[發明專利]一種基于局部特征異常因子的初餾塔采樣數據粗差判別方法

有效

• 申請號: 202110440193.2
• 申請日: 2021-04-18
• 公開（公告）號: CN113205121B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 邱思穎;陳楊;虞飛宇
• 申請（專利權）人: 寧波大學科學技術學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于局部特征異常因子的初餾塔采樣數據粗差判別方法，通過設計一種局部特征異常因子來量化各個樣本數據的異常程度，從而可以將局部特征異常因子較大的樣本數據判別為粗差。本發明方法需要先通過為各個樣本數據找到多個近鄰樣本數據，然后以近鄰樣本數據為參考數據集，通過優化得到能區分該樣本數據與其近鄰之間差異的局部特征，從而計算得到局部特征異常因子。本發明方法未曾涉及計算馬氏距離，而是尋找各個樣本數據的近鄰樣本數據，并通過變換向量最大化兩者之間的差異，從而通過局部特征與原點之間的距離來判別各個樣本是否為粗差。因此，本發明方法可同時給出樣本數據是否為粗差數據及其采樣數據集中有多少個粗差數據的判別。

技術領域

本發明涉及一種采樣數據粗差判別方法，特別涉及一種基于局部特征異常因子的初餾塔采樣數據粗差判別方法。

背景技術

初餾塔是煉油廠常減壓裝置的龍頭，其控制的好壞直接影響原油收率的提高和后續工序的操作穩定。初頂石腦油干點是初餾塔重要的控制指標，但該指標無合適的在線分析儀進行測定，只能離線分析且時間長。因此初頂石腦油干點軟測量模型的建立可以為生產操作條件及時調整提供指導。而影響初頂石腦油干點的各個因素數據的準確性又直接關系到軟測量模型的性能。因此確保這些數據的正確無誤，去除采樣數據中的粗差數據是非常重要的。

因測量儀表和計算機技術的廣泛應用，初餾塔以及其他化工生產單元會每隔幾分鐘會采樣并存儲過程數據。在數據采集的過程中，因內在或外在因素導致采樣數據存在較大的偏差，但是通過單個測量變量來看又在其允許的變化內。這些特殊的采樣數據被稱為粗差數據，采樣數據中存在粗差數據會嚴重影響后續的基于數據的分析與建模，實際使用采樣數據時是絕對不能采用粗差數據的。

在初餾塔生產運行過程中，能夠影響初頂餾分干點的幾個主要的測量變量包括：初餾塔處理量、塔頂溫度、塔頂壓力、頂回流帶出能量、回流比、初頂石腦油流量、初頂循帶出能量、初中段帶出能量、及進料溫度。由于生產過程積累了海量的、高維樣本數據對所有數據逐個人為判斷是否為粗差。然而，建立初頂餾分干點軟測量模型時，又要求這些采樣數據不能存在粗差數據。此外，初餾塔的采樣數據中是否存在粗差數據，以及到底存在多少個粗差數據是無法預知和確認的，這給初餾塔采樣數據粗差判別任務帶來了嚴峻的挑戰。

雖然現有科研文獻與專利技術材料中，有不同種類的粗差判別方法技術。這些粗差判別方法要么依賴于平方馬氏距離，要么依賴于計算采樣數據的協方差矩陣。因此，若是采樣數據之間線性相關性較強，其相應的協方差矩陣會存在不可逆的情況。而且，初餾塔采樣數據運行的動態性，會導致采樣數據分布情況復雜，不能簡單的依靠馬氏距離所定義的橢圓來一概而論。

發明內容

本發明所要解決的主要技術問題是：如何通過局部特征異常因子來判別出初餾塔采樣數據中的粗差數據。具體來講，本發明方法通過設計一種局部特征異常因子來量化各個樣本數據的異常程度，從而可以將局部特征異常因子較大的樣本數據判別為粗差。本發明方法涉及的局部特征異常因子，需要先通過為各個樣本數據找到多個近鄰樣本數據，然后以近鄰樣本數據為參考數據集，通過優化得到能區分該樣本數據與其近鄰之間差異的判別型特征，從而計算得到局部特征異常因子。

本發明方法解決上述問題所采用的技術方案為：一種基于局部特征異常因子的初餾塔采樣數據粗差判別方法，包括以下所示步驟。

步驟(1)：確定初餾塔中影響初頂餾分干點的9個變量，具體包括：初餾塔進料流量，進料溫度，塔頂溫度，塔頂壓力，塔頂回流帶出能量，回流比、初頂石腦油流量，初頂循帶出能量，初中斷帶出能量；采集初餾塔這9個變量的N組樣本數據x₁，x₂，…，x_N，并將其組成為一個N×9維的數據矩陣X∈R^N×9；其中，R^N×9表示N×9維的實數矩陣，R表示實數集，x_i∈R^1×9表示第i個樣本數據，R^1×9表示1×9維的實數向量，i∈{1，2，…，N}。