一种甲醇制烯烃工业过程的故障监测方法和系统

1.本发明属于甲醇制烯烃工业过程的故障监测领域，尤其涉及一种甲醇制烯烃工业过程的故障监测方法和系统。


背景技术：

2.在石油化工行业中，乙烯和丙烯的生产能力一定程度上代表了石化工业水平，其生产路线主要是石脑油蒸汽裂解。甲醇制烯烃技术，即dmto的发展开辟一条新的乙烯生产途径，由于甲醇易于从煤矿中提取，因此dmto对低碳烯烃的供需平衡具有十分重要的意义。
3.过程的平稳操作是保证dmto产品质量和生产安全的重要前提，其中反应器密相温度是影响产品质量的关键变量，该温度通常被控制在较小范围内来确保过程稳定运行，因为随着温度的降低，二甲醚的转化率会降低，导致乙烯和丙烯的选择性降低。另一方面，温度的升高会加剧副反应速率，增加催化剂的积碳速率。因此操作人员对反应器密相温度的变化十分关注，但是通常情况下温度的异常波动不会触及集散控制系统的报警限，难以被操作人员实时或提前获知，因此对dmto过程进行实时监测不仅能够及时识别生产中的异常偏离，保证产品质量和生产安全，也可以为操作人员调整生产提供参考。
4.在过去的二十年中，随着工厂中传感器的广泛应用和数据传输技术的发展，大量的包含过程信息的历史数据被储存下来，使数据驱动过程监测方法取得了快速的发展。多变量统计方法常用于数据驱动的过程监测，该方法旨在将原始数据投影到低维特征空间中，然后在特征空间中构建监控统计量以进行故障检测。最经典的方法是主成分分析、偏最小二乘法、典型变量分析和独立成分分析，这些方法适用于监测线性过程。对于非线性过程，可以通过将原始数据映射到更高维的线性可分空间来解决，例如一些基于核的方法，如核主成分分析和核偏最小二乘法。最近，人工神经网络作为最流行的机器学习算法之一，以其强大的拟合能力在过程监测领域引起了广泛关注。自编码器是一种利用反向传播使输出值等于输入值的神经网络，已被证明是一种比主成分分析更有效的降维和重构方法。后来，自动编码器被应用于异常检测，并最终应用于无监督故障检测中。为了提高过程监测的性能，已经开发了许多对自动编码器的扩展。由于深度神经网络在特征提取方面的良好性能，堆叠自编码器被广泛应用于过程监测。yu 和 zhao 将去噪自动编码器应用于鲁棒过程监测。变分自编码器是由 kingma 和 welling 提出的，作为一种正则化自编码器，其中潜在变量的分布被限制为正态分布以防止过度拟合。 cheng 等人基于变分自动编码器。构建了一个递归神经网络而不是人工神经网络来提取过程动态。zhang 和 qiu 提出了一种动态内部自编码器，其中将向量自回归模型集成到卷积自编码器中以捕获过程动态特征。
5.然而，过程监测技术在大规模化工工业过程的应用仍是一个巨大的挑战。上述方法大多应用于仿真过程，其性能在工业应用中可能受到限制。一个全厂过程通常包含多个操作单元和复杂的自动控制系统，导致过程变量众多且相互关联复杂。此外，生产负荷的调整导致化工生产过程存在多种运行工况。鉴于这些复杂的数据特征，从海量历史数据中定义正常运行条件并选择合适的无故障建模数据来建立长期有效的过程监测模型需要大量
的人工成本和时间成本。虽然半监督学习已被引入机器学习领域的过程监测中，然而，据报道仍然很少有研究被成功应用于监测全厂化工工业过程。


技术实现要素：

6.为解决上述技术问题，本发明提出一种甲醇制烯烃工业过程的故障监测方法的技术方案，以解决上述技术问题。
7.本发明第一方面公开了一种甲醇制烯烃工业过程的故障监测方法，所述方法包括：步骤s1、根据甲醇制烯烃工业的工艺过程确定关键设备；所述关键设备包括：甲醇制烯烃反应器和再生器；根据甲醇制烯烃工业的工艺过程和关键设备确定故障变量；所述故障变量包括：仪表故障、阀门故障和温度异常；步骤s2、根据所述关键设备和所述故障变量，从历史数据库中选择故障监测的监测变量；所述监测变量包括：流量变量、温度变量、压力变量、液位变量、密度变量和催化剂藏量变量；步骤s3、对所述监测变量的数据进行数据校正，补充或删除所述监测变量的数据中的缺失值和异常值；步骤s4、在数据校正后的监测变量的数据中，基于信息熵的方法自动选出正常工况的监测变量的数据作为故障监测的建模数据；步骤s5、对所述正常工况的监测变量的数据进行标准化处理，得到均值为0，标准差为1的建模数据；步骤s6、构建两层自编码器的过程监测模型，并应用标准化处理后的建模数据对所述过程监测模型进行训练；步骤s7、从在线采集到的数据中选出所述监测变量，并对在线述监测变量的数据进行标准化，将标准化后的在线述监测变量的数据输入到训练好的过程监测模型中，对甲醇制烯烃工业过程的故障进行监测。
8.根据本发明第一方面的方法，在所述步骤s2中，所述流量变量包括：甲醇－反应气换热器a冷却甲醇流量、甲醇－反应气换热器b冷却甲醇流量、甲醇－蒸汽换热器入口甲醇流量、甲醇－蒸汽换热器入口蒸汽流量、装置外来甲醇流量、甲醇进料泵出口流量、凝结水泵出口流量、外来蒸汽流量、反应器汽提段蒸汽流量和待生催化剂输送气流量；温度变量包括：反应器汽提段下部温度、反应器密相温度、自反应器三旋来反应气温度、反应器顶出口反应气温度、待生催化剂立管温度、待生催化剂输送管温度、反应器汽提段上部温度、进反应器甲醇温度、甲醇－汽提气换热器出口汽提气温度、空冷出口温度、甲醇－汽提气换热器出口甲醇温度、甲醇－反应气换热器a出口甲醇温度、甲醇－反应气换热器b出口甲醇温度、甲醇－净化水换热器出口甲醇温度、甲醇进料泵出口温度和再生器密相床温度；液位变量包括：甲醇－蒸汽换热器a甲醇液位和凝结水罐液位；压力变量包括：甲醇－蒸汽换热器出口甲醇压力、甲醇缓冲罐压力、甲醇进料泵出口压力、锅炉给水装置压力、水洗塔塔顶压力、再生器压力、氮气压力、反应器旋风差压、反应器/再生器差压、再生催化剂输送管差压、再生滑
阀差压、待生催化剂输送管差压和再生器旋分差压；密度变量包括：再生器一级料腿密度、再生器二级料腿密度、再生器密相密度、反应器汽提段上部密度、反应器汽提段下部密度、催化剂立管密度和反应器密相密度；催化剂藏量变量包括：反应器汽提段催化剂藏量、反应器密相藏量、再生器密相催化剂藏量、再生器催化剂藏量和再生器汽提段催化剂藏量。
9.根据本发明第一方面的方法，在所述步骤s4中，所述基于信息熵的方法自动选出正常工况的监测变量的数据的方法包括：给定一个监测变量x(x1, x2,
…
x
l
,
…
xn)，手动选取l个正常工况的样本；使用长度为d的移动窗口计算监测变量x的信息熵h(x)[ h(x1),
…
h(x
l-d
),
…
h(x
n-d
)]；通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间；若数据的信息熵在所述正常工况阈值区间内，则所述数据为正常工况数据；若数据的信息熵在所述正常工况阈值区间外，则所述数据为异常工况数据。
[0010]
根据本发明第一方面的方法，在所述步骤s4中，所述通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间的方法包括：h(x
t
)为信息熵的阈值，通过计算，得到正常工况阈值区间；其中，mean(
•
)为平均值计算，std(
•
)为标准差计算。
[0011]
根据本发明第一方面的方法，在所述步骤s4中，所述l选择为1000~1500；移动窗口长度d的选择方法包括：当移动窗口长度d达到一定数值使信息熵计算稳定后，再继续增加d，信息熵值的波动在预设范围内的d值即是待确定的最佳窗口长度；根据实际的历史数据库中数据的计算，所述d选择为180~200。
[0012]
根据本发明第一方面的方法，在所述步骤s6中，所述过程监测模型的最终输出定位解码器输出x’与监测变量输入x之间的均方误差；当所述均方误差小于或等于均方误差的阈值，则目前过程为正常工况；当所述均方误差大于均方误差的阈值，则目前过程为故障。
[0013]
根据本发明第一方面的方法，在所述步骤s6中，所述均方误差的阈值的计算方法包括：所述均方误差的阈值，即监测统计量均方误差在99%置信区间下的阈值通过核密度估计法进行确定。
[0014]
本发明第二方面公开了一种甲醇制烯烃工业过程的故障监测系统，所述系统包括：第一处理模块，被配置为，根据甲醇制烯烃工业的工艺过程确定关键设备；所述关键设备包括：甲醇制烯烃反应器和再生器；根据甲醇制烯烃工业的工艺过程和关键设备确定故障变量；所述故障变量包括：仪表故障、阀门故障和温度异常；第二处理模块，被配置为，根据所述关键设备和所述故障变量，从历史数据库中选择故障监测的监测变量；所述监测变量包括：流量变量、温度变量、压力变量、液位变量、密度变量和催化剂藏量变量；第三处理模块，被配置为，对所述监测变量的数据进行数据校正，补充或删除所述
监测变量的数据中的缺失值和异常值；第四处理模块，被配置为，在数据校正后的监测变量的数据中，基于信息熵的方法自动选出正常工况的监测变量的数据作为故障监测的建模数据；第五处理模块，被配置为，对所述正常工况的监测变量的数据进行标准化处理，得到均值为0，标准差为1的建模数据；第六处理模块，被配置为，构建两层自编码器的过程监测模型，并应用标准化处理后的建模数据对所述过程监测模型进行训练；第七处理模块，被配置为，从在线采集到的数据中选出所述监测变量，并对在线述监测变量的数据进行标准化，标准化后的在线述监测变量的数据输入到训练好的过程监测模型中，对甲醇制烯烃工业过程的故障进行监测。
[0015]
根据本发明第二方面的系统，第二处理模块，被配置为，所述流量变量包括：甲醇－反应气换热器a冷却甲醇流量、甲醇－反应气换热器b冷却甲醇流量、甲醇－蒸汽换热器入口甲醇流量、甲醇－蒸汽换热器入口蒸汽流量、装置外来甲醇流量、甲醇进料泵出口流量、凝结水泵出口流量、外来蒸汽流量、反应器汽提段蒸汽流量和待生催化剂输送气流量；温度变量包括：反应器汽提段下部温度、反应器密相温度、自反应器三旋来反应气温度、反应器顶出口反应气温度、待生催化剂立管温度、待生催化剂输送管温度、反应器汽提段上部温度、进反应器甲醇温度、甲醇－汽提气换热器出口汽提气温度、空冷出口温度、甲醇－汽提气换热器出口甲醇温度、甲醇－反应气换热器a出口甲醇温度、甲醇－反应气换热器b出口甲醇温度、甲醇－净化水换热器出口甲醇温度、甲醇进料泵出口温度和再生器密相床温度；液位变量包括：甲醇－蒸汽换热器a甲醇液位和凝结水罐液位；压力变量包括：甲醇－蒸汽换热器出口甲醇压力、甲醇缓冲罐压力、甲醇进料泵出口压力、锅炉给水装置压力、水洗塔塔顶压力、再生器压力、氮气压力、反应器旋风差压、反应器/再生器差压、再生催化剂输送管差压、再生滑阀差压、待生催化剂输送管差压和再生器旋分差压；密度变量包括：再生器一级料腿密度、再生器二级料腿密度、再生器密相密度、反应器汽提段上部密度、反应器汽提段下部密度、催化剂立管密度和反应器密相密度；催化剂藏量变量包括：反应器汽提段催化剂藏量、反应器密相藏量、再生器密相催化剂藏量、再生器催化剂藏量和再生器汽提段催化剂藏量。
[0016]
根据本发明第二方面的系统，第四处理模块，被配置为，所述基于信息熵的方法自动选出正常工况的监测变量的数据包括：给定一个监测变量x(x1, x2,
…
x
l
,
…
xn)，手动选取l个正常工况的样本；使用长度为d的移动窗口计算监测变量x的信息熵h(x)[ h(x1),
…
h(x
l-d
),
…
h(x
n-d
)]；通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间；若数据的信息熵在所述正常工况阈值区间内，则所述数据为正常工况数据；若数据的信息熵在所述正常工况阈值区间外，则所述数据为异常工况数据。
[0017]
根据本发明第二方面的系统，第四处理模块，被配置为，所述通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间包括：
h(x
t
)为信息熵的阈值，通过计算，得到正常工况阈值区间；其中，mean(
•
)为平均值计算，std(
•
)为标准差计算。
[0018]
根据本发明第二方面的系统，第四处理模块，被配置为，所述l选择为1000~1500；移动窗口长度d的选择方法包括：当移动窗口长度d达到一定数值使信息熵计算稳定后，再继续增加d，信息熵值的波动在预设范围内的d值即是待确定的最佳窗口长度；根据实际的历史数据库中数据的计算，所述d选择为180~200。
[0019]
根据本发明第二方面的系统，第六处理模块，被配置为，所述过程监测模型的最终输出定位解码器输出x’与监测变量输入x之间的均方误差；当所述均方误差小于或等于均方误差的阈值，则目前过程为正常工况；当所述均方误差大于均方误差的阈值，则目前过程为故障。
[0020]
根据本发明第二方面的系统，第六处理模块，被配置为，所述均方误差的阈值的计算包括：所述均方误差的阈值，即监测统计量均方误差在99%置信区间下的阈值通过核密度估计法进行确定。
[0021]
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种甲醇制烯烃工业过程的故障监测方法中的步骤。
[0022]
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种甲醇制烯烃工业过程的故障监测方法中的步骤。
[0023]
本发明提出的方案与基于专家知识和其他基于距离的数据选择策略相比，需要较低的人工和时间成本。基于本方案，开发了一个数据驱动的过程监测框架，并将其应用于某实际化工厂的大型dmto装置。与现有技术相比，本发明提出的方案在具有更低的人工和时间成本优势的同时，更适用于对具有多种复杂操作条件和多模态的化工工业过程进行实时运行状态监测。
[0024]
本发明提出的方案可以有效识别历史数据中的异常样本，并自动获取可靠的建模数据。仅基于一天人工选取的正常样本，就可以建立长期有效的过程监测模型。过程的运行状况通过监测统计量进行量化，故障检测和诊断结果可以实时且直观地显示在操作人的员屏幕上。本发明提出的方案的性能与操作人员的观察相比，可以更早地发现故障，并且可以同时诊断出故障的根本原因。本发明提出的方案的详细信息和操作步骤进行了充分说明，以希望通过这些信息为其他研究人员或公司提供一定的指导，从而促进过程监测技术的更广泛的工业应用，提高化工生产企业的经济效益，降低生产事故发生的概率。
附图说明
[0025]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0026]
图1为根据本发明实施例的一种甲醇制烯烃工业过程的故障监测方法的流程图；图2为根据本发明实施例的甲醇制烯烃工业过程的故障监测方法的具体流程图；图3为根据本发明实施例的异常1：dmto反应器温度方差偏离正常水平；图4为根据本发明实施例的异常2：短时间内数据极差增大；图5为根据本发明实施例的dmto反应器温度偶发性波动；图6为根据本发明实施例的不同窗口长度下计算得到的信息熵值；图7为根据本发明实施例的正常工况下的信息熵值及其范围；图8为根据本发明实施例的基于信息熵的建模数据选取结果；图9为根据本发明实施例的历史数据和用基于信息熵的方法自动选出正常工况的监测变量的数据的分布图；图10为根据本发明实施例的dmto过程进料量数据；图11a为根据本发明实施例的dmto过程中的常见故障类型仪表故障；图11b为根据本发明实施例的dmto过程中的常见故障类型液位故障；图11c为根据本发明实施例的dmto过程中的常见故障类型阀门故障；图11d为根据本发明实施例的dmto过程中的常见故障类型温度异常波动；图12为根据本发明实施例的本方法在dmto装置中的过程监测结果；图13为根据本发明实施例的过程监测结果案例1；图14为根据本发明实施例的结果案例1的故障诊断贡献图；图15为根据本发明实施例的过程监测结果案例2；图16为根据本发明实施例的结果案例2的故障诊断贡献图；图17为根据本发明实施例的过程监测结果案例3；图18为根据本发明实施例的结果案例3的故障诊断贡献图；图19为根据本发明实施例的一种甲醇制烯烃工业过程的故障监测系统的结构图；图20为根据本发明实施例的一种电子设备的结构图。
具体实施方式
[0027]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
本发明第一方面公开了一种甲醇制烯烃工业过程的故障监测方法。图1为根据本发明实施例的一种甲醇制烯烃工业过程的故障监测方法的流程图，如图1和图2所示，所述方法包括：步骤s1、根据甲醇制烯烃工业的工艺过程确定关键设备；所述关键设备包括：甲醇制烯烃反应器和再生器；根据甲醇制烯烃工业的工艺过程和关键设备确定故障变量；所述故障变量包括：仪表故障、阀门故障和温度异常；步骤s2、根据所述关键设备和所述故障变量，从历史数据库中选择故障监测的监测变量；所述监测变量包括：流量变量、温度变量、压力变量、液位变量、密度变量和催化剂
藏量变量；步骤s3、对所述监测变量的数据进行数据校正，补充或删除所述监测变量的数据中的缺失值和异常值；步骤s4、在数据校正后的监测变量的数据中，基于信息熵的方法自动选出正常工况的监测变量的数据作为故障监测的建模数据；步骤s5、对所述正常工况的监测变量的数据进行标准化处理，得到均值为0，标准差为1的建模数据；步骤s6、构建两层自编码器的过程监测模型，并应用标准化处理后的建模数据对所述过程监测模型进行训练；步骤s7、从在线采集到的数据中选出所述监测变量，并对在线述监测变量的数据进行标准化，标准化后的在线述监测变量的数据输入到训练好的过程监测模型中，对甲醇制烯烃工业过程的故障进行监测。
[0029]
在步骤s1，根据甲醇制烯烃工业的工艺过程确定关键设备；所述关键设备包括：甲醇制烯烃反应器和再生器；根据甲醇制烯烃工业的工艺过程和关键设备确定故障变量；所述故障变量包括：仪表故障、阀门故障和温度异常。
[0030]
具体地，甲醇制烯烃工业过程，即dmto过程主要涉及到的主要设备有换热器、dmto反应器、催化剂再生器和产品分离器。dmto反应器和再生器对产品质量的影响最大，是该过程的最关键设备。
[0031]
如图11a所示，仪表故障主要指因为传感器失效、数值超量程、仪表需要校准或数据未写入数据库导致的数据缺失或不可靠问题。
[0032]
如图11b所示，液位故障主要因为流量阀门开大/小、泄露、差压异常所导致的dmto甲醇-蒸汽换热器中液位上升/下降，该类故障可能会引起能耗增加，甚至会导致设备损坏。
[0033]
如图11c所示，阀门故障主要指甲醇或蒸汽等进料阀门因阀门堵塞、粘滞等故障引起的流量异常波动。
[0034]
如图11d所示，温度异常主要指dmto反应器密相温度的方差出现长时间的变化，该故障的影响因素多，长时间温度异常波动的累计作用会导致产品质量出现不可逆的负面影响。
[0035]
在步骤s2，根据所述关键设备和所述故障变量，从历史数据库中选择故障监测的监测变量；所述监测变量包括：流量变量、温度变量、压力变量、液位变量、密度变量和催化剂藏量变量。
[0036]
在一些实施例中，在所述步骤s2中, 所述流量变量包括：甲醇－反应气换热器a冷却甲醇流量、甲醇－反应气换热器b冷却甲醇流量、甲醇－蒸汽换热器入口甲醇流量、甲醇－蒸汽换热器入口蒸汽流量、装置外来甲醇流量、甲醇进料泵出口流量、凝结水泵出口流量、外来蒸汽流量、反应器汽提段蒸汽流量和待生催化剂输送气流量；温度变量包括：反应器汽提段下部温度、反应器密相温度、自反应器三旋来反应气温度、反应器顶出口反应气温度、待生催化剂立管温度、待生催化剂输送管温度、反应器汽提段上部温度、进反应器甲醇温度、甲醇－汽提气换热器出口汽提气温度、空冷出口温度、甲醇－汽提气换热器出口甲醇温度、甲醇－反应气换热器a出口甲醇温度、甲醇－反应气换热器b出口甲醇温度、甲醇－净化水换热器出口甲醇温度、甲醇进料泵出口温度和再生器密
相床温度；液位变量包括：甲醇－蒸汽换热器a甲醇液位和凝结水罐液位；压力变量包括：甲醇－蒸汽换热器出口甲醇压力、甲醇缓冲罐压力、甲醇进料泵出口压力、锅炉给水装置压力、水洗塔塔顶压力、再生器压力、氮气压力、反应器旋风差压、反应器/再生器差压、再生催化剂输送管差压、再生滑阀差压、待生催化剂输送管差压和再生器旋分差压；密度变量包括：再生器一级料腿密度、再生器二级料腿密度、再生器密相密度、反应器汽提段上部密度、反应器汽提段下部密度、催化剂立管密度和反应器密相密度；催化剂藏量变量包括：反应器汽提段催化剂藏量、反应器密相藏量、再生器密相催化剂藏量、再生器催化剂藏量和再生器汽提段催化剂藏量。
[0037]
具体地，监测变量为关键设备中的传感器采集到的169个变量中的54个变量。如表1所示。
[0038]
表1
变量序号变量名变量序号变量名1反应器汽提段下部温度28甲醇－蒸汽换热器b甲醇液位2反应器密相温度29凝结水罐液位3自反应器三旋来反应气温度30甲醇－蒸汽换热器出口甲醇压力4反应器顶出口反应气温度31甲醇缓冲罐压力5待生催化剂立管温度32甲醇进料泵出口压力6待生催化剂输送管温度33锅炉给水装置压力7反应器汽提段上部温度34水洗塔塔顶压力8进反应器甲醇温度35再生器压力9甲醇－汽提气换热器出口汽提气温度36氮气压力10空冷出口温度37反应器旋风差压11甲醇－汽提气换热器出口甲醇温度38反应器/再生器差压12甲醇－反应气换热器a出口甲醇温度39再生催化剂输送管差压13甲醇－反应气换热器b出口甲醇温度40再生滑阀差压14甲醇－净化水换热器出口甲醇温度41待生催化剂输送管差压15甲醇进料泵出口温度42再生器旋分差压16再生器密相床温度43再生器一级料腿密度17甲醇－反应气换热器a冷却甲醇流量44再生器二级料腿密度18甲醇－反应气换热器b冷却甲醇流量45再生器密相密度19甲醇－蒸汽换热器入口甲醇流量46反应器汽提段上部密度20甲醇－蒸汽换热器入口蒸汽流量47反应器汽提段下部密度21装置外来甲醇流量48催化剂立管密度22甲醇进料泵出口流量49反应器密相密度23凝结水泵出口流量50反应器汽提段催化剂藏量24外来蒸汽流量51反应器密相藏量25反应器汽提段蒸汽流量52再生器密相催化剂藏量26待生催化剂输送气流量53再生器催化剂藏量27甲醇－蒸汽换热器a甲醇液位54再生器汽提段催化剂藏量
在步骤s3，对所述监测变量的数据进行数据校正，补充或删除所述监测变量的数
据中的缺失值和异常值。
[0039]
具体地，如果少部分变量缺失或异常，则采用现有数据填补方法进行补充；如果大部分变量缺失或异常，则删除该采样点的数据。
[0040]
在步骤s4，在数据校正后的监测变量的数据中，基于信息熵的方法自动选出正常工况的监测变量的数据作为故障监测的建模数据。
[0041]
在一些实施例中，在所述步骤s4中，所述基于信息熵的方法自动选出正常工况的监测变量的数据的方法包括：给定一个监测变量x(x1, x2,
…
x
l
,
…
xn)，手动选取l个正常工况的样本；使用长度为d的移动窗口计算监测变量x的信息熵h(x)[ h(x1),
…
h(x
l-d
),
…
h(x
n-d
)]；通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间；数据的信息熵在所述正常工况阈值区间内，则所述数据为正常工况数据；数据的信息熵在所述正常工况阈值区间外，则所述数据为异常工况数据。
[0042]
所述通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间的方法包括：h(x
t
)为信息熵的阈值，通过计算，得到正常工况阈值区间；其中，mean(
•
)为平均值计算，std(
•
)为标准差计算。
[0043]
所述l选择为1000~1500；移动窗口长度d的选择方法包括：当移动窗口长度d达到一定数值使信息熵计算稳定后，再继续增加d，信息熵值的波动在预设范围内的d值即是待确定的最佳窗口长度；根据实际的历史数据库中数据的计算，所述d选择为180~200。
[0044]
具体地，自动选择无故障建模数据是目前过程监测技术在工业应用中的一个关键挑战，其不仅是过程监测技术在工业应用中工作量最大的环节，还是控制过程监测技术应用效果好坏的关键步骤。建模数据选取质量的好坏直接影响到模型的效果，进而决定该过程监测系统框架能否提前且有效地识别出过程中的异常波动。目前文献报道的方法主要有两种，即人工数据标记和数据驱动的数据标记。人工数据标记仍是目前过程监测框架建模数据选取所采用的主要技术，该技术指通过工程师专家凭借对过程机理的认识和多年来积累的生产经验来对数据进行标记，从历史数据中手动选出正常工况数据作为建模数据。该方法虽然准确性高，但是从化工过程众多测量变量的海量数据中手动标记数据需要消耗大量的人工成本和时间成本。另一类数据驱动的数据标记方法目前主要有基于移动平均的方法和基于欧氏距离的方法，然而根据dmto过程的特点，这两种数据驱动的方法也难以得到有效的应用。一方面对于dmto过程，通常只有在某段数据dmto反应器温度的方差偏离了大部分时间的方差，且较长时间内没有恢复到设定值水平，如图3所示，或是短时间内数据的极差增大，如图4所示，才会对生产造成影响，应标记为异常。
[0045]
而对于偶发性的波动，即使波动较大（2-3℃），只要短时间内通过控制器调整使其恢复到设定值，就基本不会对生产造成影响，如图5所示。
[0046]
无论是异常工况还是图5中的正常偶发性波动，数据的均值和欧氏距离都会出现变化，尤其是图3和图5中都是2℃左右的波动，现有数据驱动方法无法对二者进行有效区
分，都会被视为异常状况，导致模型的误报率增加。另一方面，随着生产周期的运行，设备难免会出现结焦或老化，催化剂活性也会出现一定的下降，导致在正常工况下变量的均值也会出现一定的变化，而且dmto过程的生产负荷受产品价格和管控等因素调整其导致工业数据通常具有多模态特性，即多个运行工况，这时候即使是正常工况样品之间的欧式距离也可能很大，甚至大于异常样品与正常样本之间的距离。现有的建模数据选取技术仍无法应用于dmto工业过程的监测系统中。针对dmto过程数据特点的数据驱动的建模数据选取策略，包括引入信息理论中的信息熵作为区分dmto过程关键变量正常/异常工况的量化指标，给出信息熵窗口长度参数及阈值的确定策略。
[0047]
尽管信息熵作为信息理论中的一种不确定度的度量，在机器学习领域已经有了比较广泛的应用，如互信息被用于度量两个变量间的相关性，交叉熵被用于神经网络的损失函数等。但是用信息熵作来作为区分工业过程关键变量正常/异常工况的量化指标鲜有报道，尤其是信息熵的原理完美契合了dmto过程本身的特点，使其在dmto过程监测框架的建模数据选取中体现出了独特的优势。
[0048]
给定一个监测变量x(x1,x2,
…
x
l
,
…
xn)，(1)根据公式（1）中的信息熵计算可知信息熵值仅对变量分布的变化敏感，而与其测量值本身数值大小无关。信息熵的这一性质使其能够很好地处理之前介绍的dmto过程的特点，首先信息熵值与变量的均值无关，因此只要dmto反应器温度没有处于之前提到的两种异常工况下，即使是其均值随生产负荷或设备老化等因素出现了变化，也不会体现在信息熵值上。其次，图5中的短时间偶发性波动不会对数据的分布造成明显的影响，仍能够通过信息熵量化指标判断为正常工况，因此该策略有效解决了现有数据驱动的建模数据选取方法中的局限性。最后目前现存方法中信息熵的计算通常采用核密度估计法，计算负荷不大，应用于本监测系统框架中能够极大降低人工成本和时间成本。
[0049]
给定一个监测变量x(x1,x2,
…
x
l
,
…
xn)，手动选取l个正常工况的样本；使用长度为d的移动窗口计算监测变量x的信息熵h(x)[h(x1),
…
h(x
l-d
),
…
h(x
n-d
)]；其中的参数l选的越大，人工成本就越高，而由于信息熵性质与dmto过程特点的高度契合，即使选用很小的l也能取得十分理想的效果，在本发明中l仅采用一天的数据即可，即1440个数据，这大幅度降低了人工标注成本，也节省了大量的时间。对于另一个参数d的选取方法未见有研究报道，因此根据信息熵的计算原理以及dmto过程变量本身的特点提出了一种计算信息熵窗口长度d的选取策略。信息熵计算的重点在于对变量概率分布的估计，d越小，则窗口内的数据量就越小，导致对变量分布的估计不准确，信息熵值不可靠，d越大，对变量分布的估计准确，但是计算负荷就会增加。在此基础上，结合之前分析的dmto过程变量本身的特点，在正常工况下，dmto反应器温度的方差不会出现长时间的明显变化，即正常工况下分布稳定。当移动窗口长度d达到一定数值使信息熵计算稳定后，再继续增加d，信息熵值的波动在预设范围内的d值即是待确定的最佳窗口长度；如图6所示的不同窗口长度d下的信息熵值，与之前分析一致，当d较小时，对变量分布的估计不准确，导致信息熵值不可靠，因此不同的d下计算得到的信息熵值相差较多，而当d达到180后，信息熵值随d的变化趋于平稳，说明d取180以上就足以取得准确的信息熵值。
[0050]
为了通过信息熵将正常工况和异常工况历史数据区分开来，则需要一个阈值来作为二者之间的界限，基于之前对dmto异常工况的分析，当异常工况发生时，往往变量的方差出现了长时间的变化，这将使数据的分布发生变化，进而反映在信息熵值上。通过前l-d个的正常样本的信息熵的平均值和标准差计算正常工况阈值区间；数据的信息熵在所述正常工况阈值区间内，则所述数据为正常工况数据；数据的信息熵在所述正常工况阈值区间外，则所述数据为异常工况数据。
[0051]
h(x
t
)为信息熵的阈值，通过计算(2)，得到正常工况阈值区间；其中，mean(
•
)为平均值计算，std(
•
)为标准差计算。对于正常工况下操作的样本，其信息熵应在该阈值之内，如图7所示。而当发生故障时，变量的分布发生变化，这可以反映在其信息熵中，并导致其超过阈值。因此，基于该策略可以自动选择历史数据中的无故障样本作为过程监测模型的训练数据。
[0052]
确定了正常工况下信息熵的阈值后，在一个月的dmto历史数据中连续计算信息熵。信息熵在阈值范围内的样本被自动添加到建模数据中，在阈值外的样本则被自动剔除。结果，82％的历史数据被自动选择出来作为建模数据。
[0053]
如图8所示，异常数据分布变化明显的体现在信息熵指标上，被该方法自动且有效的识别出来。原始数据和建模数据的分布分别如图8所示。如图9的底部子图所示，历史数据中的所有正常样本均通过本发明的自动数据选择策略作为建模数据保留，可以观察到它显然符合正态分布，表明异常样本已被有效地消除了。尽管上方的子图中的原始历史数据也近似于正态分布，因为在实际生产历史数据中的故障样本所占比例相对较小，但是那一小部分故障样本必须在建模前被有效识别出来并剔除出建模数据，因为如果在建模数据中包含故障样本会导致无法在实时监测中有效、提前发现故障。同时，应尽可能多的将正常样品添加到建模数据中，以确保模型的长期有效性。
[0054]
在步骤s6，构建两层自编码器的过程监测模型，并应用标准化处理后的建模数据对所述过程监测模型进行训练。
[0055]
在一些实施例中，在所述步骤s6中，所述过程监测模型的最终输出定位解码器输出x’与监测变量输入x之间的均方误差；当所述均方误差小于或等于均方误差的阈值，则目前过程为正常工况；当所述均方误差大于均方误差的阈值，则目前过程为故障。
[0056]
所述均方误差的阈值的计算方法包括：所述均方误差的阈值，即监测统计量均方误差在99%置信区间下的阈值通过核密度估计法进行确定。
[0057]
具体地，80%作为训练数据，其余20%作为验证数据，均方误差(mse)作为损失函数以及监测统计量。尽管该监测框架中的步骤s4中信息熵能够对历史数据中的正常、异常工况进行一个有效的划分，但是该方法在建模数据选取中的独特优势不能体现在实时过程监测中异常波动的提前识别上，因为信息熵的计算采用了较长的时间窗口，一定程度上会降低故障检测的敏感度，另外dmto反应器的异常波动的原因并不是该变量自身引起的，而是
由各种各样的原因导致的，尤其是该过程的流程设备和控制回路较多，很多其他过程变量的微小变化，尤其是一些控制变量的微小变化，都可能导致dmto反应器温度出现异常波动。因此采用一个多变量的过程监测模型能够综合考量每一个变量的变化情况，从而利于在dmto反应器温度出现异常波动前就能够提前发出预警，指导操作人员进行调整，从而避免故障的发生，如图12所示。
[0058]
尽管自编码器已经被广泛应用于计算机领域中来解决异常检测问题，在过程监测领域中也有一些文献报道，如何根据过程数据特点来选取合适的自编码器结构及参数在现有技术中仍然没有一个明确的规定。首先，dmto过程和大多数化工过程一样具有明显的由质量传递、能量传递、动量传递和反应引起的非线性耦合，因此在该发明的过程监测框架中选择采用了具有两个隐藏层的自编码器模型及非线性激活函数，因为神经网络的拟合能力强大，能够较好的处理过程非线性。其次， dmto过程机理本身及过程中的控制回路影响导致该过程又是一个明显的动态过程，很多变量都存在明显的自相关性，在特征提取中应该加以考虑。因此在自编码器的输入中采用了分批次的输入结构。建模数据被划分为多个具有一定时间长度的窗口进行训练，以提取变量在一段时间内的序列相关性。最后自编码器中的其他参数，如权重和偏置等则需要通过模型训练中通过迭代来确定，为了使提高每次迭代的计算速度，并防止局部最优情况发生，神经网络的超参数批次大小选为200。
[0059]
监测变量输入可以x表示，输入到模型中首先经过如下编码计算，z=σ(w1x b1) (3)；y=σ(w2z b2) (4)；其中，其中wi和bi是权值和偏置参数，y则是经过模型提取出的变量输入x的特征，为了实现故障检测，该模型对提取出的变量特征y进行以下解码操作，z’=σ(w3y b3) (5)；x’=σ(w
4 z’ b4) (6)；x’即为解码器的输出，在正常工况下，解码器的输出x’应该与输入x近似相等，而当异常工况发生时，模型的误差将会增大，导致输出x’与输入x的差异增大。监测模型的最终输出定位解码器输出x’与变量输入x之间的均方误差，如式7所示，(7)将正常工况的监测变量输入x输入到训练好的监测模型中得到正常工况下的监测统计量mse
normal
，监测统计量在99%置信区间下的阈值可以通过核密度估计法进行确定，(8)其中，ρ(
•
)是概率密度，k(
•
)是核函数，n是的个数，msei是mse
normal
中的第i个值；(9)其中，threshold是监测统计量在99%置信区间下的阈值；最终根据公式9计算得出，将一组输入变量输入到该模型中，如果输出值小于或等于0.065，则认为当前输入变量处于正常操作工况，而当模型输出值超过0.065时，则有故障被识别出来。
[0060]
在步骤s7，从在线采集到的数据中选出所述监测变量，并对在线述监测变量的数据进行标准化，标准化后的在线述监测变量的数据输入到训练好的过程监测模型中，对甲醇制烯烃工业过程的故障进行监测。
[0061]
具体地，从在线采集到的数据中选出离线建模中选出的监测变量，并用离线建模时得到的标准化原点进行标准化，标准化后的数据输入到离线建模中训练好的自编码器模型中，自编码器是一种令输出等于输入的神经网络结构，因此能够提取变量间的非线性关系。当变量在正常工况下运行时，其之间的关系稳定，自编码器的mse较小，在离线建模中得到的阈值内。而当异常工况发生时，变量间的稳定关系被打破，导致模型误差增大，mse迅速升高超出阈值，说明故障被识别。故障被识别后，需要立即诊断根本原因。 在本发明中，利用贡献图计算每个变量对重构误差的贡献率，贡献率最大的变量即被诊断为引起故障的根本原因。而本发明的工业过程监测框架中的模型更新策略是根据dmto过程数据特点所提出的又一个创新技术，即在实时过程监测过程中，被该监测模型识别为正常工况的数据会不断地保存在数据库中，并在经过一段时间后被补充到建模数据中进行模型更新。因为尽管过程在正常工况下运行，变量的标准化中心及变量间的关系都可能因生产负荷的变化或设备、催化剂等因素影响而出现一定的变化。如图10所示，dmto过程的进料负荷可能会出现频繁的调整，现有技术通常会将其识别为异常工况，从而造成大量的误报警发出，为操作人员造成误导。然而，结合本发明的监测框架中的故障诊断技术和模型更新策略，就能够解决限制现有技术应用的工业过程多工况问题。由于这些正常的工况调整或生产中的设备等因素变化终究不会对变量关系造成十分明显的影响，只需对模型参数进行细微的调整，因此在本模型更新策略中，并不是将模型初始化，而是保留模型更新前的模型参数作为模型更新的初始参数，这样也能够缩短模型的训练时间。
[0062]
在线应用中的模型更新时间如表2所示，可以看出模型更新的计算所需时间可以接受，能够满足在线过程监测要求，而在不需要模型更新时，每一个监测结果更是能够在1s之内给出，远远小于该dmto过程的采样频率。
[0063]
表2每次模型更新所需的计算时间更新编号time/s152.43211.06318.6948.3353.64612.46
……
808.12813.008221.23average14.44在真实工厂dmto装置的应用结果如图11所示，如预期的那样，与正常运行工况相比，故障工况所占的比例非常小。
[0064]
以下几个具体案例可以说明本技术的优越性，对于如图13所示的第一个案例中，模型重构误差在第58616个样本处不断增加并超过阈值。从原始数据可以看出，dmto反应器密相温度出现了约6摄氏度的异常偏差。而本技术的优越性体现于在所提出的模型发出警报后大约四十分钟后，才能从原始数据中观察到dmto反应器密相温度的异常偏差。根据图14 的故障诊断贡献图，反应器上部汽提段的蒸汽流量贡献率最高，被诊断为引起该次故障的根本原因。从原始数据中也进行了验证，发现蒸汽流量出现了阶跃下降。鉴于该技术提供的以上结果，操作员有足够的时间检查蒸汽阀并采取适当的措施来避免这种异常的温度偏差发生。
[0065]
在如图15所示的第二个案例中，该模型在第 50367 个样本处检测到故障。 根据原始数据，模型发出报警后约5分钟，dmto反应器密相温度的方差出现了长时间的异常波动，持续1000分钟。工厂的集散控制系统无法检测到该故障，因为该值没有达到报警上限或下限，但如此长时间的波动会导致产品质量的变化，因此需要及早发现。 图16 中的贡献图表明，贡献率最高的变量是dmto反应器密相温度。因此，该故障可能是由于产品组分或设备结构的变化而引起的，这些变化没有被测量出来。尽管不能直接确定根本原因，但所提出的方法仍然为操作人员提供了足够的时间来采取措施避免故障。
[0066]
对于如图17所示的第三个案例，该监测模型出现报警，但是dmto反应器密相温度没有出现明显的波动，图18的故障诊断结果说明贡献率最高的变量是进料流量，而其他所有变量的贡献率都非常低，说明本次模型报警是生产负荷出现调整所引起的，而并不是一个真正的故障，这种情况下，操作人员也可以通过该技术提供的信息立即发现生产负荷正在进行调整，而该模型也会立即进行更新来消除报警，从而有效地解决了工业过程监测中的多模态难题。
[0067]
综上分析，该技术在工业过程的实际应用中效果良好，误报率低且大部分故障都与dmto反应器密相温度的异常波动有关。最重要的是，该技术对大多数异常波动的报警都可以通过监测模型提前给出，这意味着操作者可以根据模型提供的结果提前采取相应的措施来避免这些故障的发生。另外，该技术还能解决目前工业过程监测技术难以解决的多模态问题，说明本发明中的工业过程监测系统框架在大尺度dmto装置的工业过程监测中具有长期有效的监测结果，具有广阔的实际应用前景。本发明第二方面公开了一种甲醇制烯烃工业过程的故障监测系统。图19为根据本发明实施例的一种甲醇制烯烃工业过程的故障监测系统的结构图；如图19所示，所述系统100包括：第一处理模块101，被配置为，根据甲醇制烯烃工业的工艺过程确定关键设备；所述关键设备包括：甲醇制烯烃反应器和再生器；根据甲醇制烯烃工业的工艺过程和关键设备确定故障变量；所述故障变量包括：仪表故障、阀门故障和温度异常；第二处理模块102，被配置为，根据所述关键设备和所述故障变量，从历史数据库中选择故障监测的监测变量；所述监测变量包括：流量变量、温度变量、压力变量、液位变量、密度变量和催化剂藏量变量；第三处理模块103，被配置为，对所述监测变量的数据进行数据校正，补充或删除所述监测变量的数据中的缺失值和异常值；第四处理模块104，被配置为，在数据校正后的监测变量的数据中，基于信息熵的
方法自动选出正常工况的监测变量的数据作为故障监测的建模数据；第五处理模块105，被配置为，对所述正常工况的监测变量的数据进行标准化处理，得到均值为0，标准差为1的建模数据；第六处理模块106，被配置为，构建两层自编码器的过程监测模型，并应用标准化处理后的建模数据对所述过程监测模型进行训练；第七处理模块107，被配置为，从在线采集到的数据中选出所述监测变量，并对在线述监测变量的数据进行标准化，标准化后的在线述监测变量的数据输入到训练好的过程监测模型中，对甲醇制烯烃工业过程的故障进行监测。
[0068]
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种甲醇制烯烃工业过程的故障监测方法中的步骤。
[0069]
图20为根据本发明实施例的一种电子设备的结构图，如图20所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、近场通信（nfc）或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0070]
本领域技术人员可以理解，图20中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0071]
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种甲醇制烯烃工业过程的故障监测方法中的步骤中的步骤。
[0072]
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。