本發(fā)明涉及工業(yè)生產(chǎn)領(lǐng)域，具體涉及一種識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法和裝置。

背景技術(shù)：

隨著dcs控制系統(tǒng)(集散控制系統(tǒng))和信息化系統(tǒng)的廣泛應(yīng)用，越來越多的過程數(shù)據(jù)被記錄和儲存下來。目前，工業(yè)過程系統(tǒng)已經(jīng)累積和存儲了大量的運行歷史數(shù)據(jù)，通過對工業(yè)調(diào)整過程的分析，可以對工業(yè)系統(tǒng)調(diào)整過程進(jìn)行識別，提取其歷史動態(tài)調(diào)整操作序列，建立工業(yè)過程動態(tài)調(diào)整案例庫。通過對案例庫中每個動態(tài)調(diào)整區(qū)間進(jìn)行綜合評價，得到當(dāng)入口條件或出口產(chǎn)品的需求發(fā)生變化時的歷史最優(yōu)調(diào)節(jié)操作序列，從而建立最優(yōu)動態(tài)調(diào)整的智能決策支持系統(tǒng)，來指導(dǎo)生產(chǎn)。

歷史最優(yōu)動態(tài)調(diào)整操作序列的提取首先需要對動態(tài)調(diào)整區(qū)間進(jìn)行識別。動態(tài)調(diào)整區(qū)間是系統(tǒng)從一種穩(wěn)定運行模式向另一種穩(wěn)定運行模式漸進(jìn)式量變的動態(tài)過程，該過程會有很多變量發(fā)生變化，且變量的變化隨時間方向呈現(xiàn)動態(tài)的漸變趨勢。工業(yè)系統(tǒng)動態(tài)調(diào)整區(qū)間的識別，就是從歷史運行數(shù)據(jù)中，判別出過渡區(qū)間的過程。類似于流程工業(yè)的穩(wěn)態(tài)判別，過渡模態(tài)的識別是識別工業(yè)過程從一種穩(wěn)定運行模式向另一種穩(wěn)定運行模式漸進(jìn)式量變的動態(tài)過程，因此在工業(yè)系統(tǒng)調(diào)整過程識別的問題上，可以借鑒穩(wěn)定運行狀態(tài)的識別方法。

針對穩(wěn)態(tài)檢測的研究，現(xiàn)有技術(shù)主要有基于機(jī)理分析、基于統(tǒng)計理論和基于趨勢提取的三類穩(wěn)態(tài)檢測方法。例如，通常根據(jù)當(dāng)前窗口中數(shù)據(jù)擬合方程的一次項系數(shù)和擬合偏差的標(biāo)準(zhǔn)差，判斷是否穩(wěn)態(tài)；還有以相鄰一段時間內(nèi)的均值和一次擬合系數(shù)作為穩(wěn)態(tài)判別準(zhǔn)則。

但這些研究往往都是針對單一變量的穩(wěn)定性分析的，對于多變量的情況，上述方法僅僅是通過單變量的穩(wěn)態(tài)檢測結(jié)果來合成多變量的穩(wěn)態(tài)結(jié)果。但是許多工業(yè)過程比較復(fù)雜，運行參數(shù)較多，各參數(shù)之間耦合嚴(yán)重，若是選擇關(guān)鍵變量來進(jìn)行過渡過程的識別，則需要較為詳細(xì)的機(jī)理知識，而且由于關(guān)鍵變量數(shù)目也較多，一一進(jìn)行分析會給計算帶來很大負(fù)擔(dān)。因此，上述方法只適應(yīng)于單變量或者變量相對較少的工業(yè)過程，不能很好地解決工業(yè)過程中監(jiān)測變量眾多且耦合性強的問題同時,并且實際過程數(shù)據(jù)中過渡模態(tài)前后數(shù)據(jù)特征不明顯，容易被錯誤識別到穩(wěn)定模態(tài)，會對后續(xù)的分析研究造成較大影響。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的難以對多變量的工業(yè)過程下的動態(tài)調(diào)整區(qū)間進(jìn)行識別以及識別區(qū)間不準(zhǔn)確的缺陷，本發(fā)明提供一種識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法和裝置。

本發(fā)明的一方面提供一種識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法，包括：s1，根據(jù)一段時間內(nèi)的運行參數(shù)的采樣點，通過主成分分析法獲取所述運行參數(shù)的主成分?jǐn)?shù)據(jù)；s2，對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波和擬合處理，獲取擬合曲線；s3，根據(jù)所述擬合曲線，通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點所組成的動態(tài)調(diào)整區(qū)間。

其中，所述步驟s1進(jìn)一步包括：根據(jù)經(jīng)過標(biāo)準(zhǔn)化處理的所述運行參數(shù)獲取數(shù)據(jù)矩陣，根據(jù)所述數(shù)據(jù)矩陣?yán)美鄯e方差貢獻(xiàn)率獲取所述主成分?jǐn)?shù)據(jù)的個數(shù)；根據(jù)所述主成分?jǐn)?shù)據(jù)的個數(shù)和所述數(shù)據(jù)矩陣獲取所述主成分?jǐn)?shù)據(jù)。

其中，所述步驟s2包括：通過帶滑動窗口的中值濾波對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波處理，獲取去噪后的主成分?jǐn)?shù)據(jù)；通過多項式最小二乘法對所述去噪后的主成分?jǐn)?shù)據(jù)進(jìn)行擬合，獲取所述擬合曲線。

其中，所述步驟s3中的通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點包括：根據(jù)所述擬合曲線獲取所述采樣點對應(yīng)的一階導(dǎo)數(shù)以及以所述一階導(dǎo)數(shù)為樣本點的樣本矩陣；根據(jù)所述樣本矩陣，設(shè)定零類和非零類，通過基于密度峰值的k-means算法獲取初始聚類中心；根據(jù)所述初始聚類中心，通過計算所述樣本點至聚類中心的距離進(jìn)行分類，獲取屬于非零類的一階導(dǎo)數(shù)對應(yīng)的時間點。

其中，所述通過基于密度峰值的k-means算法獲取初始聚類中心包括：根據(jù)所述樣本矩陣和預(yù)設(shè)距離，獲取局部密度和高密度距離；根據(jù)所述局部密度和所述高密度距離獲取決策圖，并根據(jù)所述決策圖獲取所述初始聚類中心。

其中，所述局部密度ρ為所述預(yù)設(shè)距離內(nèi)數(shù)據(jù)點的個數(shù)，具體為：

ρ＝∑jχ(dij-dc)；

其中，dc為所述預(yù)設(shè)距離，dij為數(shù)據(jù)點i和數(shù)據(jù)點j之間的距離；當(dāng)x<0時，χ(x)＝1，當(dāng)x≥0時，χ(x)＝0；所述高密度距離δ為數(shù)據(jù)點與密度比所述數(shù)據(jù)點高的最近數(shù)據(jù)點的距離，數(shù)據(jù)點i的高密度距離具體為：

本發(fā)明的另一方面提供一種識別工業(yè)過程動態(tài)調(diào)整區(qū)間的裝置，包括：第一獲取模塊，用于根據(jù)一段時間內(nèi)的運行參數(shù)的采樣點，通過主成分分析法獲取所述運行參數(shù)的主成分?jǐn)?shù)據(jù)；第二獲取模塊，用于對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波和擬合處理，獲取擬合曲線；第三獲取模塊，用于根據(jù)所述擬合曲線，通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點所組成的動態(tài)調(diào)整區(qū)間。

本發(fā)明提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法和裝置，通過主成分分析和聚類處理可實現(xiàn)具有較多運行參數(shù)的復(fù)雜工業(yè)過程動態(tài)調(diào)整區(qū)間獲取，避免單個或幾個運行參數(shù)測量誤差的影響，準(zhǔn)確、有效地識別動態(tài)調(diào)整區(qū)間，不依賴先驗知識，具有工業(yè)適用性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法的流程示意圖；

圖2為本發(fā)明另一實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法的流程示意圖；

圖3為本發(fā)明實施例提供的預(yù)處理后的運行參數(shù)的變化曲線圖；

圖4為本發(fā)明實施例提供的三個主成分?jǐn)?shù)據(jù)擬合前和擬合后的變化曲線圖；

圖5為本發(fā)明實施例提供的基于密度峰值的k-means聚類算法的流程圖；

圖6為本發(fā)明實施例提供的基于密度峰值的k-means聚類算法獲取初始聚類中心的決策圖；

圖7為本發(fā)明實施例提供的加氫裂化反應(yīng)的動態(tài)調(diào)整區(qū)間的示意圖；

圖8為本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的裝置的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

許多工業(yè)系統(tǒng)流程長、操作變量多且耦合嚴(yán)重、加工方案多變、數(shù)據(jù)存在大量噪聲，依靠人工識別或借鑒穩(wěn)態(tài)檢測的方法來識別工業(yè)系統(tǒng)調(diào)整過程不僅工作量較大，且容易對一些調(diào)整過程初期和末期進(jìn)行誤判。因此針對工業(yè)系統(tǒng)動態(tài)調(diào)整過程的識別問題，本發(fā)明實施例提供了一種識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法和裝置。

圖1為本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法的流程示意圖，如圖1所示，該方法包括：s1，根據(jù)一段時間內(nèi)的運行參數(shù)的采樣點，通過主成分分析法獲取所述運行參數(shù)的主成分?jǐn)?shù)據(jù)；s2，對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波和擬合處理，獲取擬合曲線；s3，根據(jù)所述擬合曲線，通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點所組成的動態(tài)調(diào)整區(qū)間。

在步驟s1中，主成分分析也稱主分量分析，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)(即主成分)，其中每個主成分都能夠反映原始變量的大部分信息，且所含信息互不重復(fù)。具體地，在本步驟中，首先對工業(yè)工程的多個運行參數(shù)進(jìn)行采集，然后使用主成分分析方法對多個運行參數(shù)進(jìn)行處理，得到數(shù)量與運行參數(shù)相比減少的主成分?jǐn)?shù)據(jù)。

在步驟s2中，濾波是指由于工業(yè)控制對象的環(huán)境較為惡劣，干擾源較多，如強電磁干擾、環(huán)境溫度變化較大等，因此為了減少對采樣值的干擾，提高系統(tǒng)的性能，通常在進(jìn)行數(shù)據(jù)處理之前對采樣值進(jìn)行濾波處理；擬合是指已知某函數(shù)的若干離散函數(shù)值{f1,f2,…,fn}，通過調(diào)整該函數(shù)中若干待定系數(shù)f(λ1,λ2,…,λn)，使得該函數(shù)與已知點集的差別最小，通過擬合可以將平面上一系列的點用一條光滑的回歸曲線連接起來。

通過將濾波、擬合后得到的對應(yīng)回歸值代替原采集數(shù)據(jù)，能夠消除原始數(shù)據(jù)采集過程中的隨機(jī)誤差，并保持主成分?jǐn)?shù)據(jù)變化的趨勢不發(fā)生變化。

在步驟s3中，擬合曲線的橫坐標(biāo)為時間點，縱坐標(biāo)為主成分?jǐn)?shù)據(jù)，該曲線能夠反映主成分?jǐn)?shù)據(jù)隨時間變化的趨勢；每個時間點的導(dǎo)數(shù)則反映擬合曲線上該時間點的主成分?jǐn)?shù)據(jù)變化信息；聚類是指按照某個特定標(biāo)準(zhǔn)(如距離準(zhǔn)則)把一個數(shù)據(jù)集分割成不同的類或簇，使得同一個簇內(nèi)的數(shù)據(jù)對象的相似性盡可能大，同時不在同一個簇中的數(shù)據(jù)對象的差異性也盡可能地大。即聚類后同一類的數(shù)據(jù)盡可能聚集到一起，不同數(shù)據(jù)盡量分離。

具體地，在本步驟中，根據(jù)步驟s2獲取的擬合曲線，對該曲線上各時間點的導(dǎo)數(shù)進(jìn)行聚類處理，獲得屬于非零類導(dǎo)數(shù)所對應(yīng)的時間點，該時間點組成的區(qū)間為動態(tài)調(diào)整區(qū)間。

本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法，通過主成分分析和聚類處理可實現(xiàn)具有較多運行參數(shù)的復(fù)雜工業(yè)過程中動態(tài)調(diào)整區(qū)間獲取，能夠避免單個或幾個運行參數(shù)誤差的影響，準(zhǔn)確、有效地識別動態(tài)調(diào)整區(qū)間，不依賴先驗知識，具有工業(yè)適用性。

基于上述實施例，所述步驟s1進(jìn)一步包括：根據(jù)經(jīng)過標(biāo)準(zhǔn)化處理的所述運行參數(shù)獲取數(shù)據(jù)矩陣，根據(jù)所述數(shù)據(jù)矩陣?yán)美鄯e方差貢獻(xiàn)率獲取所述主成分?jǐn)?shù)據(jù)的個數(shù)；根據(jù)所述主成分?jǐn)?shù)據(jù)的個數(shù)和所述數(shù)據(jù)矩陣獲取所述主成分?jǐn)?shù)據(jù)。其中，在獲取到運行參數(shù)在一段時間內(nèi)的采樣點后，可以對運行參數(shù)進(jìn)行標(biāo)準(zhǔn)化的預(yù)處理。例如，j＝1,2,…，j，其中為第j個運行參數(shù)的采樣值，j為獲取的運行參數(shù)的總數(shù)；n＝1,2…，n，為第j個變量的第n個采樣值，n為對應(yīng)不同時間點的采樣值的總數(shù)。標(biāo)準(zhǔn)化處理的具體方式如下：

其中

其中

通過對每個運行參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，得到處理后的運行參數(shù)矩陣，能夠消除不同量綱對數(shù)據(jù)的影響。

通過主成分分析獲取主成分?jǐn)?shù)據(jù)的步驟具體為：首先根據(jù)運行參數(shù)獲取數(shù)據(jù)矩陣x，再獲取數(shù)據(jù)矩陣x的方差矩陣s，具體如下：

對所述方差s奇異值分解，獲取復(fù)合矩陣p和特征值矩陣d。再設(shè)定累積方差貢獻(xiàn)率pe％，累積方差貢獻(xiàn)率表示主成分?jǐn)?shù)據(jù)對原運行參數(shù)變化情況的反映率。例如，對m個運行參數(shù)進(jìn)行處理，得到n個主成分?jǐn)?shù)據(jù)，即這n個主成分?jǐn)?shù)據(jù)能在pe％程度上反應(yīng)原m個運行參數(shù)的變化情況。pe％通常取值80％-95％，即一般選取包含原數(shù)據(jù)80％-95％的信息的主成分?jǐn)?shù)據(jù)即可。選定累積方差貢獻(xiàn)率后，設(shè)定的特征值λ滿足下式：

通過累積方差貢獻(xiàn)率能夠獲取到特征值的個數(shù)m，即為相應(yīng)主成分?jǐn)?shù)據(jù)的個數(shù)。最后取復(fù)合矩陣p的前m列pm，則獲取的主成分?jǐn)?shù)據(jù)矩陣具體為：qm＝xpm。因此通過主成分分析能夠獲取m個主成分?jǐn)?shù)據(jù)。

基于上述實施例，所述步驟s2包括：通過帶滑動窗口的中值濾波對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波處理，獲取去噪后的主成分?jǐn)?shù)據(jù)；通過多項式最小二乘法對所述去噪后的主成分?jǐn)?shù)據(jù)進(jìn)行擬合，獲取所述擬合曲線。

為了減小噪聲對主成分?jǐn)?shù)據(jù)的影響，可以采用滑動窗口為l的中值濾波消除影響。對于某個主要變量在采樣區(qū)間的序列x(j)進(jìn)行濾波處理時，首先定義一個長度為奇數(shù)的l窗口，l＝2n+1，其中n為正整數(shù)。

設(shè)在某一時刻窗口內(nèi)的信號樣本為：

x(j-n)，…，x(j)，…，…x(j+n)(5)

x(j-n),…,x(j),…,…x(j+n)

其中x(j)為位于窗口中心的該主成分?jǐn)?shù)據(jù)樣本值。對l個該主成分?jǐn)?shù)據(jù)樣本值按從小到大的順序排列后，其中排序在j處的樣本便定義為中值濾波的輸出值，具體為：

y(j)＝med[x(j-n)，…，x(j)，…x(j+n)](6)

其中，med為中值濾波函數(shù)，采用滑動窗口法即可得到該主成分?jǐn)?shù)據(jù)在采樣區(qū)間的中值濾波序列，即為去噪后的主成分?jǐn)?shù)據(jù)。

多項式最小二乘擬合的具體步驟如下：對某段包含過渡態(tài)的采樣區(qū)間的序列x(j)進(jìn)行多項式最小二乘法擬合時，首先定義一個長度為奇數(shù)的h窗口，h＝2h+1，其中h為正整數(shù)。

設(shè)在某一時刻，窗口內(nèi)的信號樣本為：

x(j-h)，…，x(j)，…x(j+h)(7)

其中x(j)為位于窗口中心的主成分?jǐn)?shù)據(jù)實時值。

令窗口內(nèi)的信號樣本為：

x′(1)，…，x′(h+1)，…x′(2h+1)(8)

其中x′(h+1)為位于窗口中心的主成分?jǐn)?shù)據(jù)實時值，對應(yīng)的采樣時間點t分別為1,2,…,2h+1，則窗口內(nèi)的擬合信號可以表示為時間t的函數(shù)，具體如下：

其中，a＝[a0，a1，…，an]^t，n＜2h＝1為多項式最小二乘法擬合模型參數(shù)向量，r(t)＝[1，t，t²，…，tⁿ]^t為回歸變量。

應(yīng)用最小二乘法就可以得到參數(shù)a的最優(yōu)估計：

其中：

則經(jīng)過多項式最小二乘法擬合后的擬合信號為：

則主成分?jǐn)?shù)據(jù)在各個時間點x(j)的回歸值為：

使用回歸值代替原測量值，采用滑動窗口方法即可得到該主成分?jǐn)?shù)據(jù)在采樣區(qū)間的多項式最小二乘法擬合回歸值序列。通過各時間點對應(yīng)的主成分?jǐn)?shù)據(jù)能夠得到各主成分?jǐn)?shù)據(jù)的擬合曲線。

基于上述實施例，所述步驟s3中的通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點包括：根據(jù)所述擬合曲線獲取所述采樣點對應(yīng)的一階導(dǎo)數(shù)以及以所述一階導(dǎo)數(shù)為樣本點的樣本矩陣；根據(jù)所述樣本矩陣，設(shè)定零類和非零類，通過基于密度峰值的k-means算法獲取初始聚類中心；根據(jù)所述初始聚類中心，通過計算所述樣本點至聚類中心的距離進(jìn)行分類，獲取屬于非零類的一階導(dǎo)數(shù)對應(yīng)的時間點。

其中，k-means算法為接受輸入量k；然后將n個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”(引力中心)來進(jìn)行計算的。

具體地，首先對擬合曲線進(jìn)行求導(dǎo)，獲得各時間點在各主成分?jǐn)?shù)據(jù)的擬合曲線的一階導(dǎo)數(shù)；然后以主成分?jǐn)?shù)據(jù)的一階導(dǎo)數(shù)作為樣本點的樣本矩陣xn×m，該矩陣中：n表示樣本數(shù)，m表示主成分?jǐn)?shù)據(jù)。

對于樣本矩陣，可以通過利用導(dǎo)數(shù)為零或非零這一特征進(jìn)行聚類分析，因此聚類數(shù)設(shè)為k＝2，包括一階導(dǎo)數(shù)為零和非零兩類。通過k-means算法獲取初始聚類中心，計算各樣本點到初始聚類中心的距離，將各點劃分到與其距離最近的類中，形成初始分類。

在獲取到初始分類后，通過計算各樣本點均值作為新的聚類中心，并根據(jù)新的聚類中心重新分類；反復(fù)計算聚類中心以及根據(jù)聚類中心分類，直到聚類中心都不再改變或者小于一定的誤差范圍時，判定聚類處理完成，此時的非零類一階導(dǎo)數(shù)所對應(yīng)的時間點組成動態(tài)調(diào)整區(qū)間。

基于上述實施例，所述通過基于密度峰值的k-means算法獲取初始聚類中心包括：根據(jù)所述樣本矩陣和預(yù)設(shè)距離，獲取局部密度和高密度距離；根據(jù)所述局部密度和所述高密度距離獲取決策圖，并根據(jù)所述決策圖獲取所述初始聚類中心。

基于上述實施例，所述局部密度ρ為所述預(yù)設(shè)距離內(nèi)數(shù)據(jù)點的個數(shù)，具體為：

ρ＝∑jχ(dij-dc)(13)

其中，dc為所述預(yù)設(shè)距離，dij為數(shù)據(jù)點i和數(shù)據(jù)點j之間的距離；當(dāng)x<0時，χ(x)＝1，當(dāng)x≥0時，χ(x)＝0；

所述高密度距離δ為數(shù)據(jù)點與密度比所述數(shù)據(jù)點高的最近數(shù)據(jù)點的距離，數(shù)據(jù)點i的高密度距離具體為：

具體地，根據(jù)樣本矩陣和預(yù)設(shè)距離dc，計算每個數(shù)據(jù)點的局部密度ρ。其中dc是預(yù)先設(shè)定的一個距離，局部密度ρ為一定距離內(nèi)數(shù)據(jù)點的數(shù)量，對于數(shù)據(jù)點i，其局部密度具體通過式(13)獲取。高密度距離δ指該數(shù)據(jù)點與密度比它高的最近數(shù)據(jù)點的距離，對于數(shù)據(jù)點i，其高密度距離通過式(14)獲取。

決策圖的橫坐標(biāo)為局部密度ρ，縱坐標(biāo)為高密度距離δ，由于不同的類總是被稀疏的區(qū)域分隔開，若將一個類中密度最高的點視為類中心，類中心則會具有較高的局部密度值以及較高的高密度距離，因此可從決策圖中選取具有較高的局部密度ρ和較高的高密度距離δ的點作為初始聚類中心。

為了說明上述實施例，圖2為本發(fā)明另一實施例提供的識別動態(tài)調(diào)整區(qū)間的方法的流程示意圖。本實例選擇國內(nèi)某煉油廠240萬噸/年加氫裂化反應(yīng)系統(tǒng)為研究對象，通過在加氫裂化流程現(xiàn)場提取了162個位號的數(shù)據(jù)，結(jié)合專家經(jīng)驗與基于遺傳算法的粗糙集屬性約簡后，得到表征加氫裂化流程動態(tài)調(diào)整過程的21個運行參數(shù)，包括：加氫裂化流程入口流量、加氫精制反應(yīng)器與加氫裂化反應(yīng)器各床層溫度、冷低分油流量、熱低分油流量、脫硫化氫汽提塔和分餾塔的塔頂溫度與塔頂壓力、分餾塔的中段回流量以及輕石腦油、重石腦油、航空煤油、柴油和尾油的抽出量。

在數(shù)據(jù)采集過程中，該加氫裂化流程正好進(jìn)行了一次負(fù)荷調(diào)整，為此選取此次調(diào)整的數(shù)據(jù)作為分析的數(shù)據(jù)樣本。數(shù)據(jù)采集的時間為2016年2月12日至2016年2月13號，每5分鐘采集一個樣本，共采集到288組對應(yīng)于不同時間點的數(shù)據(jù)。如圖2所示，該方法包括以下步驟：

步驟1，對加氫裂化流程的運行參數(shù)數(shù)據(jù)預(yù)處理

根據(jù)上述式(1)和(2)，其中j＝21，共21組數(shù)據(jù)，得到經(jīng)預(yù)處理后的運行參數(shù)的數(shù)據(jù)矩陣x。圖3為本發(fā)明實施例提供的預(yù)處理后的運行參數(shù)的變化曲線圖，上述21個運行參數(shù)變化如圖3所示。

步驟2，對預(yù)處理后的數(shù)據(jù)矩陣x進(jìn)行主成分分析(pca)

首先根據(jù)上述步驟1獲取的數(shù)據(jù)矩陣x，再設(shè)定pe％＝95％，根據(jù)上式(3)和(4)，經(jīng)過計算得到選取的特征值的個數(shù)m＝9，所選取的特征值如下表1所示。

表1主成分對應(yīng)的特征值

最后取復(fù)合矩陣p的前9列pm，則獲取的主成分?jǐn)?shù)據(jù)矩陣具體為：qm＝xpm。因此通過主成分分析能夠獲取9個主成分?jǐn)?shù)據(jù)。

步驟3，采用中值濾波對主成分?jǐn)?shù)據(jù)進(jìn)行濾波去噪

具體地，采用滑動窗口為l＝36的中值濾波對主成分?jǐn)?shù)據(jù)進(jìn)行濾波去噪，從而消除加氫裂化流程儀表檢測時，數(shù)據(jù)在傳輸過程中受到的干擾。具體計算過程參考式(5)和(6)，得到主成分?jǐn)?shù)據(jù)在采樣區(qū)間的中值濾波序列。

步驟4，對去噪后的主成分?jǐn)?shù)據(jù)進(jìn)行擬合

具體地，根據(jù)式(7)至(12)，采用多項式最小二乘法進(jìn)行擬合。圖4為本發(fā)明實施例提供的三個主成分?jǐn)?shù)據(jù)擬合前和擬合后的變化曲線圖，如圖4所示，經(jīng)過擬合后的主成分?jǐn)?shù)據(jù)變化的曲線較為光滑，消除了原始數(shù)據(jù)測量中的隨機(jī)誤差，保持了主成分?jǐn)?shù)據(jù)變化趨勢的走向。

在獲取了擬合曲線后，對擬合曲線中各時間點對應(yīng)的回歸值求取一階導(dǎo)數(shù)。

步驟5，對一階導(dǎo)數(shù)數(shù)據(jù)進(jìn)行聚類處理

具體地，基于各采樣點的一階導(dǎo)數(shù)作為聚類特征，利用基于密度峰值的k-means聚類算法進(jìn)行聚類。圖5為本發(fā)明實施例提供的基于密度峰值的k-means聚類算法的流程圖，如圖5所示，具體步驟如下：

首先設(shè)定聚類數(shù)k＝2，將導(dǎo)數(shù)分為零類和非零類；設(shè)定預(yù)設(shè)距離dc，計算每個數(shù)據(jù)點的局部密度ρ和高密度距離δ，其中，局部密度和高密度距離的計算參考上式(13)和(14)；根據(jù)局部密度和高密度距離獲取決策圖，圖6為本發(fā)明實施例提供的基于密度峰值的k-means聚類算法獲取初始聚類中心的決策圖，如圖6所示，選擇具有較高局部密度值以及較高的高密度距離的樣本點作為初始聚類中心；分別計算樣本點到聚類中心的距離，對樣本進(jìn)行分類后更新聚類中心，判斷聚類中心是否收斂，若收斂則聚類完成；否則重復(fù)計算樣本點到聚類中心的距離以及更新聚類中心，直到聚類中心收斂。

圖7為本發(fā)明實施例提供的加氫裂化反應(yīng)的動態(tài)調(diào)整區(qū)間的示意圖。如圖7所示，其橫坐標(biāo)為樣本序列，縱坐標(biāo)為聚類結(jié)果，其中縱坐標(biāo)為1表示穩(wěn)態(tài)過程，縱坐標(biāo)為2表示動態(tài)調(diào)整過程，不同的樣本序列對應(yīng)不同的時間點，因此，通過上述步驟1～5能夠?qū)託淞鸦磻?yīng)的動態(tài)調(diào)整區(qū)間進(jìn)行有效的識別。

圖8為本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的裝置的結(jié)構(gòu)示意圖，如圖8所示，包括：第一獲取模塊801，用于根據(jù)一段時間內(nèi)的運行參數(shù)的采樣點，通過主成分分析法獲取所述運行參數(shù)的主成分?jǐn)?shù)據(jù)；第二獲取模塊802，用于對所述主成分?jǐn)?shù)據(jù)進(jìn)行濾波和擬合處理，獲取擬合曲線；第三獲取模塊803，用于根據(jù)所述擬合曲線，通過聚類處理獲取對應(yīng)非零導(dǎo)數(shù)的時間點所組成的動態(tài)調(diào)整區(qū)間。

具體地，第一獲取模塊801可以首先對工業(yè)工程的多個運行參數(shù)進(jìn)行采集，然后使用主成分分析方法對多個運行參數(shù)進(jìn)行處理，得到數(shù)量與運行參數(shù)相比減少的主成分?jǐn)?shù)據(jù)。

具體地，第二獲取模塊802可以對第一獲取模塊801獲取的主成分?jǐn)?shù)據(jù)進(jìn)行濾波和擬合處理，獲取擬合曲線。通過將濾波、擬合后得到的對應(yīng)回歸值代替原采集數(shù)據(jù)，能夠消除原始數(shù)據(jù)采集過程中的隨機(jī)誤差，并保持主成分?jǐn)?shù)據(jù)變化的趨勢不發(fā)生變化。

具體地，第三獲取模塊803根據(jù)第二獲取模塊802獲取的擬合曲線；第三獲取模塊803對該曲線上各時間點的導(dǎo)數(shù)進(jìn)行聚類處理，獲得屬于非零類導(dǎo)數(shù)所對應(yīng)的時間點，該時間點組成的區(qū)間為動態(tài)調(diào)整區(qū)間。

本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的裝置，通過主成分分析和聚類處理可實現(xiàn)具有較多運行參數(shù)的復(fù)雜工業(yè)過程動態(tài)調(diào)整區(qū)間獲取，避免單個或幾個運行參數(shù)測量誤差的影響，準(zhǔn)確、有效地識別動態(tài)調(diào)整區(qū)間，不依賴先驗知識，具有工業(yè)適用性。

本發(fā)明實施例提供的識別工業(yè)過程動態(tài)調(diào)整區(qū)間的方法和裝置，針對工業(yè)系統(tǒng)內(nèi)部變量維度高、耦合強的特點采用主成分分析方法提取工業(yè)系統(tǒng)關(guān)鍵操作參數(shù)的主成分?jǐn)?shù)據(jù)，消除系統(tǒng)中冗余變量及各變量間隨機(jī)噪聲的影響；再基于帶滑動窗口的多項式擬合方法擬合主成分?jǐn)?shù)據(jù)，接著提取擬合數(shù)據(jù)的一階導(dǎo)數(shù)作為聚類特征，設(shè)計基于密度峰值確定聚類初始點的k-means算法，進(jìn)行聚類分析，從而識別出工業(yè)系統(tǒng)動態(tài)調(diào)整區(qū)間。通過我國某石化企業(yè)實際生產(chǎn)數(shù)據(jù)驗證表明，本發(fā)明實施例提供的方法和裝置可以避免單個或幾個運行變量測量誤差的影響，有效識別動態(tài)調(diào)整過程，且采用聚類方法不依賴先驗知識，具有工業(yè)適用性。

最后應(yīng)說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。