CN107390661A - 一种流程工业过程状态异常的预警方法 - Google Patents
一种流程工业过程状态异常的预警方法 Download PDFInfo
- Publication number
- CN107390661A CN107390661A CN201710750153.1A CN201710750153A CN107390661A CN 107390661 A CN107390661 A CN 107390661A CN 201710750153 A CN201710750153 A CN 201710750153A CN 107390661 A CN107390661 A CN 107390661A
- Authority
- CN
- China
- Prior art keywords
- mrow
- early warning
- trend
- msup
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明公开了一种流程工业过程状态异常的预警方法,首先设定趋势和限值的预警信息,按照工况趋势将趋势预警分为4类,同时设定工况参数限值预警的上下限区间;然后基于时间轴,以当前点为起点向前选取p个采样点进行回归计算,得到斜率和相关系数;接着按照上述步骤每次前移1个采样点并重复计算共计n次;最后依据趋势预警的识别流程,确定当前工况的趋势预警类别,依据限值预警的识别流程,判断是否产生限值预警,并综合趋势预警和限值预警的识别结果,判断当前运行工况的预警级别。该方法实用、可靠,既降低了因噪声数据而导致误判的概率,又能对异常工况提前预警。该方法对及时故障处理、降低故障损失、保证生产安全具有重要的应用价值。
Description
技术领域
本发明涉及流程工业过程领域的故障检测与预警方面,基于趋势和限值两类预警信息,建立一种异常状态的实时检测与预警方法。
背景技术
石油、石化等流程工业领域里的故障或异常状态,往往采用集散控制***(DCS)报警。然而,目前DCS普遍采用固定的上下限报警,存在无法提供预警、报警不及时等诸多问题。
目前已有一些故障或异常的预警方法,主要分为基于模型和基于数据驱动两大类。基于模型的方法需要深刻理解并掌握准确的工艺过程机理,在实际应用中受到极大限制;基于数据驱动的方法是从DCS采集实时及历史数据,然后进行数据处理和判断。但数据驱动的方法在实际应用中尚存在一些问题,例如,测量的数据往往带有噪声,极易造成故障误报;而为了消除噪声有时采用的滤波方法又容易引入滞后问题,造成报警不及时。因此,如何建立一个实用、可靠的异常状态预警***,能够在准确性、实时性间找到平衡,近年来越来越引起关注。
发明内容
本发明针对上述问题,综合了趋势和限值的预警识别信息,建立过程状态异常预警的判断规则和流程,可对变化剧烈或渐变性异常进行实时检测和预警。
本发明采用以下技术方案:
一种流程工业过程状态异常的预警方法,该方法综合了趋势和限值的预警识别信息,建立过程状态异常预警的判断规则和流程,具有以下步骤:
⑴按照工况趋势将趋势预警分为4类:趋势快速上升、趋势快速下降、趋势大幅波动和趋势正常;
⑵设定工况参数正常运行区间的上限xh和下限xl;
⑶从监控***提取实时运行数据,以当前采样点为起点,对p个历史采样点进行回归计算,得到斜率k1和相关系数r1;
⑷基于时间轴前移1个采样点,再次对p个采样点计算拟合斜率k2和相关系数r2,重复此过程,直至得到k1~kn和r1~rn;
⑸依据趋势预警识别流程,确定当前工况的趋势预警类别:若趋势为快速上升、快速下降或大幅波动,则执行步骤⑹;若趋势为正常,则执行步骤⑺;
⑹依据限值预警识别流程,判断是否产生限值预警;
⑺综合趋势和限值的识别结果,判断装置当前运行工况的预警级别。
具体的,本方法提供了对当前工况中趋势快速上升和快速下降预警的识别流程:
⑴统计r1~rn处于相关系数预警范围q1l≤|r|≤q1r的比例w1,并与阈值m1比较,若w1<m1则对当前工况进行大幅波动的趋势预警识别;若w1≥m1则转至步骤⑵;
⑵统计k1~kn处于斜率预警范围ul≤|k|≤ur的比例w2,并与阈值m2比较,若在正斜率区间且w2≥m2则判定为趋势快速上升;若在负斜率区间且w2≥m2则判定为趋势快速下降;若w2<m2则判定为趋势正常。
具体的,本方法提供了对当前工况中趋势大幅波动预警的识别流程:
⑴统计r1~rn处于相关系数预警范围q2l≤|r|≤q2r的比例w3,并与阈值m3比较,若w3<m3则判定为正常趋势,若w3≥m3则转至步骤⑵;
⑵以当前采样点为起点,基于时间轴向前选取2p个采样点并计算标准差v,与阈值m4比较,若v≥m4则判断为趋势大幅波动,若v<m4则判断为正常趋势。
具体的,本方法提供了对当前工况中限值预警的识别流程,基于时间轴向前选取包括当前点在内的3个采样点对未来3个采样点进行预测,具体步骤如下:
⑴当前采样点为x(p),T为采样周期,设置权重系数α、β和γ,使α+β+γ=1,提取x(p)、x(p-1)和x(p-2)共计3个采样点;
⑵依据下式计算K(0) 1、K(0) 2和K(0) 3
依据式计算得根据式计算得
⑶依据下式计算K(1) 1、K(1) 2和K(1) 3
依据式计算得根据式计算得
⑷依据下式计算K(2) 1、K(2) 2和K(2) 3
依据式计算得根据式计算得
⑸若和中有2个及以上超过给定工况参数的限值,即产生限值预警。
优选的,本方法基于趋势和限值预警的识别信息,建立了一套过程状态异常的预警判断规则,其中将判断结果分为三个预警级别:绿色、黄色和红色,其中绿色表示工况正常,黄色表示提醒注意,红色表示报警状态,具体规则如下:
类别 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
趋势快速上升 | 是 | 是 | 否 | 否 | 否 | 否 | 否 | 否 |
趋势快速下降 | 否 | 否 | 是 | 是 | 否 | 否 | 否 | 否 |
趋势大幅波动 | 否 | 否 | 否 | 否 | 是 | 是 | 否 | 否 |
趋势正常 | 否 | 否 | 否 | 否 | 否 | 否 | 是 | 是 |
是否超过限值 | 是 | 否 | 是 | 否 | 是 | 否 | 是 | 否 |
预警级别 | 红色 | 黄色 | 红色 | 黄色 | 红色 | 黄色 | 红色 | 绿色 |
有益效果:
本发明针对流程工业中状态异常实时监测和预警能力不足的实际情况,基于趋势预警和限值预警的识别信息,建立了一套过程状态异常的预警判断规则,并给出当前运行工况的预警级别。该方法实用、可靠,既降低了因噪声数据而导致误判的概率,又能对异常工况提前预警。该方法对及时故障处理、降低故障损失、保证生产安全具有重要的应用价值。
附图说明
图1是流程工业过程状态异常的预警总体流程图
图2是案例1中包含当前采样点的回归图
图3是案例1趋势预警的趋势值预测图
图4是案例2中包含当前采样点的回归图
图5是案例2趋势预警的趋势值预测图
具体实施过程
下面结合附图以及两个具体的算例,给出详细的计算过程和具体操作流程,以对本发明作进一步说明。本实施案例在以本发明技术方案为前提下进行实施,但本发明的保护范围不限于下述的实施案例。
案例1
以某炼化企业的常减压工艺中初馏塔塔顶压力为例,选取的是该企业2016年11月25日23:25至26日1:30时间段内每隔5分钟采集的数据,依据建立的状态异常预警规则和流程,完成初馏塔塔顶压力的异常识别。
案例1实施流程如图1所示,具体的实施步骤如下:
(1)设定趋势和限值的预警信息
按照工况趋势将趋势预警分为4类:趋势快速上升、趋势快速下降、趋势大幅波动和正常趋势,根据现场工艺要求设定工况参数上限xh=343kPa和下限xl=208kPa。
(2)回归计算斜率与相关系数
首先提取了26个采样点数据,数据如表1所示:
表1初馏塔塔顶压力数据
本案例中设置回归的采样点数量p=7,基于时间轴,以当前采样点为起点向前选取7个采样点进行最小二乘回归。回归结果如图2所示,可见,回归方程y=-2.07x+208.93,拟合斜率k1=-2.07,相关系数r1=-0.91。
每次前移1个采样点并计算,最终得到汇总的斜率k1~k20和相关系数r1~r20,具体数值如表2所示:
表2回归系数汇总
斜率(kPa/h) | 相关系数 | |
1 | -2.07 | -0.91 |
2 | -3.12 | -0.93 |
3 | -4.21 | -0.96 |
4 | -5.20 | -0.99 |
5 | -5.93 | -1.00 |
6 | -6.21 | -1.00 |
7 | -6.21 | -1.00 |
8 | -6.21 | -1.00 |
9 | -6.21 | -1.00 |
10 | -6.21 | -1.00 |
11 | -6.21 | -1.00 |
12 | -5.98 | -1.00 |
13 | -5.33 | -0.99 |
14 | -4.43 | -0.97 |
15 | -3.45 | -0.95 |
16 | -2.54 | -0.95 |
17 | -1.86 | -0.98 |
18 | -1.59 | -1.00 |
19 | -1.59 | -1.00 |
20 | -1.59 | -1.00 |
(3)趋势预警识别
此案例设定的趋势预警的相关系数范围为0.50≤|r|≤1.00,阈值m1=0.60;趋势预警的负斜率上限为-2.50kPa/h,阈值m2=0.65。相关系数r1~r20处于趋势预警区间的比例:斜率k1~k20属于趋势预警区间的比例:均大于设定的阈值,且趋势预警的相关系数区间为负区间,因此趋势预警识别的结果是:趋势快速下降。
(4)限值预警识别
此案例的当前采样点为x(p)=208.04kPa,采样周期为设置权重系数α=0.5、β=0.3和γ=0.2,基于x(p-2)、x(p-1)和x(p)预测未来三个采样点,具体计算如下:
①分别计算和带入算式得到预测值
②分别计算和带入算式得到预测值
③分别计算和带入算式得到预测值
计算出的趋势值预测如图3所示。
④统计和中超出正常运行区间的有3个,产生限值预警。
⑸综合趋势和限值的预警识别结果,该工况既趋势快速下降,又产生限值预警,依据过程状态异常预警的判断规则,得出当前时间点2016年11月26日01:30工况预警级别为红色。
案例2
再以该企业常减压工艺中常压塔塔顶温度为例,选取2017年2月4日11:15至13:20时间段内每隔5分钟采样一次的常压塔塔顶温度数据,依据建立的故障预警规则和流程,完成常压塔塔顶温度参数的异常识别,具体的实施步骤如下:
⑴设定趋势和限值的预警信息
按照工况趋势将趋势预警分为4类,根据现场工艺要求设定工况参数上限xh=146℃和下限xl=128℃。
⑵回归计算斜率与相关系数
提取了26个采样点数据,如表3所示:
表3常压塔塔顶温度数据
序号 | 日期 | 时间点 | 温度(℃) |
1 | 2017/2/4 | 11:15 | 141.79 |
2 | 2017/2/4 | 11:20 | 142.17 |
3 | 2017/2/4 | 11:25 | 142.29 |
4 | 2017/2/4 | 11:30 | 142.49 |
5 | 2017/2/4 | 11:35 | 142.58 |
6 | 2017/2/4 | 11:40 | 142.92 |
7 | 2017/2/4 | 11:45 | 143.33 |
8 | 2017/2/4 | 11:50 | 143.39 |
9 | 2017/2/4 | 11:55 | 143.53 |
10 | 2017/2/4 | 12:00 | 143.48 |
11 | 2017/2/4 | 12:05 | 143.30 |
12 | 2017/2/4 | 12:10 | 143.37 |
13 | 2017/2/4 | 12:15 | 143.42 |
14 | 2017/2/4 | 12:20 | 143.45 |
15 | 2017/2/4 | 12:25 | 143.60 |
16 | 2017/2/4 | 12:30 | 143.65 |
17 | 2017/2/4 | 12:35 | 143.69 |
18 | 2017/2/4 | 12:40 | 143.75 |
19 | 2017/2/4 | 12:45 | 143.71 |
20 | 2017/2/4 | 12:50 | 144.15 |
21 | 2017/2/4 | 12:55 | 144.18 |
22 | 2017/2/4 | 13:00 | 144.23 |
23 | 2017/2/4 | 13:05 | 144.27 |
24 | 2017/2/4 | 13:10 | 144.11 |
25 | 2017/2/4 | 13:15 | 144.79 |
26 | 2017/2/4 | 13:20 | 144.96 |
设置回归的采样点数量p=7,回归结果如图4所示。计算拟合斜率和相关系数,得到k1~k20和r1~r20,具体数值如表4所示:
表4回归系数汇总
⑶趋势预警识别
此案例设定的趋势预警的相关系数范围为0.50≤|r|≤1.00,阈值m1=0.60;趋势预警的正斜率下限为0.80,阈值m2=0.65。相关系数r1~r20处于趋势预警区间的比例为0.85,斜率k1~k20处于趋势预警区间的比例为0.70,均大于各自设定的阈值,且趋势预警的相关系数区间为正区间,因此趋势预警识别的结果是:趋势快速上升。
⑷限值预警识别
此案例的当前采样点为x(p)=144.96℃,设置权重系数α=0.5、β=0.3和γ=0.2,基于x(p-2)、x(p-1)和x(p)预测未来三个采样点,如图5所示,具体计算如下:
①分别计算斜率得到K(0) 1=2.04℃/h、K(0) 2=8.16℃/h和K(0) 3=5.10℃/h,综合已得斜率和权重系数计算得带入算式得到预测值
②分别计算斜率得到K(1) 1=4.44℃/h、K(1) 2=2.04℃/h和K(1) 3=3.24℃/h,综合已得斜率和权重系数计算带入算式得到预测值
③分别计算斜率得到K(2) 1=3.48℃/h、K(2) 2=4.44℃/h和K(2)3=3.96℃/h,综合已得斜率和权重系数计算带入算式得到预测值
④统计和中超过设定区间的有0个,不产生限值预警。
⑸综合趋势和限值的预警识别信息,该工况是趋势快速上升,但未产生限值预警,依据判断规则,得出当前时间点2017年2月4日13:20工况预警级别为黄色。
Claims (5)
1.一种流程工业过程状态异常的预警方法,其特征在于具有以下步骤:
⑴按照工况趋势将趋势预警分为4类:趋势快速上升、趋势快速下降、趋势大幅波动和趋势正常;
⑵设定工况参数正常运行区间的上限xh和下限xl;
⑶从监控***提取实时运行数据,以当前采样点为起点,对p个历史采样点进行回归计算,得到斜率k1和相关系数r1;
⑷基于时间轴前移1个采样点,再次对p个采样点计算拟合斜率k2和相关系数r2,重复此过程,直至得到k1~kn和r1~rn;
⑸依据趋势预警识别流程,确定当前工况的趋势预警类别:若趋势为快速上升、快速下降或大幅波动,则执行步骤⑹;若趋势为正常,则执行步骤⑺;
⑹依据限值预警识别流程,判断是否产生限值预警;
⑺综合趋势和限值的识别结果,判断装置当前运行工况的预警级别。
2.根据权利要求1所述的一种流程工业过程状态异常的预警方法,其特征在于对当前工况中趋势快速上升和趋势快速下降预警采用如下识别流程:
⑴统计r1~rn处于[q1l,q1r]的比例w1,q1l和q1r分别为相关系数第一预警的下限和上限;w1并与阈值m1比较,若w1<m1则对当前工况进行趋势大幅波动的趋势预警识别;若w1≥m1则转至步骤⑵;
⑵统计k1~kn处于[ul,ur]的比例w2,ul和ur分别为斜率预警的下限和上限;w2并与阈值m2比较,若在正斜率区间且w2≥m2则判定为趋势快速上升;若在负斜率区间且w2≥m2则判定为趋势快速下降;若w2<m2则判定为趋势正常。
3.根据权利要求2所述的一种流程工业过程状态异常的预警方法,其特征在于对当前工况中趋势大幅波动预警采用如下识别流程:
⑴统计r1~rn处于[q2l,q2r]的比例w3,q2l和q2r分别为相关系数第二预警的下限和上限;w3并与阈值m3比较,若w3<m3则判定为正常趋势,若w3≥m3则转至步骤⑵;
⑵以当前采样点为起点,基于时间轴向前选取2p个采样点并计算标准差v,v与阈值m4比较,若v≥m4则判断为趋势大幅波动,若v<m4则判断为正常趋势。
4.根据权利要求1所述的一种流程工业过程状态异常的预警方法,其特征在于限值预警的识别流程,基于时间轴向前选取包括当前点在内的3个采样点对未来3个采样点进行预测,具体步骤如下:
⑴当前采样点为x(p),T为采样周期,设置权重系数α、β和γ,使α+β+γ=1,提取x(p)、x(p-1)和x(p-2)共计3个采样点;
⑵依据下式计算K(0) 1、K(0) 2和K(0) 3
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>T</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
依据式计算得根据式计算得
⑶依据下式计算K(1) 1、K(1) 2和K(1) 3
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>T</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
依据式计算得根据式计算得
⑷依据下式计算K(2) 1、K(2) 2和K(2) 3
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>T</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
依据式计算得根据式计算得
⑸若和中有2个及以上超过给定工况参数的限值,即产生限值预警。
5.根据权利要求1所述的一种流程工业过程状态异常的预警方法,其特征在于基于趋势和限值的预警识别信息,建立过程状态异常的预警判断规则,其中将判断结果分为3个预警级别:绿色、黄色和红色,其中绿色表示工况正常,黄色表示提醒注意,红色表示报警状态,具体规则如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710750153.1A CN107390661B (zh) | 2017-08-28 | 2017-08-28 | 一种流程工业过程状态异常的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710750153.1A CN107390661B (zh) | 2017-08-28 | 2017-08-28 | 一种流程工业过程状态异常的预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107390661A true CN107390661A (zh) | 2017-11-24 |
CN107390661B CN107390661B (zh) | 2019-05-24 |
Family
ID=60346651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710750153.1A Active CN107390661B (zh) | 2017-08-28 | 2017-08-28 | 一种流程工业过程状态异常的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107390661B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132867A (zh) * | 2018-01-11 | 2018-06-08 | 安徽容知日新科技股份有限公司 | 一种设备故障报警方法及计算设备 |
CN108765889A (zh) * | 2018-04-17 | 2018-11-06 | 中国石油集团安全环保技术研究院有限公司 | 基于大数据技术的油气生产运行安全预警方法 |
CN109063261A (zh) * | 2018-06-29 | 2018-12-21 | 深圳市科列技术股份有限公司 | 一种动力电池老化趋势的判断方法和装置 |
CN110134079A (zh) * | 2019-03-26 | 2019-08-16 | 石化盈科信息技术有限责任公司 | 一种基于斜率分析的工艺参数预警方法及*** |
CN110349046A (zh) * | 2019-05-29 | 2019-10-18 | 浙江陀曼云计算有限公司 | 生产预警方法和装置 |
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN112633561A (zh) * | 2020-12-09 | 2021-04-09 | 北京名道恒通信息技术有限公司 | 一种基于工业大数据的生产风险智能预测预警方法 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
WO2024077983A1 (zh) * | 2022-10-14 | 2024-04-18 | 南京凯盛国际工程有限公司 | 一种提升评估模型预警提前性和准确性的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117731A (zh) * | 2009-12-31 | 2011-07-06 | 中芯国际集成电路制造(上海)有限公司 | 半导体工艺生产流程中的测量数据的监测方法和装置 |
CN103714238A (zh) * | 2012-10-01 | 2014-04-09 | 福特全球技术公司 | 对涉及动态***实验结果的计算机模型评分的***和方法 |
CN103744389A (zh) * | 2013-12-30 | 2014-04-23 | 中国石油天然气股份有限公司 | 一种油气生产设备运行状态的预警方法 |
CN105389648A (zh) * | 2015-10-21 | 2016-03-09 | 南京富岛信息工程有限公司 | 一种常减压装置稳态工况的判别方法 |
CN106061370A (zh) * | 2013-12-16 | 2016-10-26 | 美敦力迷你迈德公司 | 电化学阻抗谱(eis)在连续葡萄糖监测中的使用 |
-
2017
- 2017-08-28 CN CN201710750153.1A patent/CN107390661B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102117731A (zh) * | 2009-12-31 | 2011-07-06 | 中芯国际集成电路制造(上海)有限公司 | 半导体工艺生产流程中的测量数据的监测方法和装置 |
CN103714238A (zh) * | 2012-10-01 | 2014-04-09 | 福特全球技术公司 | 对涉及动态***实验结果的计算机模型评分的***和方法 |
CN106061370A (zh) * | 2013-12-16 | 2016-10-26 | 美敦力迷你迈德公司 | 电化学阻抗谱(eis)在连续葡萄糖监测中的使用 |
CN103744389A (zh) * | 2013-12-30 | 2014-04-23 | 中国石油天然气股份有限公司 | 一种油气生产设备运行状态的预警方法 |
CN105389648A (zh) * | 2015-10-21 | 2016-03-09 | 南京富岛信息工程有限公司 | 一种常减压装置稳态工况的判别方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132867B (zh) * | 2018-01-11 | 2021-05-25 | 合肥科博软件技术有限公司 | 一种设备故障报警方法及计算设备 |
CN108132867A (zh) * | 2018-01-11 | 2018-06-08 | 安徽容知日新科技股份有限公司 | 一种设备故障报警方法及计算设备 |
CN108765889A (zh) * | 2018-04-17 | 2018-11-06 | 中国石油集团安全环保技术研究院有限公司 | 基于大数据技术的油气生产运行安全预警方法 |
CN109063261A (zh) * | 2018-06-29 | 2018-12-21 | 深圳市科列技术股份有限公司 | 一种动力电池老化趋势的判断方法和装置 |
CN109063261B (zh) * | 2018-06-29 | 2022-11-29 | 深圳市科列技术股份有限公司 | 一种动力电池老化趋势的判断方法和装置 |
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN110764975B (zh) * | 2018-07-27 | 2021-10-22 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN110134079A (zh) * | 2019-03-26 | 2019-08-16 | 石化盈科信息技术有限责任公司 | 一种基于斜率分析的工艺参数预警方法及*** |
CN110134079B (zh) * | 2019-03-26 | 2022-05-03 | 石化盈科信息技术有限责任公司 | 一种基于斜率分析的工艺参数预警方法及*** |
CN110349046A (zh) * | 2019-05-29 | 2019-10-18 | 浙江陀曼云计算有限公司 | 生产预警方法和装置 |
CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
CN112633561A (zh) * | 2020-12-09 | 2021-04-09 | 北京名道恒通信息技术有限公司 | 一种基于工业大数据的生产风险智能预测预警方法 |
CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN112508105B (zh) * | 2020-12-11 | 2024-03-19 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN113380411A (zh) * | 2021-07-19 | 2021-09-10 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
CN113380411B (zh) * | 2021-07-19 | 2024-03-01 | 苏州百孝医疗科技有限公司 | 一种提高动物体分析物浓度连续监测过程中浓度变化实时趋势准确率的方法 |
WO2024077983A1 (zh) * | 2022-10-14 | 2024-04-18 | 南京凯盛国际工程有限公司 | 一种提升评估模型预警提前性和准确性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107390661B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107390661A (zh) | 一种流程工业过程状态异常的预警方法 | |
CN109933905A (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
CN106447210B (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
CN102175282B (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
CN104360677B (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN102354116B (zh) | 一种高质量过程统计控制的ω事件间隔控制图的制作方法 | |
CN103198147B (zh) | 自动化监测异常数据的判别及处理方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN111441864A (zh) | 发动机健康诊断方法及发动机诊断*** | |
CN102282552A (zh) | 基于模式的智能控制、监测及自动化的***、方法和计算机程序 | |
CN104091035A (zh) | 一种基于数据驱动算法的空间站有效载荷健康监测方法 | |
CN102929148A (zh) | 基于t-k控制图的多品种生产模式统计过程控制方法 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN111930790B (zh) | 一种基于时序分析的阀冷设备进阀温度预测方法 | |
CN104914850A (zh) | 基于切换线性动态***模型的工业过程故障诊断方法 | |
CN104615123A (zh) | 基于k近邻的传感器故障隔离方法 | |
CN109978059B (zh) | 一种原油蒸馏过程初馏塔冲塔故障预警方法 | |
CN107515595B (zh) | 一种具有数据分析功能的煤制乙炔生产信息智能看板 | |
CN114239708B (zh) | 一种基于质量控制图理论的燃机异常检测方法 | |
CN106651065A (zh) | 在运核电厂寿期管理关注部件筛选方法 | |
Chen et al. | Design of multivariate alarm systems based on online calculation of variational directions | |
CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
CN105511454B (zh) | 一种工业控制回路时变振荡行为检测方法 | |
CN103745005A (zh) | 基于疫苗移植的动态人工免疫故障诊断方法 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |