CN100461044C - 一种丙烯聚合生产中熔融指数检测的故障诊断***及方法 - Google Patents

Abstract

一种丙烯聚合生产中熔融指数检测的故障诊断***，包括与丙烯聚合生产过程连接的现场智能仪表、DCS***以及上位机，所述的DCS***由数据接口、控制站、数据库构成；智能仪表、DCS***、上位机依次相连，所述的上位机包括标准化处理模块、独立成分分析模块、支持向量机分类器功能模块、信号采集模块、待诊断数据确定模块以及故障判断模块。以及提出了一种故障诊断方法。本发明提供一种求解相对方便、能够得到良好的诊断效果、有效减小误报率的丙烯聚合生产中熔融指数检测的故障诊断***及方法。

Description

一种丙烯聚合生产中熔融指数检测的故障诊断***及方法

(一)技术领域

本发明涉及工业过程故障诊断领域，特别地，涉及一种丙烯聚合生产中熔融指数检测的故障诊断***及方法。

(二)背景技术

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂，是塑料工业中的重要产品。在目前我国的聚烯烃树脂中，成为仅次于聚乙烯和聚氯乙烯的第三大塑料。在聚丙烯生产过程中，熔融指数(MI)是反映产品质量的一个重要指标，是生产质量控制和牌号切换的重要依据。但MI只能离线检测，一般离线分析至少需要近2小时，耗资而且耗时，特别是离线分析的2小时期间将无法及时了解聚丙烯生产过程的状态。因此，选取与熔融指数密切相关的易测变量作为二次变量，从中分析熔融指数，检测生产过程是否正常，对于丙烯聚合生产过程至关重要。

(三)发明内容

为了克服已有的丙烯聚合生产中熔融指数检测的故障诊断***的求解麻烦、难以得到较好的诊断效果、误报率较高的不足，本发明提供一种求解相对方便、能够得到良好的诊断效果、有效减小误报率的丙烯聚合生产中熔融指数检测的故障诊断***及方法。

本发明解决其技术问题所采用的技术方案是：

一种丙烯聚合生产中熔融指数检测的故障诊断***，包括与丙烯聚合生产过程连接的现场智能仪表、DCS***以及上位机，所述的DCS***由数据接口、控制站、数据库构成；智能仪表、DCS***、上位机依次相连，所述的上位机包括：

标准化处理模块，用于对数据库中采集***正常时关键变量的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值；

独立成分分析模块，用于依照独立成分个数，采用基于定点迭代的快速独立成分分析(ICA)算法计算解混矩阵W，具体的步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂Lw_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\′\left(w_i^{T}x\right)\}{w}_i,$ 其中表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示

的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

支持向量机分类器功能模块，用于依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\ω}\left(\mathrm{\α}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i(i＝1，…，N)是拉各朗日乘子，x_i(i＝1，…，N)是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的的方向，b为决定超平面位置的参数，δ为核参数；

信号采集模块，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块，用于对待检测数据VX用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

作为优选的一种方案：所述的上位机还包括：判别模型更新模块，用于定期将过程状态正常的点添加到训练集VX中，输出到标准化处理模块、独立成分分析模块、支持向量机分类器功能模块，并更新支持向量机分类器功能模块中的分类模型。

作为优选的另一种方案：所述的上位机还包括：结果显示模块，用于将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

作为优选的再一种方案：所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

一种用所述的丙烯聚合生产中熔融指数检测的故障诊断***实现的故障诊断方法，所述的故障诊断方法包括以下步骤：

(1)、从DCS数据库的历史数据库中采集***正常时关键变量的数据作为训练样本TX；

(2)、在上位机的独立成分分析模块、支持向量机分类器功能模块中，分别设置独立成分个数、支持向量机核参数和置信概率参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right),$

3.2)计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right),$

其中，N为训练样本数，N为训练样本数，TX为训练样本的均值；

(4)、依照独立成分个数，采用基于定点迭代的快速ICA算法计算解混矩阵W，具体的步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂Lw_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中

表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示

的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

(5)、依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i(i＝1，…，N)是拉各朗日乘子，x_i(i＝1，…，N)是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的的方向，b为决定超平面位置的参数，δ为核参数；

(6)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待检测数据VX用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

作为优选的一种方案：所述的故障诊断方法还包括：(7)、定期将过程状态正常的点添加到训练集VX中，重复(3)～(5)的训练过程，以便及时更新支持向量机分类器功能模块中的分类模型。

作为优选的另一种方案：在所述的(6)中，上位机将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

作为优选的再一种方案：所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

本发明的技术构思为：传统的多变量统计监控故障诊断方法多采用主成分分析和偏最小二乘分析，这些方法在假设变量满足独立同分布的同时，还要求变量服从正态分布，并且利用的仅是二阶统计量信息，往往难以得到较好的故障诊断效果。

本发明利用工业实测数据，采用统计的方法进行故障诊断，避开了复杂的机理分析，求解相对方便。

盲源信号分析(独立成分分析ICA)是一种基于高阶统计量的信号处理方法，将其用于流程工业的过程数据分析处理，能更有效地利用变量的概率统计特性，可以在统计独立意义下对观测变量进行分解，得到过程内在的驱动信息源，从而更本质地描述过程特征，对过程的监控和故障诊断更准确、更可靠。

本发明的有益效果主要表现在：将独立成分分析的解相关性能力和支持向量机的多变量非线性映射能力和强泛化能力很好地结合了起来，发挥了各自的优势，使得故障诊断更加可靠有效，能更好的指导生产，提高生产效益。

(四)附图说明

图1是本发明所提出的故障诊断***的硬件结构图；

图2是本发明所提出的故障诊断***功能模块图；

图3是聚丙烯生产流程简图；

图4是独立成分分析和支持向量机(ICA-SVM)的检测效果图；

图5是本发明上位机的原理框图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2、图3、图4以及图5，一种丙烯聚合生产中熔融指数检测的故障诊断***，包括与丙烯聚合生产过程连接的现场智能仪表2、DCS***以及上位机6，所述的DCS***由数据接口3、控制站4、数据库5构成；智能仪表2、DCS***、上位机6通过现场总线依次相连，所述的上位机6包括：

标准化处理模块7，用于对数据库中采集***正常时关键变量的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值；

独立成分分析模块8，用于依照独立成分个数，采用基于定点迭代的快速独立成分分析(ICA)算法计算解混矩阵W，具体的步骤如下：

⑦随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂Lw_i-1]，i＝1，...，m；

⑧对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中

表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

⑨标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示的范数；

⑩若不收敛，返回②，否则一直迭代至i＝m；

当更新的w_i与原w_i点积为1时，判别为收敛；

计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

支持向量机分类器功能模块9，用于依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i(i＝1，…，N)是拉各朗日乘子，x_i(i＝1，…，N)是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的的方向，b为决定超平面位置的参数，δ为核参数；

信号采集模块10，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块11，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块12，用于对待检测数据VX用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

所述的上位机还包括：判别模型更新模块13，用于定期将过程状态正常的点添加到训练集VX中，输出到标准化处理模块、独立成分分析模块、支持向量机分类器功能模块，并更新支持向量机分类器功能模块中的分类模型。

所述的上位机还包括：结果显示模块14，用于将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

本发明所述的工业过程故障诊断***的硬件结构图如附图1所示，所述的故障诊断***核心由包括标准化模块7、独立成分分析模块8、支持向量机分类器模块9等三大功能模块和人机界面的上位机6构成，此外还包括：现场智能仪表2，DCS***和现场总线。所述的DCS***由数据接口3、控制站4、数据库5构成；丙烯聚合生产过程1、智能仪表2、DCS***、上位机6通过现场总线依次相连，实现信息流的上传和下达。故障诊断***在上位机6上运行，可以方便地与底层***进行信息交换，及时应对***故障。

本发明所述的故障诊断***的功能模块图如附图2所示，主要包括标准化处理模块7、独立成分分析模块8、支持向量机分类器模块9等三大功能模块。

本发明所述的故障诊断方法按照如下步骤进行实施：

1、从DCS数据库5的历史数据库中采集***正常时以下九个变量的数据作为训练样本TX：主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α；

2、在上位机6的独立成分分析模块8和支持向量机分类器模块9中，分别设置独立成分个数、支持向量机核参数和置信概率等参数，设定DCS中的采样周期；

3、训练样本TX在上位机6中依次经过标准化处理7、独立成分分析8、支持向量机9等模块，采用以下步骤来完成上位机6中故障诊断***的训练；

1)在上位机6的标准化处理功能模块7中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X。采用以下过程来完成：

①计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right)$

②计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right)$

③标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right)$

其中N为训练样本数，N为训练样本数，TX为训练样本的均值；

上位机6的标准化处理功能模块7所进行的标准化处理能消除各变量因为量纲不同造成的影响。

2)在上位机6的独立成分分析模块8中，进行独立成分分析，采用基于定点迭代的快速ICA算法计算解混矩阵W。具体实施步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂Lw_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中

表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

3)训练上位机6中的支持向量机分类器功能模块9的分类模型。

所述的上位机6中的支持向量机分类器功能模块9的核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为如下二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right)$

其中，α_i(i＝1，…，N)是拉各朗日乘子，x_i(i＝1，…，N)是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的的方向，b为决定超平面位置的参数，δ为核参数。

定义当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

支持向量机基于统计学习理论，采用结构风险最小化准则，很好地解决了小样本、局部极小点、高维数等难题，用于分类问题能提高分类精度。

4、***开始投运：

1)用定时器，设置好每次采样的时间间隔；

2)现场智能仪表2检测过程数据并传送到DCS数据库5的实时数据库中；

3)上位机6在每个定时周期从DCS数据库5的实时数据库中，得到最新的变量数据，作为待诊断数据VX；

4)待检测数据VX，在上位机6的标准化处理功能模块7中，用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块8的输入；

5)上位机6中的独立成分分析模块8，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到上位机6中的支持向量机分类器功能模块9；

6)上位机6中的支持向量机分类器模块9，将输入数据代入训练得到的判别函数，计算判别函数值，判别并在上位机6的人机界面上显示过程的状态；

7)上位机6将故障诊断结果传给DCS，并在DCS的控制站4显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示，使得现场操作工可以及时应对。

5、分类器模型更新

在***投运过程中，定期将过程状态正常的点添加到训练集TX中，重复步骤3的训练过程，以便及时更新上位机6的支持向量机分类器9中的分类模型，保持分类器模型具有较好的分类效果。

下面详细说明本发明的一个具体实施例。

以聚丙烯生产HYPOL工艺实际工业生产为例。图三给出了典型的Hypol连续搅拌釜(CSTR)法生产聚丙烯的工艺流程图，前2釜是CSTR反应器、后2釜是流化床反应器(FBR)。选取主催化剂流率、辅催化剂流率、三股丙烯进料流率、釜内流体温度、釜内流体压强、釜内液位、釜内氢气体积浓度九个易测操作变量作为模型的输入量，从生产过程的DCS***中获取这九个参数的数据作为训练样本，其中五十个正常的样本作为训练集，另二十二个样本点作为测试集数据验证诊断效果。ICA提取独立成分个数为7，支持向量机核参数取5，置信概率0.98，采样周期为2小时。图4为独立成分分析和支持向量机(ICA-SVM)的检测效果图，图中只画出了前两个独立成分的分布。表1列出了测试集中实际故障点和本***检测出的故障点，可以看出仅3号故障点漏报，误报率为0。显然，本***具有较高的诊断准确性。

 

实际故障点	1，2，3，10，12，15，16
		检测故障点	1，2，10，12，15，16

表1。

实施例2

参照图1、图2、图3、图4以及图5，一种丙烯聚合生产中熔融指数检测的故障诊断方法，包括以下步骤：

(1)、从DCS数据库5的历史数据库中采集***正常时关键变量的数据作为训练样本TX；

(2)、在上位机的独立成分分析模块8、支持向量机分类器功能模块9中，分别设置独立成分个数、支持向量机核参数和置信概率参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right),$

3.2)计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right),$

其中，N为训练样本数，N为训练样本数，TX为训练样本的均值；

(4)、依照独立成分个数，采用基于定点迭代的快速ICA算法计算解混矩阵W，具体的步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂Lw_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示

的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

(5)、依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i(i＝1，…，N)是拉各朗日乘子，x_i(i＝1，…，N)是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的的方向，b为决定超平面位置的参数，δ为核参数；

(6)、将采集的数据传送到DCS实时数据库5中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待检测数据VX用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块8的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块9，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

所述的故障诊断方法还包括：(7)、定期将过程状态正常的点添加到训练集VX中，重复(3)～(5)的训练过程，以便及时更新支持向量机分类器功能模块中的分类模型。

在所述的(6)中，上位机将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

Claims (8)

1.一种丙烯聚合生产中熔融指数检测的故障诊断***，包括与丙烯聚合生产过程连接的现场智能仪表、DCS***以及上位机，所述的DCS***由数据接口、控制站、数据库构成；智能仪表、DCS***、上位机依次相连，其特征在于：所述的上位机包括：

标准化处理模块，用于对数据库中采集***正常时关键变量的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值；

独立成分分析模块，用于依照独立成分个数，采用基于定点迭代的快速ICA算法计算解混矩阵W，具体的步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$ 其中W_i-1＝[w₁w₂…w_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中

表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示

的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，

X是输入矩阵；

支持向量机分类器功能模块，用于依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i，i＝1，…，N是拉各朗日乘子，x_i，i＝1，…，N是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的方向，b为决定超平面位置的参数，σ为基宽度；

信号采集模块，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块，用于对待诊断数据VX用训练时得到的TX和

进行标准化处理，并将标准化处理后的数据作为独立成分分析模块的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

2.如权利要求1所述的一种丙烯聚合生产中熔融指数检测的故障诊断***，其特征在于：所述的上位机还包括：

判别模型更新模块，用于定期将过程状态正常的点添加到训练集中，输出到标准化处理模块、独立成分分析模块、支持向量机分类器功能模块，并更新支持向量机分类器功能模块中的分类模型。

3.如权利要求1或2所述的一种丙烯聚合生产中熔融指数检测的故障诊断***，其特征在于：所述的上位机还包括：

结果显示模块，用于将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

4.如权利要求3所述的一种丙烯聚合生产中熔融指数检测的故障诊断***，其特征在于：所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率f₁、f₂、f₃、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

5.一种用如权利要求1所述的丙烯聚合生产中熔融指数检测的故障诊断***实现的故障诊断方法，其特征在于：所述的故障诊断方法包括以下步骤：

(1)、从DCS数据库的历史数据库中采集***正常时关键变量的数据作为训练样本TX；

(2)、在上位机的独立成分分析模块、支持向量机分类器功能模块中，分别设置独立成分个数、支持向量机核参数和置信概率参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\&OverBar;}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{TX}}_i---\left(1\right),$

3.2)计算方差： ${\mathrm{\&sigma;}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}({\mathrm{TX}}_i-\stackrel{\&OverBar;}{\mathrm{TX}})---\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\&OverBar;}{\mathrm{TX}}}{{\mathrm{\&sigma;}}_x}---\left(3\right),$

其中，TX为训练样本，N为训练样本数，TX为训练样本的均值；

(4)、依照独立成分个数，采用基于定点迭代的快速ICA算法计算解混矩阵W，具体的步骤如下：

①随机选取范数为1的初始权重向量w_i，若i≥2，则 $w_i=w_i-W_{i-1}{W}_{i-1}^T{w}_i,$

其中W_i-1＝[w₁w₂…w_i-1]，i＝1，...，m；

②对w_i进行迭代更新： $w_i^{+}=E\left\{\mathrm{xg}\left(w_i^{T}x\right)\right\}-E\{g\&prime;\left(w_i^{T}x\right)\}{w}_i,$ 其中

表示更新后的权重向量，E是数学期望，g代表形式为g(x)＝xexp(-x²/2)的函数，g’为g的倒数；

③标准化处理 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|,$ 其中

表示

的范数；

④若不收敛，返回②，否则一直迭代至i＝m；

⑤当更新的w_i与原w_i点积为1时，判别为收敛；

⑥计算独立成分：S＝WX；其中，S是独立成分矩阵，W是解混矩阵，X是输入矩阵；

(5)、依照支持向量机核参数和置信概率，计算核函数，采用径向基函数K(x_i，x)＝exp(-‖x-x_i‖/σ²)，将训练过程化为二次规划求解问题：

$\mathrm{\&omega;}\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)---\left(4\right)$

从而得到分类函数，即如下函数的符号函数f(x)：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i}K(x_i,x)+b---\left(5\right);$

其中，α_i，i＝1，…，N是拉各朗日乘子，x_i，i＝1，…，N是输入向量，y是输出变量，ω是支持向量机超平面的法向量，决定超平面的方向，b为决定超平面位置的参数，σ为基宽度；

(6)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待诊断数据VX用训练时得到的TX和进行标准化处理，并将标准化处理后的数据作为独立成分分析模块的输入，用训练时得到的解混矩阵W对输入进行变换，变换后矩阵输入到支持向量机分类器功能模块，将输入数据代入训练得到的判别函数f(x)，计算判别函数值，当f(x)>＝0，数据样本处于正常状态；当f(x)<0时，处于异常状态。

6.如权利要求5所述的故障诊断方法，其特征在于：所述的故障诊断方法还包括：(7)、定期将过程状态正常的点添加到训练集中，重复(3)～(5)的训练过程，以便及时更新支持向量机分类器功能模块中的分类模型。

7.如权利要求5或6所述的故障诊断方法，其特征在于：在所述的(6)中，上位机将故障诊断结果传给DCS***，并在DCS的控制站显示过程状态，同时通过DCS***和现场总线将过程状态信息传递到现场操作站进行显示。

8.如权利要求7所述的故障诊断方法，其特征在于：所述的关键变量包括主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率f₁、f₂、f₃、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

Images