[发明专利]一种工业过程变量趋势异常检测方法及装置

说明书

本发明涉及一种工业过程变量趋势异常检测方法及装置，通过实时采集某一个工业过程变量的数据，利用变量数据在长时间段具有一定变化趋势的特点、在短时间段具有随机波动的特点，分别建立长周期均值和短周期均值，构造趋势特征量，根据不同采集点的趋势特征量自适应的设定阈值上下限，当某一采集点的趋势特征量超出该采集点对应的阈值上限和阈值下限的范围时，判定该趋势变量对应的工业过程变量趋势异常。本发明的原理简单，不需要对历史数据进行训练，只需对实时采集的数据进行简单的统计处理，就能够由趋势特征变量的变化来反映工业参数的异常变化特征，并且用于判定异常的阈值设定是根据当前采集点能自适应变化的，具有较强的自适应能力。

技术领域

本发明属于工业生产过程中生产安全监控技术领域，具体涉及一种工业过程变量趋势异常检测方法及装置。

背景技术

在工业生产过程中，尤其是对于石化、冶金、石油钻井等工业流程，大量存在由模糊性因素、随机性因素和不确定性因素导致的设备故障、工艺异常等状况，一旦发生事故，将造成资金和时间上的巨大浪费和损失。一般地，流程工业中故障的发生和发展是一个复杂的多因素过程，难以用经典的数学模型进行描述和预警，目前大多数都是通过模糊模型、专家系统等构造预警模型来完成故障的推理判断，而要实现这一切的基础是能够对工业过程变量参数的异常进行有效的检测。

正常情况下，工业过程中的主要变量参数变化趋势比较平稳，而当主要变量参数发生明显的趋势变化时，往往意味着过程变量参数发生了异常变化，这有可能是某些设备故障、工艺异常造成的，如钻井中的井漏、溢流、卡钻现象，再如水泥窑生产中预热器管路问题等。及早的检测并发现过程变量参数的异常变化，对系统的故障预警预测至关重要。

工业过程中有一类过程变量参数的异常是经过一个缓慢变化的过程发生的，如钻井工程中的井漏、钻具刺漏等工程异常现象，这些现象都有一个积累、发展、扩大的过程，表现在变量上是如总池体积、立压、出口流量等数据的趋势性异常变化，同时这些变量还伴有随机变化、随机干扰等问题，因此不仅需要对变量的趋势性变化进行检测，还需要克服随机干扰等问题；再比如医药工业中反应釜中温度压力的异常变化，也是有一个积累、超限的过程。

针对上述类型变量参数的趋势性检测方法，其设计原则是：计算简便，不需要复杂的模型，能够克服野点所带来的影响，设定参数尽可能少。

目前，工业生产中的参数异常检测主要有两种方式：

一种是对特定参数增加专用的检测装置进行判断，如钻井液量智能判断装置及溢流和井漏智能预警系统，井漏漏失速度和漏失层位测量仪，及钻井井涌井漏实时监测系统等；另一种是通过传感器采集数据，利用统计模型、神经网络模型等方法进行分析处理。现有的这些方法都存在着以下问题：

第一，未考虑特征量基线漂移。在某些生产过程中，工艺参数的基准值并不是稳定不变的，而是会随着工艺的进行发生变化。如在石油钻井过程中，随着钻井深度的增加，钻井工程参数的正常基准值也会随之相应发生变化(即所谓的基线漂移)，如果不考虑这一点则无法实现对参数异常的检测。

第二，特征量的阈值设定不具有自适应能力。阈值的设定是判断参数异常的关键环节之一，由于生产过程的复杂性，现有技术通常是采用人工设定的方法确定阈值，缺点是不能自适应的确定阈值以反映现场生产过程。

第三，特征量的趋势判断(即工业变量参数变化异常的检测)采用最小二乘法进行拟合，通过误差进行趋势异常判断，其准确性较差，存在严重误报、漏报问题。

第四，使用的神经网络模型、贝叶斯模型需要大量的历史数据进行训练，但是对于不同环境、不同工艺下的对象，比如对于不同地址条件的钻井、甚至是同一口钻井的不同深度，其数据都会有较大差异，由此造成神经网络模型的适应能力较差，需要频繁获取数据进行训练，导致适用性不足的问题。

发明内容