[發明專利]用于石化裝置的智能安全保障實時優化方法及系統

在審

• 申請號: 202010593913.4
• 申請日: 2020-06-24
• 公開（公告）號: CN111949700A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 婁海川;林雪茹;劉凱
• 申請（專利權）人: 浙江中控技術股份有限公司;浙江中控軟件技術有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F17/11;G06K9/62;G06Q10/04;G06Q10/06;G06N3/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

1.用于石化裝置的智能安全保障實時優化方法，其特征在于，包括如下步驟：

步驟一，從石化裝置中實時獲取裝置生產過程各類參數數據；

步驟二，收集石化裝置生產過程數據和關鍵參數數據，離線訓練建立智能監測模型，并對石化裝置的關鍵參數進行在線實時異常監測，在石化裝置工作異常期間參數數據的匹配下，若有關鍵參數被識別出異常，則會自動給出警告；

步驟三，根據石化裝置在線運行的實時輸入數據，確定石化裝置在未來的預測工況狀態，同時自動提前識別出各類異常類型并評估風險等級，并及時給出異常預警；

步驟四，對提示的異常工況發生的原因，進行自動推理與追溯，生成異常預判推理結果表及異常推理網絡，并將推理結果表中概率值最大的參數作為導致指標異常的最大關鍵影響參數；

步驟五，自動實時采集石化裝置異常期間的關鍵參數和關聯操作參數，并進行數據處理整定操作，根據整定后的當前數據集，在優化調整目標和約束條件的限定下，在線實時求得石化裝置異常關聯操作參數的優化設定；

步驟六，將求得的石化裝置異常關聯操作參數的優化設定，作為被控變量的設定值，自動下載給先進控制器執行。

2.根據權利要求1所述的用于石化裝置的智能安全保障實時優化方法，其特征在于，所述智能預警模塊基于智能預警模型，所述智能預警模型的建立，包括如下步驟：

利用動態機理建模方法建立裝置關鍵參數的動態預警模型，并對裝置各種異常工況進行模擬仿真，生成仿真的虛擬外推樣本集其中為與關鍵參數關聯的操作參數虛擬樣本，為關鍵參數虛擬樣本；

采集裝置實時歷史數據作為離線基礎訓練樣本集并與虛擬外推樣本集混合為建模樣本(X,Y)；

對所述建模樣本經過智能標注、深度特征預學習抽取出與裝置的設備、工藝各相關參數之間的耦合關聯，并基于大數據模型挖掘出裝置設備關鍵參數在各種復雜工況下的運行規律，對未來的關鍵參數工況進行預測，并設定預警閾值，若關鍵參數輸出有超限的趨勢則提前觸發異常預警，具體如下公式所示：

其中，Y_t,X_t,Y_t-i,X_t-i,i＝1,2,3...分別為當前時刻t和過去時刻t-i關鍵參數和關聯操作參數輸入輸出樣本，為關鍵參數未來時刻預測輸出，f(·)為關鍵參數大數據預警模型,δ_min,n,δ_max,n為預警閾值上下限。

3.根據權利要求1所述的用于石化裝置的智能安全保障實時優化方法，其特征在于，所述智能推理診斷模塊基于智能推理診斷模型，所述智能推理診斷模型的建立，包括如下步驟：

通過貝葉斯結構學習和貝葉斯參數學習構建貝葉斯網絡，計算不同參數下石化裝置發生故障的概率，得到各節點的條件概率表，概率最大的值即為根源參數。

4.根據權利要求3所述的用于石化裝置的智能安全保障實時優化方法，其特征在于，所述貝葉斯參數學習采用最大后驗概率的方法，包括如下步驟：

由歷史數據統計直接計算獲得石化裝置故障現象的先驗概率；

對于觀測節點的先驗概率，假設觀測節點p符合貝塔分布Beta(p:α,β)；

其中，α和β是貝塔分布中的大于0的參數；

以最大化參數p的驗前概率密度函數π(p)的熵H(Beta(p:α,β))為目標，求解最優的α和β；

根據歷史樣本數據學習得到各觀測節點的驗后概率。

5.根據權利要求1所述的用于石化裝置的智能安全保障實時優化方法，其特征在于，步驟五中所述的數據處理整定操作，包括數據一致性檢測、數據在線預處理及動態數據整定和參數估計。