申请/专利权人：华东理工大学

申请日：2020-08-24

公开（公告）日：2024-04-30

公开（公告）号：CN112198842B

主分类号：G05B19/418

分类号：G05B19/418

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2021.01.26#实质审查的生效;2021.01.08#公开

摘要：本发明公开了对精对苯二甲酸工艺流程氧化单元运行异常状态的溯源诊断方法。该方法以PTA过程中的全局变量作为运行异常状态溯源诊断方法的输入变量，以正常运行状态下保存的数据集作为训练集构建溯源诊断模型。首先对训练样本进行异常值检测去除数据中的不健康数据以排除掉对建模的影响。之后对训练样本进行标准化处理以消除各个维度量纲对建模结果的不必要影响。接下来构建稠密连接自编码器，并将预处理之后的数据送入DC‑SAE中进行无监督建模。最后当实时的异常状态数据被送入训练好的DC‑SAE模型中时，依据重构数据与输入变量的偏差构建故障溯源热力图以可视化造成异常状态的溯源变量。

主权项：1.一种PTA工艺流程中氧化单元异常运行状态的溯源诊断方法，其特征在于，是以工艺流程中的全局变量作为输入变量，建立异常运行状态的溯源诊断模型，以判断发生异常状态时的故障变量，进行溯源诊断，进而指导下一步控制操作的方法；所述故障变量，是通过采用对生产过程中的主要副产物4-CBA含量的状态空间检测以决定当前的工作状态；精对苯二甲酸工艺流程被分为一个正常运行状态：适度氧化状态和两个异常运行状态：欠氧异常和过度氧化异常；建立异常运行状态的溯源诊断模型，是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息；为了避免数据在深度学习模型逐层传递的过程中，发生信息丢失的情况；对堆栈式自编码器进行稠密连接，即每一个隐层的输入不再是上一隐层的输出，而是之前所有特征隐层的输出；基于稠密连接的深度学习模型，通过对数据进行无损的特征提取，并且基于该特征对输入数据进行重构；依据重构数据与原始数据的偏差，判断出对于该模型的故障变量，进而溯源诊断出工业流程的异常状态；所述建立异常运行状态的溯源诊断模型，是深度模型DC-SAE构建：所述SAE是一个输入和学习目标相同的深度神经网络，其结构分为编码器和解码器两部分；给定一个输入数据x∈R1×m，其中m为数据的长度，通过编码器所得到的特征为：f＝σEWE·x+BE3其中σE为编码器的非线性激活函数，WE和BE分别为编码器的权值矩阵和阈值矩阵；数据通过前向传递通过编码器得到它的高阶特征表示f；之后f通过解码器逐层解码至SAE的输出层： 其中σD为解码器的非线性激活函数，WD和BD分别为解码器的权值矩阵和阈值矩阵，为解码器同时也是SAE的输出；优化目标函数可以表示为： 其中Rθ是某种正则化条件，λ是权衡参数；在DC-SAE模型中，所提取的特征可以表示为：flDC＝σlWl·x1；x2；...；xl-1+bl6其中flDC为DC-SAE模型所提取的第lth层特征，σl为第lth层的非线性激活函数，Wl和bl为第lth层的权值矩阵和阈值向量，x1；x2；...；xl-1为第1层至第l-1th层的综合特征向量。

全文数据：

权利要求：

百度查询： 华东理工大学 PTA氧化单元异常运行状态的溯源诊断方法

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