[发明专利]一种化工过程故障识别方法及系统

说明书

本公开提出了一种化工过程故障识别方法及系统，采用应用于标签昂贵的化工故障识别领域，采用动态主动安全半监督支持向量机模型(简称为PCA‑DAS4VM模型)识别化工过程运行状态，将主成分分析方法与动态主动安全半监督支持向量机结合，弥补了传统监督学习对于标签数据数量的要求，提高了半监督学习的识别精度。采用主成分分析方能够消除化工过程噪声和冗余数据，结合历史信息和未来信息进行异常工况故障识别，有效地选择和标记高熵值的无标记数据，充分利用无标签数据提升识别模型性能，实现了高效和完整的进行化工过程故障识别工作，识别准确度更高，识别速度更快有益于推动化工安全的发展。

技术领域

本公开涉及化工过程故障识别相关技术领域，具体的说，是涉及一种化工过程故障识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

根据化工企业中的事故统计分析发现，任何重大事故发生之前，必然会有多个微小异常发生。因此，针对化工过程进行故障识别研究，及时发现潜在的异常状况，对保持化工装置的安全平稳运行具有重要的理论和现实意义。

发明人发现，现有的工艺故障识别方法主要分为：定性模型、定量模型和数据驱动的方法。其中所有的数据驱动故障识别方法中，监督学习技术对于化工过程故障识别展现了良好的识别结果，识别精度达到92％以上。然而，实际化工过程中的标签数据数量往往达不到监督学习的要求，给无标签数据增加标签一般采用人力根据经验添加，标记大量容易收集的无标签化工数据代价也是昂贵的。

半监督学习目前已经应用于多个领域，例如数字识别、情感分类、医学图像分类等等。在一些研究中，传统监督学习对于标签数据数量的要求比较高，在基于相同数量标签数据的情况下，现有的半监督学习方法比监督学习体现出更差的性能。因此，应用半监督学习到化工过程故障识别是一个很少研究的主题。

发明内容

本公开为了解决上述问题，提出了一种化工过程故障识别方法及系统，应用于标签昂贵的化工故障识别领域，将主成分分析方法与动态主动安全半监督支持向量机的结合方法，采用动态主动安全半监督支持向量机模型(简称为PCA-DAS4VM模型)识别化工过程运行状态，弥补了传统监督学习对于标签数据数量的要求，提高了半监督学习的识别精度。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了一种化工过程故障识别方法，包括如下步骤：

实时获取化工生产过程中的运行数据；

对获取的运行数据进行预处理；

采用主成分分析方法选择运行数据中的关键特征数据；

基于半监督学习方法建立动态主动安全半监督支持向量机模型，将关键特征数据输入训练好的动态主动安全半监督支持向量机模型，输出化工过程的运行状态。

进一步地，关键特征数据包括有标签数据和无标签数据，动态主动安全半监督支持向量机模型对关键数据的处理包括采用主动学习方法为无标签数据添加标签的步骤。

进一步地，所述采用主成分分析方法选择运行数据中的关键特征数据，包括如下步骤：

计算预处理后的数据矩阵的特征协方差矩阵及协方差矩阵的特征值、特征向量；按方差贡献率从大到小排序，获得方差贡献率之和超过设定比例阈值的变量作为主成分变量；

根据主成分变量建立主元线性表达式,根据特征值计算各主元线性表达式中主成分变量的系数；

根据主元线性表达式中主成分变量的系数，获得综合得分模型,通过主成分变量的方差计算综合得分模型中的变量系数；

对所得综合得分模型中的变量系数进行归一化，重新确定变量权重；