[发明专利]一种化工园区重大危险源动态预警方法

说明书

本发明涉及一种化工园区重大危险源动态预警方法。本发明采用平行坐标方法对重大危险源中关键环节参数的相关变量进行相关性分析，将筛选出的强相关性变量作为输入变量，在预测之前再利用主成分分析方法，对强相关性变量进行降维。利用递归神经网络动态预测关键生产环节变量。之后利用各关键参数的动态预测结果做危险等级评估。本发明是针对化工园区危险源动态预警中的一些难题提出的一种动态预测预警的方法，该方法具有开放性、鲁棒性、并行性、灵活性、以及对问题的数学形式无特殊要求等特点。

技术领域

本发明属于信息与控制技术领域，涉及到自动化技术，特别是涉及一种化工园区动态预警方法。

背景技术

近年来，随着人们对化工产品需求的提高，化工生产过程正朝着大型化、综合化和复杂化的方向发展，大规模的化工园区成为了我国一种新型的化工生产模式。化工生产过程有着复杂度高、关联性强、生产流程长、设备众多等工艺特点，是一个多变量、系统强耦合、时变、大滞后的过程系统。由于设备发生故障、生产装置老化、人员操作错误、原料特性以及外部环境变化等，工业过程变量会偏离目标值，引发一系列故障。如果不能及时处理，将给工厂生产带来不可避免的经济损失，甚至引起重大安全事故。因此，如果能对故障进行提前的预测预警，便可以防患于未然，在事故发生前部署人员和物资，将事故发生的概率降到最低。

化工生产过程是一个由大量相互关联的变量组成的多变量过程。当一个变量受到干扰而发生变化时，其他的关联变量也会出现一定程度的变化。因而当工业过程某一个设备出现故障或某一个参数由于扰动而发生波动时，就会由于变量间的相关联性使得其他变量出现一系列的变化，所以需要考虑一种可以分析变量相关性的模型。

在化工园区动态预警系统中，预测快速性、预测精度、预测稳定性决定了动态预警系统的性能。目前，化工园区内重大危险源的实时监控，对实时救援与动态救援物资配置有着重要作用。化工园区内重大危险源的实时预测，对提前部署救援物资、安排安全人员排除险情有着重要意义。

目前，化工园区动态预警普遍存在的问题是：1.预测速度较慢，传统方法通常没有考虑化工关键参数之间的相关性，在进行数据分析时，将生产系统内所有变量一并进行统计分析，这势必会增加计算的复杂度。本方法采用平行坐标方法对重大危险源中关键环节参数的相关变量进行相关性分析，将筛选出的强相关性变量作为输入变量，在预测之前再利用主成分分析方法，对强相关性变量做进一步降维处理，这样的方法在保证预测精度的情况下大大简化了后期预测的复杂度，提高了后期算法的预测速度。2.传统的预测方法多采用支持向量机、BP神经网络、概率模型作为预测方法，这些方法只能进行静态的预测，对于工业过程动态预警并不适用，因为将动态时间建模问题转变为静态空间建模问题,势必会导致预测精度的下降。本方法的预测模型采用Elman神经网络，该网络内部具有反馈环节,能够记忆上一时刻输入系统化工生产过程相关性变量的状态信息,能够表达输入与输出之间在时间的延迟,使系统具有适应时变特性的能力3.传统的预测方法通常只考虑了对关键参数的预测，没有将关键参数的预测与重大危险源的动态预警联系起来。本方法将动态预警做了危险等级评估，将评价指标分为了两个层次。第一层是对重大危险源的生产过程中关键生产环节赋予评分，该评分是依据关键生产环节危险程度确定的评估系数。第二层是对每个关键环节参数按照权重进行分配，最终确定危险源的风险等级，因关键生产环节相关参数可以实现动态预测，所以确定的危险源风险等级可以作为动态预警的结果。

发明内容

本发明针对现有技术的不足，提出了一种化工园区重大危险源动态预警方法。

本发明的技术方案是将危险源动态预警问题转换成危险源中关键环节参数预测问题，然后对预测的各个关键参数进行危险等级评估，在筛选强相关性变量时结合了平行坐标方法和主成分分析，之后将降维处理过多强相关性变量输入Elman神经网络进行预测运算，从而简化了神经网络的计算复杂度，确保预测的时效性。之后对危险源进行了动态危险等级评估。最终确立了一种化工园区重大危险源动态预警方法。

一种化工园区重大危险源动态预警方法，该方法的步骤包括：