一种基于在线采样数据驱动的精馏过程实时监测方法

本发明涉及一种化工过程运行状态监测方法，特别涉及一种基于在线采样数据驱动的精馏过程实时监测方法。

精馏塔广泛应用于石化行业，其主要作用是实现物质的气液分离，对精馏塔的控制与优化已于近年来得到了长足的发展。从保证生产的稳定性而言，精馏塔实现物质的分离起到了衔接的关键性作用。因此，维持精馏塔工作在期望的正常工况下是非常重要的，因为它会直接影响后续的加工工序。近年来，在智能制造的大背景下，利用化工大数据实现智能化工生产已越来越受到企业界和学术的关注。数据驱动的过程监测方法就是利用采样数据的特征变化来识别故障工况与正常工况。对精馏塔而言，主要涉及到的测量仪表包括流量、各塔板层的温度，冷却水进料流量温度等，这些数据信息的异常变化都能昭示精馏塔设备偏离了正常工况而进入故障工况。值得注意的是，这里的故障工况是指不在期望状态下的工作狂态，当然同样包括设备故障因素等等。

数据驱动的过程监测方法已经广泛应用于机械制造、生物化工、医药等行业。现已经建立起了一套以主成分分析(Principal Component Analysis，缩写：PCA)为基础的方法技术框架。数据驱动的过程监测技术的本质就是通过对采样数据的特征挖掘，提取有用的潜藏特征，并通过监测潜藏特征的变化来反映是否进入故障工况。因此，如何提取有用的潜藏特征成为这类方法技术能否成功检测出故障工况的关键。纵观已有的专利与科研文献，都是通过特定的算法挖掘出正常工况数据潜藏的特征，如方差，局部近邻结构，非高斯特征等等。然而，这些数据特征是否在过程监测中发挥作用就无从得知了。这主要是因为正常工况数据充裕而故障数据严重缺乏，我们似乎只能能对正常数据进行特征分析与提取。

从数据驱动的过程监测方法，特别是统计过程监测方法的实施思路来看，一般都是通过投影变换向量对采样数据进行变换得到相应的特征成分，然后利用距离(比如平方马氏距离或平方欧式距离)构造监测指标来监测特征成分的变化。若是监测指标数值超出一定的阈值，则判断出现故障。从这个角度出发，监测指标的数值越大，就越能区分出正常与故障之间的差异。因此，虽然正常工况数据充裕而故障数据缺失，但依旧可以通过在线实时测量得到的数据驱动相应的特征分析与提取，从而使用最有利的特征变换来实现对过程运行状态的监测。

本发明所要解决的主要技术问题是：如何根据在线采样数据实时驱动特征变换任务，从而使用最有代表性的特征实现对精馏塔的运行状态实时监测。具体来讲，本发明方法不采用固定的投影变换向量提取特征，而是利用在线数据去实时驱动特征分析与提取。

本发明方法解决上述问题所采用的技术方案为：一种基于在线采样数据驱动的精馏过程实时监测方法，包括以下步骤：

步骤(1)：利用精馏塔设备所安装的测量仪表，在精馏塔正常运行状态时采集N个样本数据x1，x2，…，xN，其中第i个采样时刻的样本数据xi∈Rm×1由m个采样数据组成，具体包括：塔釜液位、塔釜压力，塔釜底部产品流量，进料流量，进料温度，顶部回流流量，冷凝器液位，和各塔板层的温度，Rm×1表示m×1维的实数向量，i∈{1，2，…，N}。

步骤(2)：对N个样本数据x1，x2，…，xN实施标准化处理，得到N个m×1维的数据向量并将其组建成矩阵后计算基矩阵C＝(XXT)-1/2，其中，上标号T表示矩阵或向量的转置。

至此，离线建模阶段已完成。也就是说本发明方法的离线建模阶段只涉及两个任务：正常工况的数据采集与标准化处理。接下来就是根据在线新测量得到的数据实时驱动特征分析与提取任务。

步骤(3)：在最新采样时刻t，利用精馏塔设备所安装的测量仪表测量得到由m个采样数据组成的数据向量xt∈Rm×1，并对其实施与步骤(2)中相同的标准化处理，得到新数据向量

步骤(4)：根据公式计算矩阵G后，再求解G最大特征值所对应的特征向量p∈Rm×1。

值得指出的是，步骤(4)中求解特征值问题实际上是求解如下所示优化问题的最优解：

上式中，正常工况数据经投影变换向量w变换后，方差或长度为1。而目标函数旨在使在线采样的数据向量经同样的投影变换后，距离远点越远越好。换句话讲，就是尽可能的将在线数据与正常工况数据拉开，这样可以提取到最适合监测故障的特征成分。

上式①的优化求解可通过经典的拉格朗日乘子法完成，需要先引入中间量p＝(XXT)1/2w进行过渡，并且注意其中tr()表示求括号内矩阵的迹。

此外，求矩阵G最大特征值所对应的特征向量可通过数值解法实现，具体介绍如下。

步骤(4.1)：初始化特征向量p为任意m×1维的实数向量。

步骤(4.2)：根据公式p＝Gp更新特征向量p后，对其进行归一化处理p＝p/||p||，其中||p||表示计算特征向量p的长度。

步骤(4.3)：判断特征向量p是否收敛；若是，则得到G最大特征值所对应的特征向量p∈Rm×1；若否，则返回步骤(4.2)。

步骤(5)：根据公式w＝Cp计算投影变换向量w∈Rm×1后，再计算监测指标向量D＝diag{XTwwTX}，并确定出D中的最大值Dmax。

步骤(6)：根据公式计算监测指标Dt，并判断是否满足Dt≤Dmax？若是，则当前采样时刻精馏塔运行正常，返回步骤(3)继续实施对下一最新采样时刻样本数据的运行状态监测；若否，则执行步骤(7)从而决策是否识别出现故障。

步骤(7)：返回步骤(3)继续实施对下一最新采样时刻样本数据的运行状态监测，若连续3个采样时刻的监测指标都不满足步骤(6)中的判断条件，则精馏塔进入故障工况并触发故障报警；否则，返回步骤(3)继续实施对下一最新采样时刻的运行状态监测。

与本发明方法的优势与特点如下所示。

首先，本发明方法实施非常简单明了，且几乎没有离线建模阶段。因为离线建模阶段主要涉及标准化处理和基矩阵的计算。其次，本发明方法针对每个在线测量的样本数据，寻最能区分其与正常工况数据的投影变换向量。从这点上讲，本发明方法提取的特征成分是最利于监测故障数据的。最后，通过接下来的具体的实施案例，验证本发明方法在监测精馏塔上的优越性。

图1为本发明方法的实施流程示意图。

图2为精馏塔设备的实景图和组成结构示意图。

图3为本发明方法在监测精馏塔运行状态的实施监测对比图。

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种基于在线采样数据驱动的精馏过程实时监测方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。

从图2中的精馏塔实景图可以看出，精馏塔设备不单只是单独的一个精馏设备，在底部还有配套的再沸器，顶部配套有冷凝器。从图2中的结构示意图中可以看出，该精馏塔设备测量仪表包括：流量仪表，温度仪表，液位仪表三类，对应测量的变量有17个，具体包括：塔釜液位、塔釜压力，塔釜底部产品流量，进料流量，进料温度，顶部回流流量，冷凝器液位，以及每层塔板的温度(总计有10层)。

步骤(1)：利用精馏塔设备所安装的测量仪表，在精馏塔正常运行状态时采集N＝1000个样本数据x1，x2，…，x1000。

步骤(2)：对1000个样本数据x1，x2，…，x1000实施标准化处理，对应得到1000个17×1维的数据向量并将其组建成矩阵后，再计算基矩阵C＝(XXT)-1/2。

离线建模阶段完成后，即可按照如下所示步骤不间断的对精馏塔实施在线状态监测，需要利用每个新采样时刻的样本数据。

步骤(3)：在最新采样时刻t，利用精馏塔设备所安装的测量仪表测量得到由m个采样数据组成的数据向量xt∈Rm×1，并对其实施与步骤(2)中相同的标准化处理，得到新数据向量

步骤(4)：根据公式计算矩阵G后，再求解G最大特征值所对应的特征向量p∈Rm×1。

步骤(5)：根据公式w＝Cp计算投影变换向量w∈Rm×1后，再计算监测指标向量D＝diag{XTwwTX}，并确定出D中的最大值Dmax。

步骤(6)：根据公式计算监测指标Dt，并判断是否满足Dt≤Dmax？若是，则当前采样时刻精馏塔运行正常，返回步骤(3)继续实施对下一最新采样时刻样本数据的运行状态监测；若否，则执行步骤(7)从而决策是否识别出现故障。

步骤(7)：返回步骤(3)继续实施对下一最新采样时刻样本数据的运行状态监测，若连续3个采样时刻的监测指标都不满足步骤(6)中的判断条件，则精馏塔进入故障工况并触发故障报警；否则，返回步骤(3)继续实施对下一最新采样时刻的运行状态监测。

将传统的主成分分析(PCA)与独立成分分析(ICA)同样用于监测精馏塔的运行状态，本发明方法与PCA和ICA的监测对比图如图3所示。实施在线监测时，刚开始一段时间精馏塔设备运行正常，之后精馏塔顶部冷凝器冷却水的阀门出现粘滞故障，从图3中可以发现，本发明方法对故障工况数据的监测更为敏感。这主要是因为本发明方法能在线提取最利于故障监测的特征成分。

上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。