申请/专利权人：宁波大学

申请日：2023-04-07

公开（公告）日：2023-07-04

公开（公告）号：CN116384113A

主分类号：G06F30/20

分类号：G06F30/20;G06F17/13;G06F17/18;G06F17/16

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2024.05.03#发明专利申请公布后的撤回;2023.07.21#实质审查的生效;2023.07.04#公开

摘要：本发明公开一种机理关系驱动软测量的CSTR运行状态监测方法，旨在参考CSTR的机理模型来描述测量变量间的相互关系，从而建立机理关系驱动的软测量模型来生成误差，并通过误差变化的异常来反映出CSTR的运行状态。本发明方法不是简单的利用采样数据建模，而是将CSTR的机理关系融入进软测量模型中，相应的三个软测量模型更具有机理上的解释意义，相应的软测量误差也能从相应CSTR运行机理上反映出其运行状态是否出现异常。与传统数据驱动的运行状态监测方法相比，本发明方法通过机理关系驱动软测量的方式生成的误差能够从CSTR运行机理角度实现对其运行状态的监测。因此，本发明方法是一种更为优选的CSTR运行状态监测方法。

主权项：1.一种机理关系驱动软测量的CSTR运行状态监测方法，其特征在于，具体包括以下步骤：步骤㈠：根据CSTR的机理模型确定测量变量之间的影响关系，具体包括以下三个步骤；首先，根据CSTR配套安装的测量仪表确定出对应的测量变量，具体包括8个测量变量，依次分别是：反应釜温度T，冷却剂入口温度TCF，冷却剂出口温度TC，冷却剂流量QC，原料进口温度TF，原料入口流量QF，原料出口流量Q，反应釜液位h；其次，确定CSTR的机理模型，具体包括如下所示的三个微分等式： 其中，A表示CSTR的水平截面的面积，ρC和ρ分别表示冷却剂和原料的密度，CpC和Cp分别表示冷却剂和原料的比热容，k0表示反应速率，R表示气体常数，ΔH是摩尔反应热，CA是反应物的摩尔浓度，E表示活化能，U为传热系数，AC表示冷却剂的传热面积，VC为冷却剂换热部分的体积，表示反应釜温度T相对于时间t的微分，表示冷却水出口温度TC相对于时间t的微分，表示反应釜液位h相对于时间t的微分；最后，根据CSTR的三个微分等式，分别对应确定与反应釜温度T存在影响关系的测量变量集合θ1，与冷却剂出口温度TC存在影响关系的测量变量集合θ2，与反应釜液位h存在影响关系的测量变量集合θ3；步骤㈡：利用CSTR运行正常时的采样数据建立软测量模型，再确定误差变化的上限值，具体包括如下所示步骤1至步骤5；步骤1：在CSTR运行正常时，同时获取8个测量变量在连续N个采样时刻的采样数据，并对应记录为8个N×1维的实数向量x1,x2,…,x8；其中，x1,x2,…,x8分别由反应釜温度T，冷却剂入口温度TCF，冷却剂出口温度TC，冷却剂流量QC，原料进口温度TF，原料入口流量QF，原料出口流量Q，和反应釜液位h的N个采样数据组成；步骤2：依次计算x1,x2,…,x8中N个采样数据的平均值，分别记录成μ1,μ2,…,μ8，再依次计算x1,x2,…,x8中N个采样数据的标准差，分别记录成δ1,δ2,…,δ8后，根据公式xi＝xi-μiδi分别对x1,x2,…,x8实施标准化处理，从而得到标准化处理后的8个实数向量x1,x2,…,x8；其中，μi和δi分别表示第i个实数向量xi中N个采样数据的平均值和标准差，i＝1,2,…,8；步骤3：依次为反应釜温度T，冷却剂出口温度TC，和反应釜液位h建立相应的软测量模型，具体包括以下所示步骤3-1至步骤3-6；步骤3-1：根测量变量集合θ1中确定的M1个测量变量，从x1,x2,…,x8中选取与这M1个测量变量对应的实数向量，组成N×M1维的输入矩阵X1，再将反应釜温度T对应的实数向量x1当成输出向量y1；步骤3-2：利用带测试验证的偏最小二乘回归算法，建立输入矩阵X1和输出向量y1之间的软测量模型y1＝X1B1+e1；其中，B1表示回归系数向量，e1为软测量误差向量；步骤3-3：根测量变量集合θ2中确定的M2个测量变量，从x1,x2,…,x8中选取与这M2个测量变量对应的实数向量，组成N×M2维的输入矩阵X2，再将冷却剂出口温度TC对应的实数向量x3当成输出向量y2；步骤3-4：利用带测试验证的偏最小二乘回归算法，建立输入矩阵X2和输出向量y2之间的软测量模型y2＝X2B2+e2；其中，B2表示回归系数向量，e2为软测量误差向量；步骤3-5：根测量变量集合θ3中确定的M3个测量变量，从x1,x2,…,x8中选取与这M3个测量变量对应的实数向量，组成N×M3维的输入矩阵X3，再将反应釜液位h对应的实数向量x8当成输出向量y3；步骤3-6：利用带测试验证的偏最小二乘回归算法，建立输入矩阵X3和输出向量y3之间的软测量模型y3＝X3B3+e3；其中，B3表示回归系数向量，e3为软测量误差向量；步骤4：分别计算e1中所有元素的平均值ε1，e2中所有元素的平均值ε2，e3中所有元素的平均值ε3后，根据分别对e1,e2,e3实施中心化处理，再计算协方差矩阵C＝ETEN-1；其中，步骤5：计算出矩阵Φ＝EC-1ET后，再将Φ中对角线上最大的元素确定为误差变化的上限值后，保留步骤2中的平均值μ1,μ2,…,μ8和标准差δ1,δ2,…,δ8，步骤3中的回归系数向量B1,B2,B3，步骤4中平均值ε1,ε2,ε3和协方差矩阵C，以及本步骤中的以备步骤㈢调用；步骤㈢：往复循环利用CSTR在最新采样时刻的采样数据实施在线运行状态监测，具体包括以下所示步骤①至步骤④；步骤①：在CSTR的最新采样时刻，同时获取反应釜温度T，冷却剂入口温度TCF，冷却剂出口温度TC，冷却剂流量QC，原料进口温度TF，原料入口流量QF，原料出口流量Q，和反应釜液位h对应的采样数据，依次标记为α1,α2,…,α8，再根据公式αi＝αi-μiδi分别对α1,α2,…,α8实施标准化处理；其中，i＝1,2,…,8；步骤②：分别根据测量变量集合θ1,θ2,θ3中确定的测量变量，从标准化处理后的采样数据α1,α2,…,α8中选取对应的采样数据，分别组成1×M1维的输入向量z1，1×M2维的输入向量z2，1×M3维的输入向量z3；并将α1,α3,α8分别当成输出数据ζ1,ζ2,ζ3；其中，ζ1＝α1，ζ2＝α3，ζ3＝α8；步骤③：根据公式fk＝ζk-zkBk分别计算出三个误差数据f1,f2,f3，再组建1×3维的数据向量enew＝[f1-ε1,f2-ε2，f3-ε3]后，根据公式计算最新采样时刻的误差监测指标步骤④：判断是否大于若否，则CSTR运行正常，返回步骤①继续对CSTR实施在线运行状态监测；若是，则CSTR运行出现异常，触发异常警报后，返回步骤①继续对CSTR实施在线运行状态监测。

全文数据：

权利要求：

百度查询： 宁波大学 一种机理关系驱动软测量的CSTR运行状态监测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD