非高斯動態(tài)高含硫天然氣凈化過程異常檢測與診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于高含硫天然氣脫硫生產(chǎn)過程故障檢測與診斷技術(shù)，涉及一種非高斯動 態(tài)高含硫天然氣凈化過程。
【背景技術(shù)】
[0002] 高含硫天然氣凈化脫硫工業(yè)流程復(fù)雜，過程工藝參數(shù)眾多，受溫度、壓力、流量、設(shè) 備老化和原料氣處理量等不確定因素影響，是典型的復(fù)雜非線性動態(tài)特性化工系統(tǒng)。高含 硫天然氣凈化脫硫過程主要包括以下部分：主吸收塔MDEA溶液吸收酸性組分H 2S和CO2, 水解反應(yīng)器脫除（COS)，再生塔MDEA溶液的循環(huán)再生以及換熱過程，具體工藝流過程如圖 2所示。一旦系統(tǒng)發(fā)生異常，如何及時檢測故障發(fā)生，并追溯工藝操作參數(shù)導(dǎo)致故障發(fā)生原 因，從而為系統(tǒng)故障排查和恢復(fù)提供決策參考依據(jù)，對指導(dǎo)實際工業(yè)生產(chǎn)具有重要的現(xiàn)實 意義。
[0003] 原料氣處理量負荷波動、脫硫單元吸收塔發(fā)泡、硫磺回收裝置硫收率下降是高含 硫天然氣過程常見的三種異常工況。目前高含硫天然氣異常工況檢測與診斷主要依賴現(xiàn)場 生產(chǎn)經(jīng)驗，異常工況發(fā)生機理描述的不夠透徹，缺乏對高含硫天然氣異常工況的檢測與診 斷機制。
[0004] 目前圍繞主元分析的多元統(tǒng)計過程監(jiān)控已取得階段性研究成果。已有針對分析數(shù) 據(jù)維度高、變量互耦合特性，提出基于主元分析的故障檢測與診斷方法。然而主元分析是線 性投影方法，不適用于非線性工業(yè)過程。有引入核映射將低維非線性空間映射到高維線性 空間，提出基于核主元分析的故障檢測與診斷方法。考慮到工業(yè)過程動態(tài)特性，監(jiān)測參數(shù)表 現(xiàn)一定時序自相關(guān)性。通過分析工業(yè)過程自回歸模型，確定模型時滯階次，提出基于動態(tài)核 主元分析的故障檢測與診斷方法，從而實現(xiàn)非線性、動態(tài)工業(yè)過程監(jiān)控。
[0005] 主元分析是基于變量服從高斯分布的假設(shè)提出的數(shù)據(jù)處理手段。然而工業(yè)過程多 為非高斯過程，有通過獨立分量分析進一步提取變量高階統(tǒng)計信息，提出基于獨立分量分 析的故障檢測與診斷方法。以及提出基于核獨立分量分析的故障檢測與診斷方法，實現(xiàn)非 線性、非高斯過程監(jiān)控。然而對于動態(tài)工業(yè)過程時序自相關(guān)性的問題，仍需進一步深入研 究。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)不能及時檢測故障發(fā)生的不足，提供一種非高斯 動態(tài)高含硫天然氣凈化過程，它能夠及時檢測故障發(fā)生，并追溯工藝操作參數(shù)導(dǎo)致故障發(fā) 生原因，從而為系統(tǒng)故障排查和恢復(fù)提供決策參考依據(jù)。
[0007] 本發(fā)明的目的是這樣實現(xiàn)的：
[0008] -種非高斯動態(tài)高含硫天然氣凈化過程異常檢測與診斷方法，按照以下步驟進 行：
[0009] 步驟1 :隨機采集η組高含硫天然氣凈化過程數(shù)據(jù)組成原始測量樣本集X =
[X1, X2,…，Xn] e Rdixn，每個樣本含有N個獨立的高含硫天然氣凈化過程參數(shù)采樣值；
[0010] 步驟2 :對樣本數(shù)據(jù)進行預(yù)處理，選擇最能反映出生產(chǎn)過程實際特性的有效數(shù)據(jù)； 具體為：剔除采集數(shù)據(jù)中缺失參數(shù)的樣本，并保證樣本滿足企業(yè)凈化氣技術(shù)指標(biāo)，得到的數(shù) 據(jù)為X* = [X1, x2,…，xn] e RmXn，η為處理后采集樣本數(shù)量，η < N ;
[0011] 步驟3 :分析步驟2所得的數(shù)據(jù)X*的自回歸模型，確定其動態(tài)時滯階次：
[0012] 3. 1使用最小二乘估計法，對于ρ階自回歸模型有Xt= β Pf1+ β 2xt_2+… + hWh，其中Xt為模型變量，β ，…βρ為模型的回歸系數(shù)，ε t為模型隨機誤差， P為模型階次，使用最小二乘估計法：Y = Χβ + ε，誤差向量為ε = [ ε ρ+1, ε p+2，…ε η]τ， η為觀測次數(shù)；自回歸模型系數(shù)β = [ β i，β 2，…β ρ]，時間排序的樣本ρ階觀測矩陣為： X = [xp, Xlrt，…X1, Xp+1, Xp,…X2,…Xlri, χη_2,…χη_ρ]，P 為模型階次，β 最小二乘解為 β = (XtX)^1XtY ；
[0013] 對于數(shù)據(jù)X*的ρ階自回歸模型為：
[0014] Xt= β …+ 3pxt-p+ε t，
[0015] 其自回歸模型系數(shù)β = [^，β2，…βρ[，其參數(shù)估計殘差平方和為Sp;
[0016] 數(shù)據(jù)X*的P-I階自回歸模型為：
[0017] Xt= β …+ βρ-Α-ρ+1+ε t，
[0018] 其自回歸模型系數(shù)β = [βρ β2，…iVJ，其參數(shù)估計殘差平方和為sp_1;
[0019] 3. 2假設(shè)Hc^bp= 0成立時，可作F分布統(tǒng)計量為
【主權(quán)項】
1. 一種非高斯動態(tài)高含硫天然氣凈化過程異常檢測與診斷方法，其特征在于按照以下 步驟進行： 步驟1 :隨機采集η組高含硫天然氣凈化過程數(shù)據(jù)組成原始測量樣本集X = [Xl，X2，… ，xn] e Rdixn，每個樣本含有N個獨立的高含硫天然氣凈化過程參數(shù)采樣值； 步驟2 :對樣本數(shù)據(jù)進行預(yù)處理，選擇最能反映出生產(chǎn)過程實際特性的有效數(shù)據(jù)；具體 為：剔除采集數(shù)據(jù)中缺失參數(shù)的樣本，并保證樣本滿足企業(yè)凈化氣技術(shù)指標(biāo)，得到的數(shù)據(jù)為 X* = [X1, x2,…，xn] e RmXn，η為處理后采集樣本數(shù)量，η < N ; 步驟3 :分析步驟2所得的數(shù)據(jù)X*的自回歸模型，確定其動態(tài)時滯階次： 3. 1使用最小二乘估計法，對于ρ階自回歸模型有Xt= β …+ Ppxt_p+ ε t， 其中xt為模型變量，β ρ β2，…βρ為模型的回歸系數(shù)，ε t為模型隨機誤差，p為模型階次， 使用最小二乘估計法： Υ = Χβ + ε，誤差向量為ε = [ερ+1，ερ+2，…εη]Τ，η為觀測次數(shù)；自回歸模型系數(shù)β =[β丨，β 2,…β ρ]，時間排序的樣本P階觀測矩陣為：X = [Χρ，Xp-l，…Xl，Xp+l，Χρ，…Χ2,… ^!^???^]，口為模型階次，6最小二乘解為6 =〇^〇14; 對于數(shù)據(jù)X*的P階自回歸模型為： Xt= β lXt-l+^2Xt-2+*** + ^ Pxt-P+ ε f 其自回歸模型系數(shù)β = [ β ρ β 2，…β ρ]，其參數(shù)估計殘差平方和為Sp; 數(shù)據(jù)X*的p-1階自回歸模型為： Xt - β Ixt-1+β 2Xt-2+... + β p-ixt-p+l+ ε t， 其自回歸模型系數(shù)β = [ β i，β 2，…β ρJ，其參數(shù)估計殘差平方和為sp_1; 3. 2假設(shè)Hc^bp= O成立時，可作F分布統(tǒng)計量為F = ISlJin-Ip)選顯著 水平α，以分子自由度1，分母自由度n-p，查表得Fa，如果F>Fa，則表示H tl不成立，p階與 P-I階模型有顯著差別，采用P階；反之，采用P-I階； 步驟 4:形成新的數(shù)據(jù)為 Xh= [X Λ x2h,…，xn_hh] e Rm(h+1) x (n_h)，Xih= [X 1; X1, ，… ，入 1，i-h，人2, i，人2, i_l， ，人2, i_h， ，人m，i，人m，i_l， ，人m，i_h」， 步驟5 :利用KPCA核主元分析對數(shù)據(jù)Xh進行白化處理，提取核主元分量Zfew，并采用 獨立分量分析估計獨立元su; 步驟6 :過程監(jiān)控，計算獨立元Su對應(yīng)的SPE統(tǒng)計量和T 2統(tǒng)計量，并分析與SPE控制 限和T2控制限對比是否超限，若SPE統(tǒng)計量或T 2統(tǒng)計量超限則過程發(fā)生異常工況，否則正 常；所述SPE控制限和T2控制限根據(jù)經(jīng)驗得到，SPE統(tǒng)計量和T 2統(tǒng)計量通過以下公式計算 得到： 利用步驟5得到的獨立元Su計算T 2: T1=StuSu^ 利用投影特征空間矩陣Φ (Xh)計算SPE :
其中，Φ (Xh)內(nèi)積可由投影變換的格拉姆矩陣K= ΦΦΤ計算，V為格拉姆矩陣的特征 向量； 步驟7 :利用T2貢獻圖法實現(xiàn)異常診斷； 將T2統(tǒng)計量對原始變量的一階偏導(dǎo)數(shù)作為衡量原始變量對誘導(dǎo)故障發(fā)生貢獻程度，T 2 統(tǒng)計量對應(yīng)的一階偏導(dǎo)數(shù)最大的原始變量作為誘導(dǎo)故障發(fā)生的原因；核映射矩陣的一階偏 導(dǎo)數(shù)為：
其中V = [Vl，V2，…，vn]，Vi設(shè)定為1其他設(shè)定為0,得到第i個變量在擴展矩陣中的偏 導(dǎo)數(shù)； < 是離線訓(xùn)練Xh中第j個觀測向量；X=是在線監(jiān)測觀測向量；得到核映射矩陣的 一階偏導(dǎo)數(shù)是在線監(jiān)測向量第i個變量對于第j個觀測向量的貢獻：
則T2統(tǒng)計量對數(shù)據(jù)X*的變量X "的一階偏導(dǎo)數(shù)為：
其中，Λ為格拉姆矩陣特征值構(gòu)成對角矩陣。
【專利摘要】本發(fā)明公開了一種非高斯動態(tài)高含硫天然氣凈化過程異常檢測與診斷方法，該診斷方法按如下步驟進行：隨機采集高含硫天然氣凈化過程數(shù)據(jù)組成原始測量樣本集；對數(shù)據(jù)進行預(yù)處理；通過分析工業(yè)過程自回歸模型，確定模型時滯階次，然后將數(shù)據(jù)投影到核獨立元空間，通過監(jiān)控獨立元對應(yīng)的T2和SPE統(tǒng)計量是否超出正常狀態(tài)設(shè)定的控制限實現(xiàn)異常檢測。最后計算T2統(tǒng)計量對原始變量的一階偏導(dǎo)數(shù)，繪制其貢獻圖，從而實現(xiàn)異常診斷。本方法能夠及時檢測故障發(fā)生，并追溯工藝操作參數(shù)導(dǎo)致故障發(fā)生原因，從而為系統(tǒng)故障排查和恢復(fù)提供決策參考依據(jù)，實現(xiàn)非線性、動態(tài)、非高斯過程監(jiān)控。
【IPC分類】G05B23-02
【公開號】CN104656635
【申請?zhí)枴緾N201410849339
【發(fā)明人】張利亞, 李太福, 李景哲, 邱奎, 裴仰軍, 辜小花
【申請人】重慶科技學(xué)院
【公開日】2015年5月27日
【申請日】2014年12月31日