一种基于多层优化PCC‑SDG的化工过程故障诊断方法与流程

本发明属于化工过程故障诊断技术领域，具体涉及一种基于多层优化pcc-sdg的过程故障诊断方法。

背景技术：

随着现代工业规模的日益扩大以及系统复杂性的不断提高，化工过程系统对故障进行识别与检测的要求也越来越高。目前，符号有向图(sdg)定量化建模较为困难，而基于简单相关性规律对全工艺的故障诊断效果并不显著，虽然简单的数学模型分析可对故障进行一定的诊断但没有对诊断的规律进行深入探讨，局部性较强，对整体性因素有所欠缺，不能保障系统的安全性和稳定性，应用较为困难。

化工系统过程的正常运行遵循第一定律，因而使工艺变量之间呈现出复杂的关联特性，而sdg对过程工艺及设备的图式抽象特点可表示全流程变量之间的复杂因果影响关系，且sdg理论已经成功应用于工业过程，方法较为成熟但对sdg定量化建模方法的研究较少。相关系数故障诊断是化工领域中一种新的故障检测方法，通过以皮尔逊相关系数(pcc)结合符号有向图(sdg)来进行故障识别与检测，可最大限度地挖掘出故障在复杂系统的内部影响过程，更加全面地诊断故障保证系统安全性。

技术实现要素：

针对上述现有技术中存在的问题，本发明提供一种基于全流程的定性(sdg)与定量(pcc)故障诊断方法，可代替传统故障诊断方法，有较好的故障诊断效果。

为实现上述目的，本发明提供如下技术方案：

基于多层优化pcc-sdg的化工过程故障诊断方法，包括pcc建模进行相关性分析，sdg进行变量优化等，其具体步骤如下：

(1)利用符号有向图(sdg)对具体化工工艺过程选取变量，建立sdg初始网络；

(2)提取变量的实时数据片段并构建数据向量集进行相关性分析，制定相关系数接受标准，确定初始阈值；

(3)利用进行相关性分析的皮尔逊相关系数选取初始特征变量，并建立变量相关系数组进行权重分析；

(4)根据相关系数组的权重分析及工艺分析确定最终优化变量，从多层相关系数组中选取权重较大的相关系数集构建pcc-sdg优化图；

(5)根据聚集权重系数q规则检测故障并利用状态之间的相关差异度识别何种类型的故障。

(6)当参数q＞1时，即系统出现了故障，进行一步利用相关差异度确定故障类型寻找故障源，否则为正常状态并重新提取数据进行检测。

本发明方法可完全识别工艺系统的运行状态，寻找故障源解决故障，是解决化工过程系统故障的一个新思路。

本发明的有益效果如下：

(1)本发明提供了基于定性sdg和定量pcc的化工故障多层优化方法，利用该方法不仅能够准确地判断故障状态及完善sdg建模化方法，同时还能使化工过程故障诊断领域提供一个新的思路，深度挖掘工艺流程信息，提高了操作人员的工作效率，防止故障隐患而造成生产过程非计划停工等问题。

(2)本发明方法是由一定时段的变量检测值决定，可对随机干扰的异常测量值具有一定的过滤作用，可保障化工过程系统的正常有效运行以尽量减少非安全因素带来的经济损失。

附图等说明

图1为多层优化的pcc-sdg方法流程示意图；

图2sdg初始网络示意图；

图3最优pcc-sdg网络示意图；

图4正常状态与故障状态聚集权重系数q对比图；

表1te过程的22个连续测量变量(mst)；

表2优化变量mov连续测量变量相关系数集；

表3故障1的q参数；

表4故障8的q参数；

表5故障13的q参数；

表6故障16的q参数。

具体实施方式

为了使本领域的人员更好地理解本发明的技术方案，下面对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。

实施例一：

如图1所示，通过流程框图的形式将一种多层优化pcc-sdg的化工过程故障诊断方法进行了说明，包括sdg深度挖掘工艺信息，pcc定量优化故障诊断等，其具体步骤如下：

(1)分析te(tennesseeeastman)过程并选取22个连续测量变量，建立符号有向图(sdg)初始网络；

(2)提取te过程变量的实时数据片段构建数据向量集并进行相关系数分析，制定相关系数接受标准，确定初始阈值；

(3)利用进行相关性分析的皮尔逊相关系数选取初始特征变量，并建立变量相关系数组进行权重分析；

(4)由te过程相关系数组的权重分析及工艺分析确定最终优化变量，从多层相关系数组中选取权重较大的相关系数集构建pcc-sdg优化图；

(5)根据工艺过程相关性规律建立的聚集权重系数q规则检测故障，且利用状态之间的相关差异度识别何种类型的故障。

(6)当参数q＞1时，即系统出现了故障，进行一步利用相关差异度确定故障类型寻找故障源，否则为正常状态并重新提取数据进行检测。

步骤(1)(2)中变量选取，数据采集等具体如下：

te过程包括12个操作变量、41个测量变量、20种预先设定好的故障、6种控制模式。选取测量变量中的22个连续测量变量为例，将te过程划分为三个部分进行分析：①反应器、冷凝器②气液分离器、循环压缩机③解吸塔。其中表1包括22个连续测量变量的信息，其正常值均为基本工况下的数值。每个训练数据包括480组样本数据，测试数据960组样本数据。图2为符号有向图(sdg)初始网络。

步骤(3)中得出的变量相关系数组进行权重分析结果如表2所示；

步骤(4)中构建的pcc-sdg优化图如图3所示；

步骤(5)(6)中所需要的故障检测信息如表3-6所示，检测结果如图4所示；

步骤(5)(6)中对结果的分析具体如下：

如表3-表6所示，正常状态和四个故障状态最优变量mfn的q参数具有明显的差异性，从对比图4中的q值看出正常状态和故障状态被有效地分离，且故障状态都在容错率数值线以上，进一步确定状态的相关差异度，如由故障1,8可知，得到正常状态与故障1、8的相关差异度分别为6和7，而故障1和故障8的相关差异度为4，这样就能准确区分出故障的类型，确认故障源。结果表明，pcc-sdg方法形成的最优变量mfn能精确的区分正常状态和故障状态，效果显著。

表1-6如下所示：

表1te过程连续测量变量

表2优化变量mov连续测量变量相关系数集

表3故障1的q参数

表4故障8的q参数

表5故障13的q参数

表6故障16的q参数

至此，多层优化pcc-sdg故障诊断方法顺利结束。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。