。

發明內容

本發明實施例的目的是提供一種基于半監督模型的化工工藝異常監控方法及模型優化方法，通過該方法能夠為化工工藝提供優質的半監督模型，用于解決工業現場的有標簽樣本數據少，無標簽樣本數據多時的工藝異常識別問題。

為了實現上述目的，本發明實施例提供一種用于化工工藝異常識別的半監督模型的優化方法，第一初始半監督模型由第一訓練集訓練獲得，所述第一訓練集為所述化工工藝的工段的工況數據，具有構成初始預設比例的有標簽數據和無標簽數據，所述優化方法包括：確定所述第一初始半監督模型的損失值，所述損失值由損失函數得到；將所述第一初始半監督模型的損失值與損失預設值進行比較；根據所述損失值與所述損失預設值的比較結果，調整隱含層的層數，以確定滿足所述損失值小于所述損失預設值的半監督模型對應的隱含層的層數范圍；以及以從所述隱含層的層數范圍中的隱含層的層數建立新的半監督模型，所述新的半監督模型為優化后的半監督模型。

可選的，所述優化方法還包括通過以下方式確定所述隱含層的層數范圍：根據以下步驟確定下限層數：確定第一層數對應的半監督模型的第一損失值；在所述第一損失值大于所述損失預設值時，將所述第一層數調整至第一預設倍數后取整作為新的第一層數以建立新的第一半監督模型；以及重復上述步驟，以確定出損失值小于所述損失預設值的半監督模型對應的隱含層的下限層數；根據以下步驟確定上限層數：確定第二層數對應的半監督模型的第二損失值，所述第二層數大于所述第一層數；在所述第二損失值大于所述損失預設值時，將所述第二層數調整至第二預設倍數后取整作為新的第二層數以建立新的第二半監督模型；以及重復上述步驟，以確定出損失值小于所述損失預設值的半監督模型對應的隱含層的上限層數；以及將所述上限層數作為所述隱含層的層數范圍的上限值，將所述下限層數作為所述隱含層的層數范圍的下限值。