[发明专利]一种石化生产装置故障预测和诊断方法以及系统

说明书

本发明公开了一种石化生产装置故障预测和诊断方法，包括以下步骤：采集历史的石化生产装置正常和异常多模态数据，利用拟图像化方法将正常和异常多模态数据转化为具有时序的拟图库；将故障和正常拟图库通过神经网络进行深度学习训练，得到拟图库的正常和故障特征；实时采集石化生产装置的多模态数据，将多模态数据利用拟图像化方法转化为实时图像；将实时图像与正常和故障特征进行对比，根据正常和故障特征对应的正常和故障标识来判断石化生产装置故障。本发明还公开一种石化生产装置故障预测和诊断系统。本发明提供的一种石化生产装置故障预测和诊断方法以及系统，使用先进的人工智能处理技术对数据进行训练，增加其智能，预测和诊断效率高，同时也可以随时通过人工识别。

技术领域

本发明涉及一种石化生产装置故障预测和诊断方法以及系统，属于石化装置故障诊断方法技术领域。

背景技术

在石化领域，故障预测和诊断对整个生产的影响非常大，设备故障经常会导致不可估量生命和财产损失。而故障预测和诊断对时效性要求很高，如果方法本身复杂度太高，可能会影响时效性需求，同时考虑目前生产领域的实际环境(如对网络和隐私安全考虑)和应用情况，仍离不开人工判断干预。现有的石化装置故障预测和诊断方法存在以下问题：1)多是采用数据驱动的方法进行建模，如决策树、支持向量机和贝叶斯等先进算法，但是这些算法本身具有一定的时间和空间复杂度，从处理数据到预测和诊断故障均需要大量的时间；2)这些方法的整个过程多是依赖于智能模型和算法，中间或最后人工干预或验证的难度很大。实际上，石化装置的故障预测和诊断更多仍是依赖人工肉眼判断，因此需要一种既可以使用先进的智能图像识别技术又可方便人工肉眼识别的方法。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种使用先进的人工智能处理技术对数据进行训练，增加其智能，预测和诊断效率高，同时也可以随时通过人工识别的石化生产装置故障预测和诊断方法以及系统。

为解决上述技术问题，本发明采用的技术方案为：

一种石化生产装置故障预测和诊断方法，包括以下步骤：

采集历史的石化生产装置正常和异常多模态数据，利用拟图像化方法将正常和异常多模态数据转化为具有时序的拟图库，并对拟图库中的图像进行正常和故障标识；

将故障和正常拟图库通过神经网络进行深度学习训练，得到拟图库的正常和故障特征；

实时采集石化生产装置的多模态数据，将多模态数据利用拟图像化方法转化为实时图像；

将实时图像与正常和故障特征进行对比，根据正常和故障特征对应的正常和故障标识来判断石化生产装置故障。

拟图像化方法的具体包括：设一套石化生产装置有n个设备，每个设备包括m个模态的数据，设相关设备集为x_i{x₁,x₂,…,x_n}，多模态数据集y_j{y₁,y₂,…,y_m}，则可形成一个n×m的矩阵向量A(x_i,y_j)，加上时序t_k{t₁,t₂,…,t_p}，总共p个时刻，则t_k时刻设备多模态数据矩阵向量可表示为At_k(x_i,y_j)，该设备多模态数据矩阵向量经过拟图像化规则可转化为拟图像At_k。

模态数据包括但不限于温度、湿度、位移、压力、噪声、液面高度和震动频率。