專利名稱：一種丙烯聚合生產中熔融指數檢測的故障診斷系統及方法
技術領域：
本發明涉及工業過程故障診斷領域，特別地，涉及一種丙烯聚合生產中熔融指數檢測的故障診斷系統及方法。
背景技術：
聚丙烯是以丙烯單體為主聚合而成的一種合成樹脂，是塑料工業中的重要產品。在目前我國的聚烯烴樹脂中，成為僅次于聚乙烯和聚氯乙烯的第三大塑料。在聚丙烯生產過程中，熔融指數(MI)是反映產品質量的一個重要指標，是生產質量控制和牌號切換的重要依據。但MI只能離線檢測，一般離線分析至少需要近2小時，耗資而且耗時，特別是離線分析的2小時期間將無法及時了解聚丙烯生產過程的狀態。因此，選取與熔融指數密切相關的易測變量作為二次變量，從中分析熔融指數，檢測生產過程是否正常，對于丙烯聚合生產過程至關重要。
發明內容為了克服已有的丙烯聚合生產中熔融指數檢測的故障診斷系統的求解麻煩、難以得到較好的診斷效果、誤報率較高的不足，本發明提供一種求解相對方便、能夠得到良好的診斷效果、有效減小誤報率的丙烯聚合生產中熔融指數檢測的故障診斷系統及方法。
本發明解決其技術問題所采用的技術方案是一種丙烯聚合生產中熔融指數檢測的故障診斷系統，包括與丙烯聚合生產過程連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊，用于對數據庫中采集系統正常時關鍵變量的數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；獨立成分分析模塊，用于依照獨立成分個數，采用基于定點迭代的快速獨立成分分析(ICA)算法計算解混矩陣W，具體的步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中Wi-1＝[w1w2Lwi-1]，i＝1，...，m；②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中||wi+||表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；支持向量機分類器功能模塊，用于依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-||x-xi||/σ2)，將訓練過程化為二次規劃求解問題
ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
作為優選的一種方案所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊、獨立成分分析模塊、支持向量機分類器功能模塊，并更新支持向量機分類器功能模塊中的分類模型。
作為優選的另一種方案所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
作為優選的再一種方案所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
一種用所述的丙烯聚合生產中熔融指數檢測的故障診斷系統實現的故障診斷方法，所述的故障診斷方法包括以下步驟(1)、從DCS數據庫的歷史數據庫中采集系統正常時關鍵變量的數據作為訓練樣本TX；(2)、在上位機的獨立成分分析模塊、支持向量機分類器功能模塊中，分別設置獨立成分個數、支持向量機核參數和置信概率參數，設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi---(1),]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2),]]>3.3)標準化X=TX-TX‾σx---(3),]]>其中，N為訓練樣本數，N為訓練樣本數， 為訓練樣本的均值；(4)、依照獨立成分個數，采用基于定點迭代的快速ICA算法計算解混矩陣W，具體的步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中Wi-1＝[wiw2Lwi-1]，i＝1，...，m；②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中||wi+||表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；(5)、依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-||x-xi||/σ2)，將訓練過程化為二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；(6)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
作為優選的一種方案所述的故障診斷方法還包括(7)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(5)的訓練過程，以便及時更新支持向量機分類器功能模塊中的分類模型。
作為優選的另一種方案在所述的(6)中，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
作為優選的再一種方案所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
本發明的技術構思為傳統的多變量統計監控故障診斷方法多采用主成分分析和偏最小二乘分析，這些方法在假設變量滿足獨立同分布的同時，還要求變量服從正態分布，并且利用的僅是二階統計量信息，往往難以得到較好的故障診斷效果。
本發明利用工業實測數據，采用統計的方法進行故障診斷，避開了復雜的機理分析，求解相對方便。
盲源信號分析(獨立成分分析ICA)是一種基于高階統計量的信號處理方法，將其用于流程工業的過程數據分析處理，能更有效地利用變量的概率統計特性，可以在統計獨立意義下對觀測變量進行分解，得到過程內在的驅動信息源，從而更本質地描述過程特征，對過程的監控和故障診斷更準確、更可靠。
本發明的有益效果主要表現在將獨立成分分析的解相關性能力和支持向量機的多變量非線性映射能力和強泛化能力很好地結合了起來，發揮了各自的優勢，使得故障診斷更加可靠有效，能更好的指導生產，提高生產效益。
圖1是本發明所提出的故障診斷系統的硬件結構圖；圖2是本發明所提出的故障診斷系統功能模塊圖3是聚丙烯生產流程簡圖；圖4是獨立成分分析和支持向量機(ICA-SVM)的檢測效果圖；圖5是本發明上位機的原理框圖。
具體實施方式
下面結合附圖對本發明作進一步描述。本發明實施例用來解釋說明本發明，而不是對本發明進行限制，在本發明的精神和權利要求的保護范圍內，對本發明作出的任何修改和改變，都落入本發明的保護范圍。
實施例1參照圖1、圖2、圖3、圖4以及圖5，一種丙烯聚合生產中熔融指數檢測的故障診斷系統，包括與丙烯聚合生產過程連接的現場智能儀表2、DCS系統以及上位機6，所述的DCS系統由數據接口3、控制站4、數據庫5構成；智能儀表2、DCS系統、上位機6通過現場總線依次相連，所述的上位機6包括標準化處理模塊7，用于對數據庫中采集系統正常時關鍵變量的數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；獨立成分分析模塊8，用于依照獨立成分個數，采用基于定點迭代的快速獨立成分分析(ICA)算法計算解混矩陣W，具體的步驟如下⑦隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中Wi-1＝[w1w2Lwi-1]，i＝1，...，m；⑧對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；⑨標準化處理wi=wi+/||wi+||,]]>其中||wi+||表示wi+的范數；⑩若不收斂，返回②，否則一直迭代至i＝m；當更新的wi與原wi點積為1時，判別為收斂；計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；支持向量機分類器功能模塊9，用于依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-||x-xi||/σ2)，將訓練過程化為二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；信號采集模塊10，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊11，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；
故障診斷模塊12，用于對待檢測數據VX用訓練時得到的TX和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
所述的上位機還包括判別模型更新模塊13，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊、獨立成分分析模塊、支持向量機分類器功能模塊，并更新支持向量機分類器功能模塊中的分類模型。
所述的上位機還包括結果顯示模塊14，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
本發明所述的工業過程故障診斷系統的硬件結構圖如附圖1所示，所述的故障診斷系統核心由包括標準化模塊7、獨立成分分析模塊8、支持向量機分類器模塊9等三大功能模塊和人機界面的上位機6構成，此外還包括現場智能儀表2，DCS系統和現場總線。所述的DCS系統由數據接口3、控制站4、數掘庫5構成；丙烯聚合生產過程1、智能儀表2、DCS系統、上位機6通過現場總線依次相連，實現信息流的上傳和下達。故障診斷系統在上位機6上運行，可以方便地與底層系統進行信息交換，及時應對系統故障。
本發明所述的故障診斷系統的功能模塊圖如附圖2所示，主要包括標準化處理模塊7、獨立成分分析模塊8、支持向量機分類器模塊9等三大功能模塊。
本發明所述的故障診斷方法按照如下步驟進行實施1、從DCS數據庫5的歷史數據庫中采集系統正常時以下九個變量的數據作為訓練樣本TX主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α；2、在上位機6的獨立成分分析模塊8和支持向量機分類器模塊9中，分別設置獨立成分個數、支持向量機核參數和置信概率等參數，設定DCS中的采樣周期；3、訓練樣本TX在上位機6中依次經過標準化處理7、獨立成分分析8、支持向量機9等模塊，采用以下步驟來完成上位機6中故障診斷系統的訓練；1)在上位機6的標準化處理功能模塊7中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X。采用以下過程來完成①計算均值TX‾=1NΣi=1NTXi---(1)]]>②計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>③標準化X=TX-TX‾σx---(3)]]>其中N為訓練樣本數，N為訓練樣本數， 為訓練樣本的均值；上位機6的標準化處理功能模塊7所進行的標準化處理能消除各變量因為量綱不同造成的影響。
2)在上位機6的獨立成分分析模塊8中，進行獨立成分分析，采用基于定點迭代的快速ICA算法計算解混矩陣W。具體實施步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中Wi-1＝[w1w2Lwi-1]，i＝1，...，m；
②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中||wi+||表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；3)訓練上位機6中的支持向量機分類器功能模塊9的分類模型。
所述的上位機6中的支持向量機分類器功能模塊9的核函數，采用徑向基函數K(xi，x)＝exp(-||x-xi||/σ2)，將訓練過程化為如下二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)=Σi=1myiαiK(xi,x)+b---(5)]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數。
定義當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
支持向量機基于統計學習理論，采用結構風險最小化準則，很好地解決了小樣本、局部極小點、高維數等難題，用于分類問題能提高分類精度。
4、系統開始投運1)用定時器，設置好每次采樣的時間間隔；
2)現場智能儀表2檢測過程數據并傳送到DCS數據庫5的實時數據庫中；3)上位機6在每個定時周期從DCS數據庫5的實時數據庫中，得到最新的變量數據，作為待診斷數據VX；4)待檢測數據VX，在上位機6的標準化處理功能模塊7中，用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊8的輸入；5)上位機6中的獨立成分分析模塊8，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到上位機6中的支持向量機分類器功能模塊9；6)上位機6中的支持向量機分類器模塊9，將輸入數據代入訓練得到的判別函數，計算判別函數值，判別并在上位機6的人機界面上顯示過程的狀態；7)上位機6將故障診斷結果傳給DCS，并在DCS的控制站4顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示，使得現場操作工可以及時應對。
5、分類器模型更新在系統投運過程中，定期將過程狀態正常的點添加到訓練集TX中，重復步驟3的訓練過程，以便及時更新上位機6的支持向量機分類器9中的分類模型，保持分類器模型具有較好的分類效果。
下面詳細說明本發明的一個具體實施例。
以聚丙烯生產HYPOL工藝實際工業生產為例。圖三給出了典型的Hypol連續攪拌釜(CSTR)法生產聚丙烯的工藝流程圖，前2釜是CSTR反應器、后2釜是流化床反應器(FBR)。選取主催化劑流率、輔催化劑流率、三股丙烯進料流率、釜內流體溫度、釜內流體壓強、釜內液位、釜內氫氣體積濃度九個易測操作變量作為模型的輸入量，從生產過程的DCS系統中獲取這九個參數的數據作為訓練樣本，其中五十個正常的樣本作為訓練集，另二十二個樣本點作為測試集數據驗證診斷效果。ICA提取獨立成分個數為7，支持向量機核參數取5，置信概率0.98，采樣周期為2小時。圖4為獨立成分分析和支持向量機(ICA-SVM)的檢測效果圖，圖中只畫出了前兩個獨立成分的分布。表1列出了測試集中實際故障點和本系統檢測出的故障點，可以看出僅3號故障點漏報，誤報率為0。顯然，本系統具有較高的診斷準確性。
表1。
實施例2參照圖1、圖2、圖3、圖4以及圖5，一種丙烯聚合生產中熔融指數檢測的故障診斷方法，包括以下步驟(1)、從DCS數據庫5的歷史數據庫中采集系統正常時關鍵變量的數據作為訓練樣本TX；(2)、在上位機的獨立成分分析模塊8、支持向量機分類器功能模塊9中，分別設置獨立成分個數、支持向量機核參數和置信概率參數，設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi---(1),]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2),]]>3.3)標準化X=TX-TX‾σx---(3),]]>
其中，N為訓練樣本數，N為訓練樣本數， 為訓練樣本的均值；(4)、依照獨立成分個數，采用基于定點迭代的快速ICA算法計算解混矩陣W，具體的步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中wi-1＝[w1w2Lwi-1]，i＝1，...，m；②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中||wi+||表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；(5)、依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-||x-xi||/σ2)，將訓練過程化為二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；
(6)、將采集的數據傳送到DCS實時數據庫5中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊8的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊9，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
所述的故障診斷方法還包括(7)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(5)的訓練過程，以便及時更新支持向量機分類器功能模塊中的分類模型。
在所述的(6)中，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
權利要求
1.一種丙烯聚合生產中熔融指數檢測的故障診斷系統，包括與丙烯聚合生產過程連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，其特征在于所述的上位機包括標準化處理模塊，用于對數據庫中采集系統正常時關鍵變量的數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(1)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(2)]]>3)標準化X=TX-TX‾σx,---(3)]]>其中，TX為訓練樣本，N為訓練樣本數， 為訓練樣本的均值；獨立成分分析模塊，用于依照獨立成分個數，采用基于定點迭代的快速ICA算法計算解混矩陣W，具體的步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中Wi-1＝[w1w2L wi-1]，i＝1，...，m；②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中‖wi+‖表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；支持向量機分類器功能模塊，用于依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
2.如權利要求1所述的一種丙烯聚合生產中熔融指數檢測的故障診斷系統，其特征在于所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊、獨立成分分析模塊、支持向量機分類器功能模塊，并更新支持向量機分類器功能模塊中的分類模型。
3.如權利要求1或2所述的一種丙烯聚合生產中熔融指數檢測的故障診斷系統，其特征在于所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
4.如權利要求3所述的一種丙烯聚合生產中熔融指數檢測的故障診斷系統，其特征在于所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
5.一種用如權利要求1所述的丙烯聚合生產中熔融指數檢測的故障診斷系統實現的故障診斷方法，其特征在于所述的故障診斷方法包括以下步驟(1)、從DCS數據庫的歷史數據庫中采集系統正常時關鍵變量的數據作為訓練樣本TX；(2)、在上位機的獨立成分分析模塊、支持向量機分類器功能模塊中，分別設置獨立成分個數、支持向量機核參數和置信概率參數，設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi---(1),]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾)---(2),]]>3.3)標準化X=TX-TX‾σx---(3),]]>其中，N為訓練樣本數，N為訓練樣本數， 為訓練樣本的均值；(4)、依照獨立成分個數，采用基于定點迭代的快速ICA算法計算解混矩陣W，具體的步驟如下①隨機選取范數為1的初始權重向量wi，若i≥2，則wi=wi-Wi-1Wi-1Twi,]]>其中wi-1＝[w1w2L wi-1]，i＝1，...，m；②對wi進行迭代更新wi+=E{xg(wiTx)}-E{g′(wiTx)}wi,]]>其中wi+表示更新后的權重向量，E是數學期望，g代表形式為g(x)＝xexp(-x2/2)的函數，g’為g的倒數；③標準化處理wi=wi+/||wi+||,]]>其中‖wi+‖表示wi+的范數；④若不收斂，返回②，否則一直迭代至i＝m；⑤當更新的wi與原wi點積為1時，判別為收斂；⑥計算獨立成分S＝WX；其中，S是獨立成分矩陣，W是解混矩陣，X是輸入矩陣；(5)、依照支持向量機核參數和置信概率，計算核函數，采用徑向基函數K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓練過程化為二次規劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(4)]]>從而得到分類函數，即如下函數的符號函數f(x)f(x)=Σi=1myiαiK(xi,x)+b---(5);]]>其中，αi(i＝1，…，N)是拉各朗日乘子，xi(i＝1，…，N)是輸入向量，y是輸出變量，ω是支持向量機超平面的法向量，決定超平面的的方向，b為決定超平面位置的參數，δ為核參數；(6)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為獨立成分分析模塊的輸入，用訓練時得到的解混矩陣W對輸入進行變換，變換后矩陣輸入到支持向量機分類器功能模塊，將輸入數據代入訓練得到的判別函數f(x)，計算判別函數值，當f(x)＞＝0，數據樣本處于正常狀態；當f(x)＜0時，處于異常狀態。
6.如權利要求5所述的一種丙烯聚合生產數據檢測及故障診斷方法，其特征在于所述的故障診斷方法還包括(7)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)～(5)的訓練過程，以便及時更新支持向量機分類器功能模塊中的分類模型。
7.如權利要求5或6所述的一種丙烯聚合生產數據檢測及故障診斷方法，其特征在于在所述的(6)中，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
8.如權利要求7所述的一種丙烯聚合生產數據檢測及故障診斷方法，其特征在于所述的關鍵變量包括主催化劑流率f4、輔催化劑流率f5、三股丙烯進料流率(f1、f2、f3)、釜內流體溫度T、釜內流體壓強P、釜內液位l和釜內氫氣體積濃度α。
全文摘要
一種丙烯聚合生產中熔融指數檢測的故障診斷系統，包括與丙烯聚合生產過程連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊、獨立成分分析模塊、支持向量機分類器功能模塊、信號采集模塊、待診斷數據確定模塊以及故障判斷模塊。以及提出了一種故障診斷方法。本發明提供一種求解相對方便、能夠得到良好的診斷效果、有效減小誤報率的丙烯聚合生產中熔融指數檢測的故障診斷系統及方法。
文檔編號G06F17/00GK101021723SQ20061015541
公開日2007年8月22日 申請日期2006年12月22日 優先權日2006年12月22日
發明者劉興高 申請人:浙江大學