中文題目：基于功率譜密度與統計特性的工藝參數波動異常診斷方法

論文題目：The Abnormal Diagnosis Method for Process Parameter Fluctuation Based on Power Spectral Density and Statistical Characteristics

錄用期刊/會議：【IET Signal Processing】 (中科院大類四區)

錄用/見刊時間： 2025.2.14

作者列表：

1）王   珠 中國石油大學（北京）人工智能學院 自動化系教師

2）湛嘉樂 中國石油大學（北京）人工智能學院 控制科學與工程專業 碩22級

3）鄭慶河 山東管理學院 智能工程學院 教師

4）張少康 中國石化石家莊煉化公司電氣儀表部 經理

摘要:

本文提出了一種基于功率譜密度與統計特性結合的方法，能夠快速準確地診斷工藝參數的大幅度異常趨勢和短時非平穩異常趨勢。首先，該方法使用了關鍵工藝參數歷史增量數據進行波動性分析。其次，將關鍵工藝參數的歷史數據劃分為多個適當長度的數據，采用功率譜密度和統計特性的聯合分析，對大規模增量數據進行特征提取。同時，本文設計了一種能用于測試和在線診斷的關鍵頻率及其閾值等超參數調試方案。采用國內煉化廠實際關鍵工藝參數數據進行實驗驗證，實驗結果表明，該方法能夠發現工藝參數的大幅度異常趨勢和短時非平穩異常趨勢，具有良好的診斷效果。

背景與動機:

煉油化工生產過程中的報警系統一般為針對參數的集中報警管理。而對單一關鍵工藝參數進行及時報警，解決緊急情況下的提前操控維護問題研究甚少。因此，針對工藝參數波動性進行診斷與報警，正好彌補了這方面的不足，在觸發報警線之前的波動性報警能起到工藝預警的作用，這對現場的緊急處置以及巡檢維護而言，是具有及時性、提前性的關鍵作用。

設計與實現:

本文數據預處理方法是先對實際數據進行增量計算，增量數據作為異常診斷方法的數據基礎，下式是某一關鍵工藝參數所有的增量數據集合。

關鍵工藝參數數據集有的數據長度多達上千萬，但實際生產過程中為了及時獲取數據的異常情況，往往是對一段時間的數據進行異常檢測，所以要對時序數據進行分段處理，分段時序增量數據表達式如下。

 

對分段時序增量數據進行功率譜密度處理，每一段數據的功率譜密度值按照列的順序排列為矩陣得出功率譜密度矩陣。

 

將同一頻率處的各功率譜密度值按照正態分布進行分布擬合，采用極大似然估計的方法可以得到功率譜密度值的概率分布函數，得出正態分布擬合后的均值和方差。

 

圖1 基于功率譜密度與統計特性的數據聯合分析

主要內容:

1.離線訓練階段

在離線訓練階段獲取合適的分段長度，以確保訓練過程能充分學習到數據的有效特征。取不同的分段可以得到不同的總的對數聯合概率密度，總的對數聯合概率密度表示擬合程度的優劣，其中最大的總對數聯合概率密度所對應的分段數即為最優長度。

 

圖2 離線訓練階段流程圖

2.離線測試階段

在離線測試階段通過引入專家經驗，結合訓練階段的最優分段數，進行超參數調試，并將其調試過程總結成合適的流程。通過設計該調試流程，不僅可以發現實際生產數據的異常信息，還可以降低異常診斷算法的誤報率和漏報率，以下是離線測試階段的參數調試流程。

通過參數調試算法尋找能夠檢測出所有異常的頻率值，運用它們之間的排列組合，提高發現異常數據的精準率，得出最優的診斷頻率組合和報警閾值。

3.在線診斷階段

根據離線訓練階段的工作，已經得出了最優段長及其對應的均值與方差。而在離線測試階段中獲取到了特征頻率組合和閾值等參數。在線診斷階段則是通過數據接口獲取這些參數值，對在線數據進行異常診斷。在線過程異常診斷思路為：

圖3 在線診斷階段流程圖

實驗結果及分析:

采用國內兩個化工廠的實際生產數據，進行正異常數據的功率譜密度計算以及在線數據異常檢測。選取工藝參數PIC3422進行在線異常診斷，實驗結果如下，圖中每5秒為一個時刻，藍色實線為關鍵工藝參數實際運行數據，紅色虛線為報警位置。

圖4 PIC3422.PV的異常診斷結果

PIC3422.PV工藝參數診斷結果如圖4所示。在圖4(a)中，工藝參數在1256832時刻發生大幅度異常趨勢報警；在圖4(b)中，工藝參數在2082432時刻發生短時非平穩異常趨勢報警。工藝參數PIC3422.PV的數據在2.0范圍變化，在圖4(a)中工藝參數從穩定值附近迅速下落至0，屬于大幅度異常趨勢；而在圖4(b)中工藝參數在2.0附近小幅變化，但相對于鄰近時刻的數據來說，存在不平穩的數據波動變化，屬于短時非平穩異常趨勢。

結論:

本文介紹了一種基于功率譜密度和統計特性的工藝參數波動異常診斷方法。文章提出使用工藝參數歷史增量數據對歷史數據進行分析，以獲取其對應的波動性信息。其次，提出了一種基于功率譜密度與統計特性相結合的分析方法，在分析數據統計特性的同時提出選擇關鍵頻率組合進行異常檢測，增強異常數據特征與正常數據特征的區分度。最后，我們設計出一種用于該方法的參數調試流程，通過該流程進行參數調試，提升報警信息的準確性和及時性。最后，根據國內某兩個化工廠的實際生產過程數據進行驗證，實驗結果表明，本文提出的方法可以有效地診斷出工藝參數的大幅度波動和短時非平穩異常趨勢，與其他異常診斷方法對比，本文提出的方法在實驗效果上均優于其他方法。

作者簡介:

王珠，男，博士，中共黨員，現任中國石油大學（北京）副教授、碩士生導師。2016年至今在中國石油大學（北京）自動化系工作，現任中國自動化學會人工智能技術與工業應用專業委員會委員、中國化工學會信息技術應用專業委員會青年委員、北京人工智能學會理事。

在科研與社會服務方面，研究興趣為系統辨識與智能控制、煉化過程動態異常診斷與故障預警、大數據質量預測與綜合優化。近年來，主持重點流程工業企業的智能報警項目數項以及國家自然科學基金，已發表高水平學術論文30余篇。