一種煉化過程參數動態報警閾值的生成方法及裝置的制造方法
【技術領域】
[0001] 本發明設及石油煉化故障監測技術領域，尤其設及一種煉化過程參數動態報警闊 值的生成方法及裝置。
【背景技術】
[0002] 當前，作為典型的過程工業，煉化過程工藝復雜且生產裝置數量及種類繁多。在煉 化過程中，一旦發生故障將影響到煉化過程及W外的其他裝置。甚至有可能引發一些重大 事故。因此，對煉化過程中的生產過程進行監測格外重要。
[0003] 目前，大多數煉化工業采用靜態模型參數闊值方法對生產過程進行狀態監測，而 基于靜態模型參數闊值的方法理論上都建立在W下假設之上：即建模數據基本涵蓋所有正 常煉化工況的數據空間，煉化工況過程是穩態不變的。但是，實際的煉化過程中大多數都存 在緩慢而正常的漂移，即慢時變特征，此外實際煉化過程具有多工況非穩態過渡特征，因此 靜態參數報警闊值在生產工況變化后將不再適用，若繼續應用原始的靜態參數報警闊值， 則容易引發大范圍的誤報警和漏報警。另外，在大多數的煉化工業中，參數報警闊值一般采 用人工調節，即裝置生產負責人根據當前的工藝情況適當調整報警闊值W規避冗余報警或 根據操作需要縮小或擴大報警闊值范圍。人工參數闊值設置往往會導致報警闊值更新不及 時或誤更新，從而引發新的誤報警和漏報警或者降低異常監測的靈敏性。
[0004] 可見，當前采用靜態模型參數闊值方法，并由人工調節參數報警闊值已經不能滿 足復雜多變的煉化工業生產過程。
【發明內容】
[0005] 本發明的實施例提供一種煉化過程參數動態報警闊值的生成方法及裝置，W解決 當前采用靜態模型參數闊值方法，并由人工調節參數報警闊值，容易引發誤報警或漏報警， 且容易降低異常監測的靈敏度的問題。
[0006] 為達到上述目的，本發明采用如下技術方案：
[0007] -種煉化過程參數動態報警闊值的生成方法，包括：
[0008] 獲取煉化過程生產裝置的參數的歷史數據；
[0009] 確定所述參數的歷史數據所對應的滑動窗口長度和步長；
[0010] 根據所述滑動窗口長度和步長，確定參數的初始歷史訓練數據，并自所述初始歷 史訓練數據每隔一個步長時間更新一次歷史訓練數據;所述初始歷史訓練數據為確定歷史 訓練數據的初始時刻之前的一滑動窗口長度的參數的歷史數據；
[0011] 對所述歷史訓練數據進行列向的歸一化處理，形成歸一化歷史訓練數據；
[0012] 根據所述歸一化歷史訓練數據對每個參數進行核密度估計，生成每個參數的概率 密度函數；
[0013] 根據所述每個參數的概率密度函數，確定每個參數的概率分布函數；
[0014] 根據所述每個參數的概率分布函數W及預先設置的報警闊值置信度，確定每個參 數所對應的報警闊值。
[0015] 具體的，根據所述滑動窗口長度和步長，確定參數的初始歷史訓練數據，并自所述 初始歷史訓練數據每隔一個步長時間更新一次歷史訓練數據，包括：
[0016] 確定所述參數的初始歷史訓練數據矩陣為：
；其中，Io為 歷史訓練數據長度;m為所述歷史訓練數據的過程變量個數；
[0017] 在每隔一個步長D時間更新一次所述歷史訓練數據，第k次更新后的歷史訓練數據 為：
Ik為第k次更新后的歷史訓練數據的長度。
[0018] 具體的，對所述歷史訓練數據進行列向的歸一化處理，形成歸一化歷史訓練數據， 包括：
[0019] 根據公式：
[0020]
[0021] 確定所述歸一化歷史訓練數據;其中，Xi,/為所述歸一化歷史訓練數據中第i行第 巧U的數據;Xi,功歷史訓練數據Xk中第i行第巧揃數據;Xmin(j)為第巧U歷史訓練數據的最 小值;Xmax(j)為第j列歷史訓練數據的最大值。
[0022] 具體的，根據所述歸一化歷史訓練數據對每個參數進行核密度估計，生成每個參 數的概率密度函數，包括：
[0023] 根據公式：
[0024]
[0025] 對每個參數進行核密度估計，生成每個參數的概率密度函數f (X);
[0026] 其中，
；1功第k次更新后的歷史訓練數據的長度；
d為預先設置的空間維數；
為高斯核函數， 為第j個參數的歸一化歷史訓練數據均值。
[0027] 具體的，根據所述每個參數的概率密度函數，確定每個參數的概率分布函數，包 括：
[002引根據公式：
[0029]
[0030] 確定每個參數的概率分布函數F(X)。
[0031] 具體的，根據所述每個參數的概率分布函數W及預先設置的報警闊值置信度，確 定每個參數所對應的報警闊值，包括：
[0032] 根據公式：
[0033] F(X)=曰
[0034] 確定每個參數所對應的第一參數值Si;其中，a為預先設置的報警闊值置信度； [00巧]根據公式：
[0036] Xl = Sl X (Xmax( j )-Xmin( j ) )+Xmin( j )
[0037] 確定第j個參數所對應的報警闊值下限XI;其中，Xmin(j)為第j列歷史訓練數據的 最小值;Xmax(j)為第j列歷史訓練數據的最大值。
[0038] 具體的，根據所述每個參數的概率分布函數W及預先設置的報警闊值置信度，確 定每個參數所對應的報警闊值，還包括：
[0039] 根據公式：
[0040] F(x) = l-a
[0041] 確定每個參數所對應的第二參數值S2;
[0042] 根據公式：
[0043] X2 = S2 X (Xmax( j )-Xmin( j ) )+Xmin( j )
[0044] 確定第j個參數所對應的報警闊值上限X2。
[0045] -種煉化過程參數動態報警闊值的生成裝置，包括：
[0046] 歷史數據獲取單元，用于獲取煉化過程生產裝置的參數的歷史數據；
[0047] 滑動窗口長度和步長確定單元，用于確定所述參數的歷史數據所對應的滑動窗口 長度和步長；
[004引歷史訓練數據更新單元，用于根據所述滑動窗口長度和步長，確定參數的初始歷 史訓練數據，并自所述初始歷史訓練數據每隔一個步長時間更新一次歷史訓練數據;所述 初始歷史訓練數據為確定歷史訓練數據的初始時刻之前的一滑動窗口長度的參數的歷史 數據；
[0049] 歸一化處理單元，用于對所述歷史訓練數據進行列向的歸一化處理，形成歸一化 歷史訓練數據；
[0050] 核密度估計單元，用于根據所述歸一化歷史訓練數據對每個參數進行核密度估 計，生成每個參數的概率密度函數；
[0051] 概率分布函數確定單元，用于根據所述每個參數的概率密度函數，確定每個參數 的概率分布函數；
[0052] 報警闊值確定單元，用于根據所述每個參數的概率分布函數W及預先設置的報警 闊值置信度，確定每個參數所對應的報警闊值。
[0053] 此外，所述歷史訓練數據更新單元，具體用于：
[0054] 確定所述參數的初始歷史訓練數據矩陣為：
其中，Io為 歷史訓練數據長度;m為所述歷史訓練數據的過程變量個數；
[0055] 在每隔一個步長D時間更新一次所述歷史訓練數據，第k次更新后的歷史訓練數據 為：
Ik為第k次更新后的歷史訓練數據的長度。
[0化6] 此外，所述歸一化處理單元，具體用于：
[0化7]根據公式：
[0化引
[0059] 確定所述歸一化歷史訓練數據;其中，Xi,/為所述歸一化歷史訓練數據中第i行第 j列的數據;Xi,功歷史訓練數據Xk中第i行第j列的數據;Xmin(j)為第j列歷史訓練數據的最 小值;Xmax(j)為第j列歷史訓練數據的最大值。
[0060] 此外，所述核密度估計單元，具體用于：
[0061] 根據公式：
[0062]
[0063] 對每個參數進行核密度估計，生成每個參數的概率密度函數f (X);
[0064] 其中，
；1功第k次更新后的歷史訓練數據的長度； d為預先設置的空間維數；
為高斯核函數
為第j個參數的歸一化歷史訓練數據均值。
[0065] 此外，所述概率分布函數確定單元，具體用于：
[0066] 根據公式：
[0067]
[0068] 確定每個參數的概率分布函數F(X)。
[0069] 另外，所述報警闊值確定單元，具體用于：
[0070] 根據公式：
[0071] F(X)=曰
[0072] 確定每個參數所對應的第一參數值Si;其中，a為預先設置的報警闊值置信度；
[0073