[发明专利]一种采样数据异常变化在线监测与诊断方法

说明书

本发明公开了一种采样数据异常变化在线监测与诊断方法，本发明属于生产过程安全监控技术领域；本发明以生产过程的传感器采样数据异常变化和过程故障为对象，建立了一组实时监测和诊断异常变化的方法。解决该问题的技术方案要点包括：通过对历史数据的统计学习，形成强容错的安全变化轴线；计算实测数据与安全变化轴线之间差值，形成残差序列；计算出残差序列的容错均值和容错方差；利用“3σ‑准则”，形成{‑1，0，1}序列；利用{‑1，0，1}的各态游程，实现对异常变化的监测与诊断；本发明在生产过程安全监控领域有重要应用价值，能购便利地实现对石油化工等复杂生产过程工况的监测监控。

技术领域

本发明涉及生产过程安全监控技术领域，具体涉及一种采样数据异常变化在线监测与诊断方法。

背景技术

石油化工等对安全性要求极高的复杂生产领域，监控其工况正常与否，是及时发现安全隐患和有效防范故障风险的重要一环。

在石化生产过程中，监控传感器测量数据是否异常，最简单且最常用的方法是固定门限监测：设定测量对象X的变化上限和下限分别为U和L，当XU或XL时，判断X对应的工况发生异常。上述方法存在两个明显局限：(1).上限U和下限L不容易恰当设定，U偏大或L偏小会导致漏判，U偏小或L偏大会导致误漏判；(2).不能够识别和发现区间[L,U]内的异常变化；(3).不能区分传感器误码导致的野值和真正的工况异常。

对于上述局限性(1)和(2)，近年来国际国内有研究人员尝试采用时变上限和/或时变下限的方式，代替固定上限和固定下限：对于传感器等测量设备在任意t_k时刻获取的采样数据x(t_k)，假定事前已知(或设定)其正常变化不会超出上限U(t_k)和下限L(t_k)，否则判定该状态参数异常。时变上下限的方法，一定程度上克服了上述局限性，但如何确定可靠的时变上下限，以及如何避免将传感器误码误判为工况异常，这两个难题并没有得到解决。

因此，如何区分采样数据野值和工况变化异常，以便有效避免频繁出现的虚警，一直是困扰石化等安全生产的技术“瓶颈”。

发明内容

本发明的目的在于提出一种采样数据异常变化在线监测与诊断方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明提供一组可有效地克服时变门限难以设定和野值误判为石油化工过程工况异常导致频繁虚警等现有方法局限性的多参数异变在线监测方法，实现石化生产过程的有效安全监控，降低虚警和异变有效示警。

本发明的目的是针对上述问题，提供一种采样数据异常变化在线监测与诊断方法，具体包括以下步骤：

S100，采集传感器网络的数据并通过训练好的神经网络进行预测得到预测数据；

进一步地，在S100中，所述传感器网络为设置于石化管道内部的多个传感器节点组成，传感器节点的传感器类型包括温度传感器、压力传感器、流速传感器，用于采集温度、压力、流速中任意一种物理量数据。

进一步地，在S100中，传感器网络采集的数据为时间序列数据{X(t_k)∈R^m,k＝0,1,2,…}，X(t_k)为传感器网络按照时间先后顺序采集的数据；

进一步地，在S100中，所述神经网络为长短记忆神经网络LSTM，通过前n点采样数据对神经网络进行训练进而得到训练好的神经网络。

进一步地，在S100中，通过训练好的神经网络进行预测的方法为：通过训练好的神经网络进行滑动预测，在预测过程实时更新训练好的神经网络，形成多维的预测数据序列R^m为m维的实数空间，为得到的预测数据。

S200，根据预测数据构建基于预测残差的数据管道；