[发明专利]一种确定复杂工业过程中关键变量因果关系的方法

说明书

本发明公开了一种确定复杂工业过程中关键变量因果关系的方法，通过对工业过程中待确定因果关系的关键变量的历史数据采用伪近邻思想计算每个关键变量的最佳时序嵌入维度；针对两两关键变量，假定因果关系，以假定因变量的最佳时序嵌入维度为标准，构造两个关键变量的时序重构流形，利用收敛交叉映射算法计算两者间的收敛交叉映射能力；基于蒙特卡洛模拟确定CCM的能力判定阈值，以此判定关键变量间假定因果关系的正确性，从而构建工业过程中关键变量的初步因果关系网络；利用时滞检测方法修正初步因果关系网络，得到最终关键变量因果关系网络。本发明充分利用生产离线数据，对生产过程无干扰作用，提高了安全性和经济效益。

技术领域

本发明涉及工业过程异常工况诊断与溯因分析中的关键变量因果关系分析等技术领域，具体涉一种确定复杂工业过程中关键变量因果关系的方法。

背景技术

在石油炼制、钢铁冶炼等大型复杂工业系统，流程中运行变量较多，各变量之间耦合严重，集成度高。例如，加氢裂化过程是石油炼制流程中一个子过程，是氢气在较高压力和温度下经催化剂作用使重质油发生加氢、裂化和异构化反应转化为轻质油的加工过程，主要包括加氢精制反应、加氢裂化反应、高低压分离以及分馏系统这四个重要部分。加氢裂化的工业过程作为这类典型的庞大而复杂的流程工业，具有流程长、变量多、工况多以及非线性的特点。当流程中一个关键变量出现异常时，可能会引起相关变量出现异常，从而导致整个流程出现波动，然而操作人员根据经验得到的结果往往无法及时并准确地定位到异常发生的原因，使工业过程长时间处于非优状态，造成资源能源的浪费。

在异常工况诊断研究中，有关学者提出了基于定性模型、基于定量模型及基于数据驱动的方法。其中，基于定量模型和定性模型是从对流程物理特性的基本理解发展而来，依靠模型的先验知识，但它只适用于机理明确的工业过程。目前，在流程工业中存有海量的历史数据，因而基于数据驱动的诊断方法对比其他两类方法具有明显的优势，而通过这类方法分析异常传播路径、定位异常原因的核心是寻找变量之间的因果关系，但是由于工业过程中变量具有非线性、耦合严重等特性，变量之间即使存在相关性也不能保证变量之间存在因果关系，给流程中变量间的因果关系识别带来了挑战。

针对上述挑战，目前已有不少学者从不同角度出发提出了一些解决方法。格兰杰提出的Granger因果关系检验主要适合于变量之间存在线性相关性，同时还要求测试的两个变量相互独立，但是该方法对于耦合动态系统不适用，虽然一些学者改进并提出了非线性Granger因果关系分析方法，但是该方法在不可分离非线性动态系统中测试失败。互相关函数(Cross Correlation Function)通过计算变量之间最大CCF值得到时间延迟来确定信号的因果关系，但是这个方法适用于线性系统，对于非线性系统计算结果不能保证准确性。Schreiber提出的传递熵(Transfer Entropy)算法来判断因果关系虽然对非线性和线性系统都能适用，但是不仅对参数改变敏感，而且计算量大、实现相对困难，同时结果计算的准确性与概率密度函数的估计密切相关，因此要求数据具有时间稳定性。此外，还有学者提出通过输入激励信号来监测模型的变化，但是这类方法对于实际工业流程来说，不仅难以设计激励信号，而且加入的激励信号本身会影响工业流程的正常运行。

针对上述方法的局限性以及复杂工业过程的实际特点，亟需提出一种用于确定复杂工业过程中关键变量间因果关系的方法。考虑Sugihara等提出的收敛交叉映射(CCM)方法不仅适用于非线性、中强耦合的复杂系统，而且计算方便参数选择量少的特点，本专利采用收敛交叉映射(CCM)的思想确定关键变量间的因果关系。然而由于CCM初始应用于生态系统，并没有对时序嵌入维度的选择进行讨论，而且对于具有高维空间的复杂工业过程，依据人工经验选择嵌入维度和CCM能力判定阈值无法确保结果的准确性，并且很难实现自动监测。因此本专利通过改进CCM方法确定复杂工业过程中关键变量间因果关系的方法，最终形成关键变量的因果关系网。

发明内容