一种化工精馏塔液泛故障早期预测方法与流程
本发明涉及化工过程安全预警的,尤其涉及一种化工精馏塔液泛故障早期预测方法。
背景技术:
1、精馏塔是化工生产过程中实现气液两相接触传质与传热的核心分离设备,其运行稳定性直接关系到产品质量、能耗水平和装置安全。液泛是精馏塔操作中一种典型且危害较大的异常工况,通常表现为塔内气液负荷失衡,降液管液体积聚、塔压差急剧升高、分离效率迅速下降,严重时可能导致操作中断甚至设备损坏。由于液泛从初期气液扰动到完全形成往往经历一个逐步演变的过程,若能在液泛发生前的早期阶段准确识别风险并提前预警,操作人员便有机会通过调整进料量、回流量或其他操作参数避免故障发生。因此,研究精馏塔液泛故障的早期预测方法具有重要的工程意义。
2、现有技术存在以下不足:
3、1、现有方法通常采用固定时滞或静态相关系数描述精馏塔过程变量之间的关联关系,难以适应液泛发展过程中过程变量之间信息传递延迟随运行状态改变而移动的实际情况,导致关联建模无法及时反映液泛前兆阶段主导变量和关联强度的动态变化。
4、2、现有基于增强学习的液泛预测方法大多仅依赖数据驱动特征提取,未将精馏塔液泛形成过程中具有明确机理解释意义的塔压差、灵敏板温度和塔釜液位等物理状态有效融入时序编码计算,机理知识与数据驱动模型之间缺乏深层交互,削弱了预测结果对液泛早期征兆的敏感性和可解释性。
5、3、现有注意力机制在液泛预测中的应用主要依据过程变量的时序特征计算权重,未利用过程变量之间的因果或信息传递拓扑信息,注意力权重仅反映过程变量自身状态的重要程度,无法感知过程变量在液泛传播过程中的信息驱动作用,导致不同液泛阶段主导变量的自动切换能力不足。
技术实现思路
1、为了克服上述背景技术所述的技术问题,本发明提供一种化工精馏塔液泛故障早期预测方法,能够使变量关联拓扑随液泛发展阶段自动调整,使液泛形成机理相关的物理先验参与时序记忆更新。
2、本发明的技术方案在于:一种化工精馏塔液泛故障早期预测方法,包括如下步骤:
3、s1、采集精馏塔的多个过程变量,以连续多个采样时刻组成观测窗口并排列为原始多变量时序矩阵,根据观测窗口结束后的运行状态设置液泛预测标签,由带标签的样本组成训练样本集合;
4、s2、对所述原始多变量时序矩阵进行尺度缩放,在多个候选时滞下计算过程变量之间的动态关联关系,并根据所述动态关联关系形成动态关联矩阵序列,结合所述动态关联矩阵对局部平滑后的过程变量进行关联约束重构,并从重构结果中提取瞬态变化信息,得到重构矩阵和差分矩阵;
5、s3、基于所述过程变量中的塔压差变化、灵敏板温度变化和塔釜液位超限程度构造液泛风险调制信号,将所述液泛风险调制信号加入趋势分支和瞬态分支的时序编码单元计算,得到双流时序特征,所述趋势分支以所述重构矩阵为输入,所述瞬态分支以所述差分矩阵为输入,根据所述双流时序特征与所述动态关联矩阵确定不同过程变量的注意力权重,并按所述注意力权重对所述双流时序特征加权求和,输出液泛预测概率;
6、s4、以所述训练样本集合为输入,以所述液泛预测标签为监督信息,将步骤s2和步骤s3组成液泛预测前向链路,根据所述液泛预测概率与所述液泛预测标签之间的误差更新全部可训练参数;
7、s5、在线运行时,按照与训练阶段相同的方式获得待预测原始多变量时序矩阵,执行步骤s2至步骤s3得到液泛预测概率,当所述液泛预测概率达到预警判定阈值时输出液泛预警信息。
8、进一步地,所述步骤s1中,所述观测窗口取连续多个采样时刻;
9、所述多个过程变量按固定采样周期同步记录;
10、所述原始多变量时序矩阵是指将所述观测窗口内各过程变量的观测值按时间维度和过程变量维度排列得到的矩阵;
11、所述多个过程变量包括塔顶压力、塔釜温度、进料流量、回流流量、塔压差、灵敏板温度、塔釜液位和回流罐液位共八个过程变量。
12、进一步地,所述步骤s2中,所述尺度缩放是指对每个过程变量,将该过程变量各采样时刻的原始观测值减去该过程变量在训练集上的均值,再除以该过程变量在训练集上的标准差,得到该过程变量的无量纲观测值;
13、所述尺度缩放所采用的均值和标准差由训练集确定;
14、所述均值和标准差在在线预测阶段保持不变。
15、进一步地,所述步骤s2中,所述动态关联关系通过计算过程变量之间的条件互信息确定;
16、所述条件互信息采用k近邻非参数估计方式计算,对所述候选时滞下时间对齐后的各组数据,以其中一个过程变量的历史观测值为源变量,以另一个过程变量的当前观测值为目标变量,并以其余过程变量的当前观测值为条件变量,在联合变量空间中根据样本间距离搜索近邻并统计邻域内样本数量,得到所述条件互信息;
17、当有效对齐观测数量不足以满足k近邻统计要求时,不利用对应候选时滞更新所述条件互信息。
18、进一步地,所述步骤s2中,所述多个候选时滞从0开始依次扫描至预设的最大扫描时滞;
19、对于同一有向变量对,先利用源变量的边际熵估计值对全部候选时滞对应的条件互信息进行尺度调整,再从不同候选时滞中选取归一化条件互信息最大的结果作为有向直接信息流强度。
20、进一步地,所述步骤s2中,所述局部平滑采用多项式平滑滤波实现;
21、所述多项式平滑滤波在每个采样时刻附近选取固定长度的局部时间窗口,并使用低阶多项式对窗口内观测数据进行局部拟合,从拟合结果中取得当前采样时刻对应的平滑值;
22、所述关联约束重构是指以指向当前过程变量的直接信息流强度作为权重,将对应过程变量的平滑值加权聚合,得到图关联聚合值,并将所述图关联聚合值与当前过程变量的尺度缩放观测值线性融合,得到当前过程变量的重构值;
23、当指向当前过程变量的直接信息流强度之和为0时,将当前过程变量的尺度缩放观测值作为重构值;
24、所述瞬态变化信息通过一阶后向差分提取,所述一阶后向差分是指将当前采样时刻的重构值与前一采样时刻的重构值之差作为当前采样时刻的瞬态变化信息;
25、起始采样时刻的瞬态变化信息取0。
26、进一步地,所述步骤s3中,所述液泛风险调制信号由塔压差相邻时刻变化、灵敏板温度相邻时刻变化的绝对值以及塔釜液位超出正常操作液位上限的程度构成;
27、当所述塔釜液位未超出所述正常操作液位上限时,对应分量取0;
28、所述正常操作液位上限取所述训练样本集合中液泛预测标签为0的正常运行样本的塔釜液位观测值的百分之九十五分位数。
29、进一步地,所述步骤s3中,所述时序编码单元计算包括:
30、所述趋势分支和所述瞬态分支均以过程变量为单位维护独立隐状态,同一分支内各过程变量共享门控计算参数,所述趋势分支与所述瞬态分支使用相互独立的网络参数;
31、所述液泛风险调制信号加入所述时序编码单元的重置门、更新门和候选隐状态计算,用于调节不同采样时刻的信息保留和状态更新。
32、进一步地,所述步骤s3中,所述注意力权重通过如下方式计算:
33、将所述趋势分支和所述瞬态分支编码得到的变量拼接特征向量与从所述动态关联矩阵中读取的动态关联向量分别线性映射到同一注意力特征空间,将两个映射结果相加后执行双曲正切非线性变换,并通过可训练注意力向量计算注意力评分;
34、对同一采样时刻各过程变量的注意力评分执行softmax归一化,得到所述注意力权重;
35、按所述注意力权重对各过程变量的变量拼接特征向量进行加权求和,得到聚合特征向量,对全部采样时刻的聚合特征向量沿时间方向平均池化,得到样本表示向量;
36、将所述样本表示向量输入线性分类层,经sigmoid函数映射后输出所述液泛预测概率。
37、进一步地,所述步骤s4中,所述全部可训练参数通过如下方式更新:
38、根据一个训练批次中各个样本的液泛预测概率与液泛预测标签计算二元交叉熵损失,并对全部可训练参数施加l2权重衰减;
39、采用adam优化器根据所述二元交叉熵损失更新全部可训练参数;
40、每完成一个训练周期,使用独立验证样本计算验证损失,当所述验证损失连续多个训练周期未获得改善时停止训练,并保存验证损失最低时对应的可训练参数。
41、本发明由于采用了上述技术所产生的有益效果如下:
42、1、本发明提出基于时滞条件互信息的动态关联矩阵构建方法,在多个候选时滞下计算过程变量之间的条件互信息,通过选取归一化条件互信息最大值确定有向直接信息流强度,使变量关联拓扑能够随液泛发展阶段自动调整主要信息传递时滞和关联强度,摆脱了传统方法对固定时滞或静态相关关系的依赖。
43、2、本发明将塔压差变化、灵敏板温度变化和塔釜液位超限程度构造为液泛风险调制信号,直接注入趋势分支和瞬态分支的门控循环单元重置门、更新门和候选隐状态计算中,使液泛形成机理相关的物理先验参与时序记忆的更新过程,而非仅在分类层进行特征拼接或规则判断。
44、3、本发明将动态关联矩阵引入跨变量注意力计算,使每个过程变量的注意力权重同时由自身双流时序状态和该变量对其他变量的信息驱动强度共同决定,实现动态关联拓扑对变量重要程度计算的软约束,使主导变量的识别能够跟随液泛演变过程中变量耦合关系的动态转移而变化。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com