[发明专利]基于即时学习思想的工业过程运行状态在线评价方法

说明书

本发明公开了一种基于即时学习思想的工业过程运行状态在线评价方法，该方法针对过程特性动态变化、建模数据量小的工业过程运行状态评价问题；首先，根据在线测试数据，建立建模数据选择部分的优化目标；然后，建立状态评价部分的优化目标；利用进化优化算法求解目标函数，同时得到建模数据和评价模型；最后，利用所建立的评价模型和基于贝叶斯后验概率的评价指标，得出运行状态评价结果。本发明同时考虑了建模数据和评价模型建立，同时求解两部分优化目标，以期获得全局最优解。本发明以更精细化的建模手段提高了运行状态评价的准确性，最终可应用于实际工业生产现场，确保动态变化、建模数据量小的工业过程高效及经济运行。

技术领域

本发明属于工业过程运行状态在线评价领域，尤其涉及一种基于即时学习思想的工业过程运行状态在线评价方法。

背景技术

为了获得更高的企业综合经济效益，工业生产过程运行状态优性评价作为一个新兴的研究课题，在近些年来逐渐受到学术界和工业界的关注。不同于以区分过程运行“正常”或“故障”为目的过程监测问题，过程运行状态优性评价是指在过程运行正常的基础上，进一步判断过程运行状态的优劣等级，有助于企业管理者和生产操作人员实时掌握生产过程运行水平，及时发现非优的生产运行状态，并根据非优原因分析结果对后续的生产进行及时的调整和改进。但是，实际工业过程通常处于动态变化中，并且建模样本量不足以覆盖所有工况。若采用传统的统一建模方法，可能导致微小特性被掩盖，导致实际工业过程的统计分析及在线评价面临挑战。因此，可以利用即时学习的思想，在线选取有利于当前样本等级判断的数据，并建立即时学习模型，实现运行状态的评价。但是，尚未有公开发表的工作将即时学习思想应用于运行状态评价中。

为解决工业过程运行状态评价问题，Liu等提出了基于主成分分析法(PrincipalComponent Analysis,PCA)和多集合主成分分析法的运行状态最优性在线评价方法，但此类方法并没有考虑过程变量与评价指标之间的关系。基于指标预测的评价方法，虽避免了此问题，但所需数据量非常庞大。概率框架下的性能评价方法，通常可以解决多元统计方法难以避免的硬化分问题。基于高斯混合模型(Gaussian Mixture Model,GMM)和贝叶斯理论(Bayesian theory)的评价方法，已广泛应用于性能评价中。基于概率理论的评价方法需要先验知识辅助确定概率密度函数。不同于经典方法过于严苛的要求，智能评价方法，如基于人工神经网络(Artificial Neural Network,ANN)的评价方法，由于其学习能力和非线性处理能力强，受到研究者的青睐。但是，此类方法容易陷入局优，可能出现过拟合现象。

三相流过程随着工况的波动和外界条件的改变，三相流过程具有显著的动态变化特性。三相流态化指装置内同时存在着气、液、固三个相，其中气体和液体并流向上流动，固体粒子为液体所流化，构成连续的流化相，而气体呈鼓泡普遍存在态分散于流化相之中。这种三相流化床强化了气、液相和固体粒子之间的接触；对于强放热反应，也能使床层温度分布均匀。近年来，在甲醇的液相催化合成、石油催化加氢、脱硫、二甲苯液相异构化以及煤液化等近程中，开始采用三相流化床反应器，由于能源开发的需要，三相流化床越来越受到人们的重视。由于设定值的频繁变化，导致三相流过程具有显著动态变化特性，使工业过程运行状态评价面临巨大挑战。

即时学习在线选取有利于当前样本等级判断的数据，并建立即时学习模型，实现运行状态的评价。但是，在传统的即时学习方法中，样本选取和模型建立分开进行，特别是样本量不充足时，所选取的样本不一定适合模型建立，难以建立高精度的评价模型。因此，需要一种更精细化的样本选取和模型建立方法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于即时学习思想的工业过程运行状态在线评价方法。本发明采用进化优化算法，同时完成建模样本选取和模型在线建立两个目标，使得所选取的建模样本具有最好的分类性能，确保工业过程高效、经济运行。

本发明的目的是通过以下技术方案来实现：一种基于即时学习思想的工业过程运行状态在线评价方法，包括以下步骤：