一种乙烯裂解炉的多工况监控方法.pdfVIP

第29卷第9期 计算机与应用化学 V01．29，No．9 and Chemistry September28，2012 2012年9月28日 ComputersApplied 一种乙烯裂解炉的多工况监控方法 王晓阳1，王昕2，王振雷卜，田亮1’3 (1．华东理工大学，化工过程先进控制和优化技术教育部重点实验室，上海，200237； 2，上海交通大学，电工与电子技术中心，上海，200240； 3．中国石化上海石油化工股份有限公司，上海，200237) 摘要：随着进料负荷、产品组分等过程参数的改变，生产过程的工况也随之改变，而传统的基于多元统计过程监控方法 都是假设过程处于单一工况下，因此，将传统方法应用到多工况过程时，往往不能获得很好的监控效果。在对复杂系统 进行监控时，由于过程的非线性，传统的基于线性模型的监控方法由于忽略了系统的非线性特征，监控性能也大打折扣。 本文针对工业过程中的多工况和非线性监控问题，提出了一种基于即时学习(LazyLearning)和Grccdy-SVDD的多工况过 程监控方法。首先使用LazyLearning对过程进行多模型局部建模，获得局部模型输出和过程真实输出的残差，通过对残 差进行监控从而去除多工况的影响。然后用能够很好地处理非线性问题的支持向量数据描述(s、rDD)方法对残差建立过程 监控模型。为了解决SVDD方法用大样本建模时计算复杂度非常高的问题，本文用Greedy方法提取建模数据集的特征样 本用于SVDD建模。最后将上述方法应用在TE模型和乙烯裂解炉的监控上，仿真结果证明了该方法的有效性。 关键词：多工况；即时学习；多模型局部建模：Greedy特征样本提取；支持向量数据描述 277 中图分类号：TP 文献标识码：A 文章编号：1001-4160(2012)09．1119．1122 1 引言 述方法往往收不到很好的监控效果。 为此，本文提出了基于即时学习和Greedy．SVDD的 现代化学工业过程生产规模逐年扩大，一旦某个环 多工况过程监控。并将上述方法应用在乙烯裂解炉监控 节发生故障，会对环境、财产和人员造成巨大损失，因 上，仿真结果证明了该方法的有效性。 此有必要对生产装置进行过程监控，以便及时发现故障 并采取相应措旅I】】。 2基于即时学(Lazy Leaming)的#模型局 经典多元统计过程监控方法都假设整个过程处于单 部建模 一工况。而实际工业过程的工况会随着进料负荷、产品 Lazy Learning(671多模型局部建模方法无需知道系 组分等的改变而变化，因此，将传统的多元统计过程监 统的先验知识，仅利用已存储的输入输出数据，在每个 控方法应用到实际工业过程时往往得不到很好的监控效 采样点处进行局部建模和预测，便可以获得很好的模型 果。 适应性和预测精度。考虑到系统的动态特征，本文将已 目前已有部分学者对多工况条件下过程监控进行了 存储的采样点看作向量，并综合考虑了向量间的距离和 研究。为了解决多工况条件下数据呈多分布问题，赵仕