一种采样数据异常变化在线监测与诊断方法与流程

[0001]
本发明涉及生产过程安全监控技术领域，具体涉及一种采样数据异常变化在线监测与诊断方法。


背景技术：

[0002]
石油化工等对安全性要求极高的复杂生产领域，监控其工况正常与否，是及时发现安全隐患和有效防范故障风险的重要一环。
[0003]
在石化生产过程中，监控传感器测量数据是否异常，最简单且最常用的方法是固定门限监测：设定测量对象x的变化上限和下限分别为u和l，当x>u或x<l时，判断x对应的工况发生异常。上述方法存在两个明显局限：(1).上限u和下限l不容易恰当设定，u偏大或l偏小会导致漏判，u偏小或l偏大会导致误漏判；(2).不能够识别和发现区间[l,u]内的异常变化；(3).不能区分传感器误码导致的野值和真正的工况异常。
[0004]
对于上述局限性(1)和(2)，近年来国际国内有研究人员尝试采用时变上限和/或时变下限的方式，代替固定上限和固定下限：对于传感器等测量设备在任意t
k
时刻获取的采样数据x(t
k
)，假定事前已知(或设定)其正常变化不会超出上限u(t
k
)和下限l(t
k
)，否则判定该状态参数异常。时变上下限的方法，一定程度上克服了上述局限性，但如何确定可靠的时变上下限，以及如何避免将传感器误码误判为工况异常，这两个难题并没有得到解决。
[0005]
因此，如何区分采样数据野值和工况变化异常，以便有效避免频繁出现的虚警，一直是困扰石化等安全生产的技术“瓶颈”。


技术实现要素：

[0006]
本发明的目的在于提出一种采样数据异常变化在线监测与诊断方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0007]
本发明提供一组可有效地克服时变门限难以设定和野值误判为石油化工过程工况异常导致频繁虚警等现有方法局限性的多参数异变在线监测方法，实现石化生产过程的有效安全监控，降低虚警和异变有效示警。
[0008]
本发明的目的是针对上述问题，提供一种采样数据异常变化在线监测与诊断方法，具体包括以下步骤：
[0009]
s100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；
[0010]
进一步地，在s100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。
[0011]
进一步地，在s100中，传感器网络采集的数据为时间序列数据{x(t
k
)∈r
m
,k＝0,1,2,
…
}，x(t
k
)为传感器网络按照时间先后顺序采集的数据；
[0012]
进一步地，在s100中，所述神经网络为长短记忆神经网络lstm，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络。
[0013]
进一步地，在s100中，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列r
m
为m维的实数空间，为得到的预测数据。
[0014]
s200，根据预测数据构建基于预测残差的数据管道；
[0015]
进一步地，在s200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：
[0016]
s201，比对时间序列数据{x(t
k
)∈r
m
,k＝0,1,2,
…
}与预测数据序列之间差异，形成残差序列：
[0017][0018]
s202，对于当前监测时刻t
s
(s>n)，计算残差序列各分量的偏差中值和离差中值：
[0019][0020]
式中x
j
(t
k
)和分别表示x(t
k
)和的第j个分量，其中，是中值算子，用于计算序列的中值；
[0021]
s203，根据偏差中值和离差中值形成残差数据管道：
[0022]
[e
j
(t
k
)-4.5θ
j
(t
k
)，e
j
(t
k
)+4.5θ
j
(t
k
)](j＝1,2,...,m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0023]
s300，根据数据管道确定综合监测指数；
[0024]
进一步地，在s300中，根据数据管道确定综合监测指数的方法为：利用式(3)构造传感网测量数据随时间变化的数据管道确定传感网采集的多维测量数据x(t
k
)各分量的第一符号型综合监测指数t
j
(t
k
)：
[0025][0026]
式中当t
j
(t
k
)＝1时，第j个传感器网络的节点异常报警；
[0027]
优选地，为了规避石化过程石化管道测量数据的不同量纲和量值对监控算法的影响，也为了发现传感器孤立野值和避免野值带来虚警问题，对传感器采集的时间序列数据中的x
j
(t
k
)进行归一化处理：
[0028][0029]
从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数
[0030][0031]
s400，根据综合监测指数构建状态监测模型；
[0032]
所述的综合监测指数包括第一符号型综合监测指数或第二符号型综合监测指数；
[0033]
进一步地，在s400中，根据综合监测指数构建状态监测模型的方法为：
[0034]
所述状态监测模型包括传感器采样数据模型和滑动窗模型；其中，采用式(4)或式(6)构造传感器采样数据模型为：
[0035][0036]
构造滑动窗模型为：
[0037][0038]
作为状态监测指数，其中，a为采样的第a点的采样数据标号即采样起始点，b为采样的第b点的采样数据标号即采样结束点。
[0039]
s500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；
[0040]
进一步地，在s500中，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断的方法为：
[0041]
采用式(7)和式(8)所示的检测指数，通过以下的任意一种或多种传感器网络采样数据异常变化的监测与诊断规则对采样数据异常变化监测与诊断：
[0042]
规则1：如果传感器网络监测数据片段{x(t
n
),
…
,x(t
k
)}的各分量均正常变化时，检测指数满足各分量均正常变化的意义为各分量不超出上限u(t
k
)和下限l(t
k
)，u(t
k
)和l(t
k
)均为定量的预设门限值；
[0043]
规则2：如果传感监测数据任意片段{x(t
a
),
…
,x(t
b
)}均处于正常变化时，滑动监测指数
[0044]
规则3：如果且则第j个传感器测量数据大部分时间在管道壁的上方运行，判断为监测对象出现偏大型异常；如果且则第j个传感器测量数据大部分时间在门限的下方运行，判断为监测对象出现偏小型异常。
[0045]
本发明的有益效果为：本发明公开了一种采样数据异常变化在线监测与诊断方法，能够实现石化生产过程的有效安全监控，降低虚警和异变有效示警。
附图说明
[0046]
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将
更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
[0047]
图1所示为本发明的一种采样数据异常变化在线监测与诊断方法的流程图；
[0048]
图2所示为石油化工过程传感器采样数据异常变化在线监测方法的流程图。
具体实施方式
[0049]
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0050]
如图1所示为根据本发明的一种采样数据异常变化在线监测与诊断方法的流程图，下面结合图1来阐述根据本发明的实施方式的方法。
[0051]
参照图1，本发明提出一种采样数据异常变化在线监测与诊断方法，具体包括以下步骤：
[0052]
s100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；
[0053]
进一步地，在s100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。
[0054]
进一步地，在s100中，传感器网络采集的数据为时间序列数据{x(t
k
)∈r
m
,k＝0,1,2,
…
}，x(t
k
)为传感器网络按照时间先后顺序采集的数据；
[0055]
进一步地，在s100中，所述神经网络为长短记忆神经网络lstm，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络。
[0056]
进一步地，在s100中，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列r
m
为m维的实数空间，为得到的预测数据。
[0057]
s200，根据预测数据构建基于预测残差的数据管道；
[0058]
进一步地，在s200中，根据预测数据构建基于预测残差的数据管道的方法包括以下步骤：
[0059]
s201，比对时间序列数据{x(t
k
)∈r
m
,k＝0,1,2,
…
}与预测数据序列之间差异，形成残差序列：
[0060][0061]
s202，对于当前监测时刻t
s
(s>n)，计算残差序列各分量的偏差中值和离差中值：
[0062][0063]
式中x
j
(t
k
)和分别表示x(t
k
)和的第j个分量，其中，是中值算子，用于计算序列的中值；
[0064]
s203，根据偏差中值和离差中值形成残差数据管道：
[0065]
[e
j
(t
k
)-4.5θ
j
(t
k
)，e
j
(t
k
)+4.5θ
j
(t
k
)](j＝1,2,...,m)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0066]
s300，根据数据管道确定综合监测指数；
[0067]
进一步地，在s300中，根据数据管道确定综合监测指数的方法为：利用式(3)构造传感网测量数据随时间变化的数据管道确定传感网采集的多维测量数据x(t
k
)各分量的第一符号型综合监测指数t
j
(t
k
)：
[0068][0069]
式中当t
j
(t
k
)＝1时，第j个传感器网络的节点异常报警；
[0070]
优选地，为了规避石化过程石化管道测量数据的不同量纲和量值对监控算法的影响，也为了发现传感器孤立野值和避免野值带来虚警问题，对传感器采集的时间序列数据中的x
j
(t
k
)进行归一化处理：
[0071][0072]
从而将式(4)所示第一符号型综合监测指数改进为第二符号型综合监测指数
[0073][0074]
s400，根据综合监测指数构建状态监测模型；
[0075]
所述的综合监测指数包括第一符号型综合监测指数或第二符号型综合监测指数；
[0076]
进一步地，在s400中，根据第一符号型综合监测指数或第二符号型综合监测指数构建状态监测模型的方法为：
[0077]
所述状态监测模型包括传感器采样数据模型和滑动窗模型；其中，采用式(4)或式(6)构造传感器采样数据模型为：
[0078][0079]
构造滑动窗模型为：
[0080][0081]
作为状态监测指数，其中，a为采样的第a点的采样数据标号即采样起始点，b为采样的第b点的采样数据标号即采样结束点。
[0082]
s500，根据状态监测模型进行传感器网络采样数据的异常变化监测与诊断；
[0083]
进一步地，在s500中，根据状态监测模型进行传感器网络采样数据的异常变化监
测与诊断的方法为：
[0084]
采用式(7)和式(8)所示的检测指数，通过以下的任意一种或多种传感器网络采样数据异常变化的监测与诊断规则对采样数据异常变化监测与诊断：
[0085]
规则1：如果传感器网络监测数据片段{x(t
n
),
…
,x(t
k
)}的各分量均正常变化时，检测指数满足各分量均正常变化的意义为各分量不超出上限u(t
k
)和下限l(t
k
)，u(t
k
)和l(t
k
)均为定量的预设门限值；
[0086]
规则2：如果传感监测数据任意片段{x(t
a
),
…
,x(t
b
)}均处于正常变化时，滑动监测指数
[0087]
规则3：如果且则第j个传感器测量数据大部分时间在管道壁的上方运行，判断为监测对象出现偏大型异常；如果且则第j个传感器测量数据大部分时间在门限的下方运行，判断为监测对象出现偏小型异常；
[0088]
规则4：当采样间隔小于变化过程的惯性持续时间时，孤立出现的单个异常数据为野值的可能性远大于物理对象故障；在“严重偏大”与“严重偏小”的两态中快速切换的两个异常数据，为野值的可能性也远大于物理对象故障。
[0089]
优先的，本申请的一种系统结构地方实施例为：
[0090]
数据流在线读取模块，用于在线接收由传感器网络采集的石化过程各个测点的实际采样数据，并以数据流的方式存放在多维数组中。
[0091]
采样数据预处理模块，用于对采样数据进行采样间隔测算、不等间隔判断、野值型数据清洗和不等间隔数据插值。
[0092]
lstm网络训练测试模块，用于对采样数据的人工神经网络模型拟合、模型拟合系数等参数的调试和训练，并测试拟合模型的有效性。
[0093]
监测对象递推预测模块，用于传感器监测数据的拟合外推，采用不断增加的采用数据和经过训练的lstm模型，外推计算检测对象下一时刻的变化值。
[0094]
残差生成与指标计算模块，由残差生成子模块和指标计算子模块两部分构成。残差生成子模块用于计算监测对象的一步预测残差，并对残差进行归一化处理；指标计算子模块计算基于残差的第一符号型综合监测指数或第二符号型综合监测指数。
[0095]
异变监测与统计诊断模块，由异变监测子模块和统计诊断子模块两部分构成。异变监测子模块通过判断第一符号型综合监测指数的各分量t
j
(t
k
)是否为1，判断第j个监测点是否发生异常并对异常点发出报警信号；统计诊断子模块，分别计算传感器采样数据的传感器采样数据模型和滑动窗模型，结合“规则1”～“规则4”中任意一种或多种规则，诊断是否异常和异常变化的类型。
[0096]
参照图2，其为本发明的石油化工过程传感器采样数据异常变化在线监测方法的流程图，包括以下步骤，用于对lstm网络的训练和测试。然后进行图2中的步骤2-3和步骤2-4，采用训练好的lstm网络，预测传感器网络各监测点数据的下一步变化，计算实测值和预测值之间差值。接着执行图2中的步骤2-5和步骤2-6，采用式(2)构建残差合理性监测管道，
采用式(4)和(6)计算综合监测指数。接着执行图2中的步骤2-7，监测采样数据异常变化，诊断数据异常变化的类型，对异常变化实施报警处理。然后执行图2中的步骤2-8，判断是否进行传感器采样数据异常变化的在线监测，如果继续，则执行图2中的步骤2-9，读入一组新的采样数据，接着继续执行图2中的步骤2-3至步骤2-8的各步；如果停止，则完成在线监测过程，结束系统运行过程。
[0097]
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。