[发明专利]工业反应器运行状态可视化在线监测方法

说明书

技术领域

本发明属于石油化工与过程控制交叉领域，涉及采用机器学习算法动态偏最小二乘(DPLS)结合自组织神经网络(SOM)对连续搅拌反应器系统(CSTR)的可视化在线监测。

背景技术

连续搅拌反应器系统(Continuous Stirred Tank Reactor,CSTR)是一种比较复杂的非线性化学反应系统，在聚合化学反应中有广泛使用。在实际生产中应用于染料、合成材料、食品、医药试剂等诸多领域。CSTR是一种典型的一阶不可逆放热反应，由于是在仿真平台上所搭建的系统，现对其进行几点理想化假设：(1)出料口的物料体积流速等于进料口的体积流速，保证整个反应釜中物料的体积始终不会随着反应的进行而改变；(2)反应釜中的混合是完全的即整个过程遵循物料守恒定理；(3)反应釜中所发生的是一级不可逆的放热反应。因此根据动力学和热力学知识，在理论上可以得到CSTR的数学模型为：

其中：T是反应釜的温度，F_a是进料A的流速，V是反应釜的体积，T_a是进料A的温度，ΔH是反应热，ρ是A,B混合物的平均密度，k₀是预指数因子，E是活化能，UA是总传热系数，C_p是热容量，T_c是冷却剂的温度，C_a是反应物出口的浓度，C_af是反应物入口的浓度。整个单元的工艺流程如图1所示，其中A代表进料反应物，B代表出料的排出物。T_c是操纵变量T和C_a是受控变量，为维持反应釜的温度在一个较高的值从而保证A物料得到最大的转化率，所以整个系统采用PID温度控制。在标准状态下，合理的系统参数为：F_a＝100m³/sec,T＝446K,C_af＝1mol/m³,ρ＝1000g/L,E/R＝8750K,V＝100m³,UA＝5e4J/mol,C_a＝0.2mol/L,T_c＝300K,k₀＝7.2e10sec^-1,T_a＝350K,C_p＝0.239J/(kg·K)

近年来随着工业过程规模的日益庞大以及各种反应装置的高度耦合传统的理论建模已不再适用，取而代之的以各种机器学习为代表的数据驱动方法正被应用于工业过程故障诊断领域，并且有些算法已经投入实际的生产使用。可视化在线监测需要在历史故障库离线建模的基础上，对现场采样点进行判别分析，然后将采样点投影至二维平面，依据其在平面的不同位置表示当前工况状态是否正常。偏最小二乘(Partial Least Squares)和人工神经网络(Artificial Neural Network)作为两种典型的算法在统计回归、模式分类、特征提取等领域中有过诸多研究。针对CSTR本身的非线性特性，本发明采用动态偏最小二乘(Dynamic Partial Least Squares,DPLS)作特征提取以及自组织神经网络(Self-organizing Map)作可视化聚类的方法对CSTR进行故障检测与诊断。为简洁起见，对本发明的方法规定称DPLS-SOM。

发明内容

本发明目的是提供一种可视化在线监测CSTR运行工况的技术。选取反应釜温度(T，℃)、进料浓度(C_af，mol/L)、进料温度(T_a，℃)、进料流速(F_a，L/min)、出料浓度(C_a，mol/L)、以及夹套中冷却剂的温度(T_c，℃)。在离线建模时将这6个变量作为模型的输入变量；在对应不同工况下采用相应的哑变量作为输出变量进行特征提取。在在线监测时采集仿真样本数据，基于离线时建立的模型，根据在二维平面上的不同位置确定当前工况的状态完成可视化故障检测与诊断。

1.自变量与因变量的选取

在离线建模阶段，采集CSTR过程中的所有变量作为输入，同时取不同的哑变量代表不同工况并且作为输出，分别作为DPLS的输入和输出进行特征提取得到投影矩阵w。假设存在一组可以分成c种类别的数据，那么其每个观测值可以用c维空间的一个单位向量作为输出。并且第k类的观测值其对应的哑变量表述形式如下：

本发明的特点是：