一種基于主動(dòng)學(xué)習(xí)的化工過(guò)程故障監(jiān)控方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及化工過(guò)程故障監(jiān)控技術(shù)領(lǐng)域，具體涉及一種基于主動(dòng)學(xué)習(xí)的化工過(guò)程 故障監(jiān)控方法。
【背景技術(shù)】
[0002] 近年來(lái)，由于分布式控制系統(tǒng)的發(fā)展，大量的工業(yè)過(guò)程數(shù)據(jù)被有效地收集和儲(chǔ)存 起來(lái)，這些數(shù)據(jù)中包含了大量有價(jià)值的工業(yè)過(guò)程信息，使得基于數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程監(jiān)控 方法獲得了廣泛的關(guān)注。在基于數(shù)據(jù)驅(qū)動(dòng)的故障監(jiān)控方法中，樸素貝葉斯分類器是一種常 用方法，但在應(yīng)用樸素貝葉斯分類器進(jìn)行故障監(jiān)控方法之前，有兩個(gè)潛在的問(wèn)題需要解決： 1)樸素貝葉斯分類器需要已標(biāo)記的正常和故障工況數(shù)據(jù)建模，也就是說(shuō)樸素貝葉斯分類器 不能發(fā)現(xiàn)未知故障。2)樸素貝葉斯分類器需要大量已標(biāo)記工況數(shù)據(jù)建模。在工業(yè)實(shí)踐中， 很難收集到全部的故障類型數(shù)據(jù)，一般只有有限數(shù)量的已標(biāo)記的數(shù)據(jù)和大量未標(biāo)記的觀測(cè) 數(shù)據(jù)，這限制了樸素貝葉斯分類器在工業(yè)實(shí)際中的應(yīng)用。

【發(fā)明內(nèi)容】

[0003] 針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于主動(dòng)學(xué)習(xí)的化工過(guò)程故障監(jiān)控方 法。
[0004] 本發(fā)明的技術(shù)方案是：
[0005] -種基于主動(dòng)學(xué)習(xí)的化工過(guò)程故障監(jiān)控方法，包括以下步驟：
[0006]步驟1、實(shí)時(shí)采集化工過(guò)程信號(hào)的屬性；
[0007] 步驟2、建立樸素貝葉斯分類器模型對(duì)化工過(guò)程進(jìn)行故障監(jiān)控；
[0008] 步驟2-1、根據(jù)化工過(guò)程歷史信號(hào)建立初始訓(xùn)練信號(hào)集和未標(biāo)記觀測(cè)信號(hào)集：從 采集的歷史信號(hào)中選擇出設(shè)定數(shù)量的正常信號(hào)和故障信號(hào)，并根據(jù)每個(gè)信號(hào)所屬信號(hào)類別 進(jìn)行標(biāo)記作為訓(xùn)練信號(hào)集，采集的歷史信號(hào)中的其余信號(hào)作為未標(biāo)記觀測(cè)信號(hào)集；
[0009] 化工過(guò)程歷史信號(hào)包括屬性和信號(hào)類別；
[0010] 屬性包括：物料屬性、反應(yīng)器屬性、汽/液分類器屬性、解析塔屬性、測(cè)量結(jié)果屬 性、壓縮機(jī)屬性、分離器屬性、汽提器屬性、冷凝器屬性；
[0011] 信號(hào)類別包括：正常信號(hào)和故障信號(hào)，故障信號(hào)分為若干故障類別；
[0012] 步驟2-2、更新訓(xùn)練信號(hào)集和未標(biāo)記觀測(cè)信號(hào)集；
[0013] 步驟2-3、根據(jù)訓(xùn)練信號(hào)集建立樸素貝葉斯分類器模型并預(yù)測(cè)未標(biāo)記觀測(cè)信號(hào)的 類標(biāo)簽；
[0014] 步驟2-4、利用主動(dòng)學(xué)習(xí)方法對(duì)樸素貝葉斯分類器模型進(jìn)行修正：如果類標(biāo)簽為 未知故障類別，則收集從第一次出現(xiàn)屬于未知故障類別的未標(biāo)記觀測(cè)信號(hào)開始的m個(gè)連續(xù) 未標(biāo)記觀測(cè)信號(hào)，作為已標(biāo)記的新的故障類別信號(hào)加入到原來(lái)的訓(xùn)練信號(hào)集中，得到新的 訓(xùn)練信號(hào)集，返回步驟2-2 ;否則將未標(biāo)記觀測(cè)信號(hào)的后驗(yàn)概率熵大于閾值的信號(hào)及其類 標(biāo)簽加入到原來(lái)的訓(xùn)練信號(hào)集中，返回步驟2-2 ;
[0015] 步驟2-5、重復(fù)步驟2-2~步驟2-4,直至所有歷史信號(hào)均被檢測(cè)過(guò)，得到最終的樸 素貝葉斯分類器模型；
[0016] 步驟2-6、將實(shí)時(shí)采集的化工過(guò)程信號(hào)的屬性作為最終的樸素貝葉斯分類器模型 的輸入，對(duì)化工過(guò)程故障監(jiān)控；
[0017] 步驟3、得到化工過(guò)程故障監(jiān)控結(jié)果，即實(shí)時(shí)確定化工過(guò)程中的信號(hào)類別。
[0018] 所述物料屬性包括：物料流量、排空物料流量、物料進(jìn)料量；
[0019] 所述反應(yīng)器屬性包括：反應(yīng)器給料流量、反應(yīng)器壓力、反應(yīng)器液位、反應(yīng)器溫度、反 應(yīng)器冷凝液出口溫度、冷卻水流量；
[0020] 所述汽/液分類器屬性包括：汽/液分類器溫度、汽/液分類器液位、汽/液分類 器壓力、汽/液分類器出口流量；
[0021] 所述解析塔屬性包括：解析塔液位、解析塔壓力、解析塔出口流量、解析塔溫度、解 析塔蒸汽流量；
[0022] 所述測(cè)量結(jié)果屬性包括：反應(yīng)器流量色譜對(duì)物料的測(cè)量結(jié)果、放空氣體色譜對(duì)物 料的測(cè)量結(jié)果、產(chǎn)品流量色譜對(duì)物料的測(cè)量結(jié)果；
[0023] 所述壓縮機(jī)屬性包括：壓縮機(jī)返回物料流量、壓縮機(jī)功率、壓縮機(jī)再循環(huán)閥開度、 壓縮機(jī)排放閥開度；
[0024] 所述分離器屬性包括：分離器罐液流量；
[0025] 所述汽提器屬性包括：汽提器液體產(chǎn)品流量、汽提器水流閥開度；
[0026] 所述冷凝器屬性包括：冷凝器冷凝液出口溫度、冷凝器冷卻水流量和攪拌速度。
[0027] 所述步驟2-3具體按如下步驟進(jìn)行：
[0028] 步驟2-3-1、設(shè)未標(biāo)記觀測(cè)信號(hào)X=仏，X2，…，Xk，…，Xp，C};其中XpX2，…， \，"·，ΧΡ是屬性，C是信號(hào)類另lj，其取值為{〇。，〇1，〇2，"*，(^，"*，〇(]}，1^為屬性的索引號(hào)， i為信號(hào)類別的索引號(hào)，c。表不正常信號(hào)，c廣·cq表不故障類別；
[0029] 步驟2-3-2、建立樸素貝葉斯分類器模型；
[0030] 步驟2-3-2-1、計(jì)算訓(xùn)練信號(hào)集中每一個(gè)屬性XJ1于故障類型Cl的概率P(Xk|Cl);
[0031]
[0032] 其中，、和心分別代表訓(xùn)練信號(hào)集中屬于第(^類信號(hào)第k個(gè)屬性的平均值和標(biāo)準(zhǔn) 差；
[0033] 步驟2_3_2_2、未標(biāo)記觀測(cè)彳目號(hào)X屬于彳目號(hào)類別q的先驗(yàn)概率P(X|cJ:
[0034]
C2)
[0035] 步驟2-3-2_3、計(jì)算未標(biāo)記觀測(cè)信號(hào)X屬于信號(hào)類別Cl的后驗(yàn)概率P(ci|X)即樸 素貝葉斯分類器模型：
[0036] P(Cl|X) =P(X|Cl)P(Cl)A^X) (3)
[0037] 其中，P⑴代表未標(biāo)記觀測(cè)信號(hào)X出現(xiàn)的概率，P(Cl)代表信號(hào)類別c#現(xiàn)的概 率即信號(hào)類別(31的先驗(yàn)概率沖((3 1) = |(^：)|/|〇|，其中|(^：)|代表訓(xùn)練信號(hào)集〇中(31類別 的訓(xùn)練信號(hào)數(shù)，Id|代表訓(xùn)練信號(hào)集中全體訓(xùn)練信號(hào)數(shù)；
[0038] 步驟2-3-3、以未標(biāo)記觀測(cè)信號(hào)X作為樸素貝葉斯分類器模型的輸入量，得到未 標(biāo)記觀測(cè)信號(hào)X屬于信號(hào)類別Cl的后驗(yàn)概率p(Cl|x)，i= {〇，1，2, "·，?，···，(!}，取概率P(ClIX)最大的信號(hào)類別Cl作為X的類標(biāo)簽。
[0039] 所述步驟2-4具體按如下步驟進(jìn)行：
[0040] 步驟2-4-1、如果未標(biāo)記觀測(cè)信號(hào)X的類標(biāo)簽為故障信號(hào)，使用相似性原則判斷是 否該類別是未知故障類別，如果未標(biāo)記觀測(cè)信號(hào)X的類標(biāo)簽為正常信號(hào)，跳到步驟2-4-2;
[0041] 所述相似性原則是指如果連續(xù)η個(gè)未標(biāo)記觀測(cè)信號(hào)的后驗(yàn)概率最大的信號(hào)類別 的后驗(yàn)概率小于設(shè)定后驗(yàn)概率下限τi，則該類別是未知故障類別，收集從第一次出現(xiàn)屬于 未知故障類別的未標(biāo)記觀測(cè)信號(hào)開始的m個(gè)連續(xù)未標(biāo)記觀測(cè)信號(hào)作為已標(biāo)記的新的故障 類別信號(hào)加入到原來(lái)的訓(xùn)練信號(hào)集中，得到新的訓(xùn)練集信號(hào)，返回步驟2-2 ;如果未出現(xiàn)連 續(xù)η個(gè)未標(biāo)記觀測(cè)信號(hào)的后驗(yàn)概率最大的信號(hào)類別的后驗(yàn)概率小于設(shè)定后驗(yàn)概率下限τp 跳到步驟2-4-2;
[0042] 步驟2-4-2、將P(X|ci)的后驗(yàn)概率熵作為不確定性指標(biāo)，檢測(cè)未標(biāo)記觀測(cè)信號(hào)： 如果未標(biāo)記觀測(cè)信號(hào)的不確定性指標(biāo)大于閾值τu，則標(biāo)記這個(gè)后驗(yàn)概率最大的信號(hào)類別 作為該信號(hào)的類標(biāo)簽，加入到原來(lái)的訓(xùn)練信號(hào)集中，得到新的訓(xùn)練信號(hào)集，返回步驟2-2; 如果未標(biāo)記觀測(cè)信號(hào)的不確定性指標(biāo)u小于等于τu，則返回步驟2-2。
[0043] 有益效果：
[0044] 本發(fā)明克服了化工過(guò)程中很難收集到全部的故障類型數(shù)據(jù)的困難，根據(jù)有限數(shù)量 的已標(biāo)記的數(shù)據(jù)和大量未標(biāo)記的觀測(cè)數(shù)據(jù)，建立樸素貝葉斯分類器再利用主動(dòng)學(xué)習(xí)方法尋 找未標(biāo)記觀測(cè)信號(hào)中的有用樣本，然后重新訓(xùn)練樸素貝葉斯分類器，使其可以發(fā)現(xiàn)新的故 障類型和改善分類精度。
【附圖說(shuō)明】
[0045] 圖1為本發(fā)明一種實(shí)施例的TEP工業(yè)過(guò)程示意圖；
[0046] 圖2為本發(fā)明一種實(shí)施例的基于主動(dòng)學(xué)習(xí)的化工過(guò)程故障監(jiān)控方法流程圖；
[0047] 圖3為本發(fā)明一種實(shí)施例的傳統(tǒng)樸素貝葉斯分類器方法和基于主動(dòng)學(xué)習(xí)的化工 過(guò)程故障監(jiān)控方法的準(zhǔn)確率示意圖。
【具體實(shí)施方式】
[0048] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】做詳細(xì)說(shuō)明。
[0049] 如圖1所示，本實(shí)施方式的基于主動(dòng)學(xué)習(xí)的化工過(guò)程故障監(jiān)控方法應(yīng)用于 TennesseeEastmanProcess(TEP)過(guò)程中；TEP工業(yè)過(guò)程由美國(guó)伊斯曼