一种固定床反应器工业过程的故障预警方法及系统

1.本技术涉及化工设备故障预警的技术领域，特别是涉及一种固定床反应器工业过程的故障预警方法及系统。


背景技术：

2.固定床反应器是一种常用于多相反应过程的设备，被广泛应用于石油炼制工业、无机化学工业以及有机化学工业。作为装置关键的核心设备单元，其一旦发生过程故障将可能造成人员及财产的巨大损失。因此，实现对固定床反应器过程故障的早期预警，保障其运行的安全性和稳定性十分重要。
3.随着集散式控制系统在石油化工行业的广泛使用，大量的生产过程数据被采集并存储，这为数据驱动的过程监测方法的发展奠定了坚实的基础。通过对过程历史数据的分析处理，提取过程正常工况下的数据特征以建立过程监测模型，能够实现对过程故障的超前识别，为操作人员提供更充分的时间以消除过程故障。传统的过程监测方法，如主成分分析法、偏最小二乘法等主要是通过线性正交变换从过程数据中提取数据特征。然而，现代化工通常为复杂的非线性过程，使用线性方法很难提取过程的特征。为了解决这个问题，一些非线性过程监测方法被提出，其主要可以分为三类：线性逼近法、核方法和基于人工神经网络的非线性过程监测方法。线性逼近方法，如局部加权主元分析法和局部加权偏最小二乘法，是非线性过程监测方法中最简单、最有效的建模方法。不过，其不适用于具有强非线性的化工过程。核方法，如核主元分析法和核偏最小二乘法，是基于核技巧开发的非线性过程监测方法。然而，构建和计算核函数通常十分耗时，这会影响实时过程监测的性能。
4.近年来，随着人工神经网络的快速发展，一些基于人工神经网络的非线性过程监测方法被提出。目前，常见的人工神经网络包括多层感知器、循环神经网络、卷积神经网络和自编码器。其中，自编码器作为一种无监督的人工神经网络，被广泛地应用于过程监测建模中。在自编码器的基础上，各种改进的自编码器被提出，以提高过程监测模型的性能。例如，基于堆叠自编码器的过程监测方法以提高模型的泛化能力；基于变分自编码器的过程监测方法被提出用于解决自编码器捕获的数据特征不符合正态分布的情况；卷积自编码器和长短时记忆自编码被用于提取过程的动态特征。对于基于自编码器的过程监测方法，通常需要将过程数据预处理为自编码器所要求的输入形式，但是无论采用哪种输入数据矩阵形式，都没有考虑过程变量的位置排列对数据特征提取的影响，特别是变量空间位置的排列。
5.而在化工过程中，固定床反应器作为一个三维设备，反应和传递发生在这个三维设备中，某些关键性能指标在空间上分布。从不同位置的测量仪器获得的过程变量之间存在空间相关性，对预警固定床反应器工业故障性能有很大影响，但是这在以往的过程监测方法中并未被充分考虑，降低了对固定床反应器工业故障的故障预警的精确度，降低工作效率。


技术实现要素：

6.本技术提供了一种固定床反应器工业过程的故障预警方法及系统，基于空间特征提取的固定床反应器过程监测方法，能够有效地提取测量变量间的空间相关性，实现对生产过程故障的超期预警，特别是能够实现对故障发生初期微小偏离的早期识别，为操作人员消除故障提供了更充分的时间。
7.第一方面，本技术提供了一种固定床反应器工业过程的故障预警方法，该方法包括：离线建模和在线监测；其中，所述离线建模包括以下步骤：获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；对所述过程历史数据进行数据预处理，得到离线输入数据；根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；所述在线监测包括以下步骤：在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；对所述过程数据进行数据预处理，得到在线输入数据；基于所述在线输入数据根据所述过程监测模型，得到在线结果；将所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发生故障。
8.可选的是，所述对所述过程历史数据进行数据预处理，得到离线输入数据之前，还包括：对所述过程历史数据进行归一化处理，通过公式(1)进行描述：
[0009][0010]
可选的是，所述对所述过程历史数据进行数据预处理，得到离线输入数据，包括：根据所述过程历史数据在固定床反应器内部的不同空间分布，排列成二维数据矩阵；将不同时刻下的二维数据矩阵堆叠为三维时间序列数据矩阵，得到离线输入数据；根据所述三维时间序列数据矩阵提取所述过程历史数据之间的空间相关性。
[0011]
可选的是，所述对所述过程历史数据进行数据预处理，得到离线输入数据，还包括：基于拉普拉斯算子的数据增强技术对所述二维数据矩阵进行预处理，增强正常和故障工况下的数据间区别，通过公式(2.1)进行描述：
[0012][0013]
其中，i(p,q)和v(p,q)分别表示原始二维数据矩阵和增强二维数据矩阵中的变量值。
[0014]
可选的是，所述根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，包括：将所述离线输入数据的部分数据作为训练集；将所述训练集作为输入数据，基于卷积自编码器提取所述训练集变量之间的自相关性、互相关性以及空间相关性，并得到卷积自编码器所提取的数据特征，通过公式(3)进行描述：
[0015][0016]
其中x表示输入数据，wk表示卷积核的权重参数，b表示卷积核的偏置参数，f()表示激活函数；
[0017]
对所述卷积自编码器所提取的数据特征进行重构，获得重构数据，通过公式(4)进行描述：
[0018]
c'＝f(∑
kck
*wk+b)
ꢀꢀꢀꢀꢀ
(4)，
[0019]
其中c’表示数据重构的输出，ck表示反卷积层的输入，wk表示反卷积层卷积核的权重参数，b表示偏置参数；
[0020]
根据所述输入数据和所述重构数据计算重构误差，通过公式(5)进行描述：
[0021][0022]
其中，xi表示输入数据，yi表示输出数据也即重构数据。
[0023]
可选的是，根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，还包括：将所述离线输入数据的部分数据作为测试集；所述测试集作为所述过程监测模型的输入数据，基于所述过程监测模型计算得到正常工况下所述过程监测模型的重构误差；选择所述重构误差在99％置信区间下的阈值作为过程监测模型的控制限，通过公式(6)、(7)进行描述：
[0024][0025][0026]
其中，所述控制限是指在正常工况下得到的重构误差的阈值，用于验证采集的在线数据是否安全，h表示核密度估计函数的平滑参数，n表示重构误差的样本数，mse表示重构误差。
[0027]
可选的是，所述对所述过程数据进行数据预处理，得到在线输入数据，包括：在线实时采集固定床反应器内部不同空间的过程数据，并将所述过程数据进行归一化处理；将归一化处理后的所述过程数据进行数据预处理，得到增强后的三维时间序列数据矩阵，以作为所述过程监测模型的在线输入数据。
[0028]
可选的是，所述基于所述在线输入数据根据所述过程监测模型，得到在线结果，包括：将所述在线输入数据输入所述过程监测模型中，得到重构误差。
[0029]
可选的是，所述将得到的所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发生故障，包括：将通过所述在线输入数据得到的所述重构误差与所述控制限进行比较；若所述重构误差小于所述控制限，则说明该过程仍然处于正常工况条件下；否则，则说明固定床反应器发生故障
[0030]
第二方面，本技术提供了一种固定床反应器工业过程的故障预警系统，该系统包括：训练模块，用于离线建模；监测模块，用于在线监测；其中，所述训练模块包括以下单元：获取单元，用于获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；第一处理单元，用于对所述过程历史数据进行数据预处理，得到离线输入数据；第一计算单元，用于根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；其中，所述监测模块包括以下单元：采集单元，用于在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；第二处理单元，用于对所述过程数据进行数据预处理，得到在线输入数据；第二计算单元，用于基于所述在线输入数据根据所述过程监测模型，得到在线结果；结果判断单元，将所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发
生故障。
[0031]
第三方面，本技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
[0032]
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述所述方法的步骤。
[0033]
本技术至少具有以下优点：
[0034]
根据本技术实施例所提供的技术内容，根据固定床反应器上测量仪表空间分布特征将过程数据重新排列成一个三维时间序列数据矩阵，利用基于卷积自编码器建立的过程监测模型更加有效地提取变量间的互相关性、自相关性以及空间相关性；此外，基于拉普拉斯算子的数据增强技术能够进一步增强过程数据在正常工况和异常工况下的区别，提高了过程监测模型对过程故障的识别效果；通过多维度的考虑获取的数据，并经过数据增强处理得到多维度的在线输入数据，根据过程监测模型计算得到的重构误差来精确分析固定反应器是否发生故障，能够超前识别出固定床反应器的过程故障，避免了过程故障进一步的发展造成更严重的生产事故，为操作人员提供更加充分的时间用于消除过程故障，提高工作效率。
附图说明
[0035]
图1为一个实施例中显示固定床反应器工业过程的故障预警方法的应用环境图；
[0036]
图2为一个实施例中显示固定床反应器工业过程的故障预警方法中离线建模的流程示意图；
[0037]
图3为一个实施例中显示固定床反应器工业过程的故障预警方法中在线监测的流程示意图；
[0038]
图4为一个实施例中显示固定床反应器工业过程的故障预警方法的流程框图；
[0039]
图5为一个实施例中显示数据预处理的流程示意图；
[0040]
图6为一个实施例中固定床反应器的变量之间的排列方法示意图；
[0041]
图7为一个实施例中卷积自编码器的卷积运算示意图；
[0042]
图8为一个实施例中显示拉普拉斯算子模板的结构示意图；
[0043]
图9为一个实施例中显示卷积自编码器的结构示意图；
[0044]
图10为一个实施例中显示建立过程监测模型的流程示意图；
[0045]
图11为一个实施例中显示建立控制限的流程示意图；
[0046]
图12为一个实施例中显示固定床反应器工业过程的故障预警方法中在线监测的流程示意图；
[0047]
图13为一个实施例中显示制氢装置固定床反应器的结构示意图；
[0048]
图14为一个实施例中显示监测变量重新排列后的三维时间序列数据矩阵；
[0049]
图15一个实施例中显示监测变量之间的空间相关性分析图；
[0050]
图16为一个实施例中显示基于六种不同过程监测方法的监测结果示意图；
[0051]
图17为一个实施例中显示数据增强矩阵与原始数据矩阵对比示意图；
[0052]
图18为一个实施例中显示测试数据集原始数据和数据增强矩阵std对比图；
[0053]
图19为一个实施例中显示测试数据集的均方误差示意图；
[0054]
图20为一个实施例中显示测试数据集的峰值信噪比示意图；
[0055]
图21为一个实施例中显示离线建模的系统结构框图；
[0056]
图22为一个实施例中显示在线监测的系统结构框图；
[0057]
图23为一个实施例中计算机设备的示意性结构图。
具体实施方式
[0058]
以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0059]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用属于“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0060]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本技术各实施例中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合，相互引用。
[0061]
为了方便理解，首先对本技术所适用的系统进行描述。本技术提供的一种固定床反应器工业过程的故障预警方法，可以应用于如图1所示的系统架构中。该系统包括：用户空间文件服务器103和终端设备101，终端设备101通过网络与用户空间文件服务器103通过网络进行通信。其中，用户空间文件服务器103可以是一个基于nfsv3\v4协议的文件服务器，运行在linux坏境下，而nfs(网络文件系统)是文件系统之上的一个网络抽象，可允许运行于终端设备101的远程客户端以与本地文件系统相类似的方式，通过网络进行访问。终端设备101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等，用户空间文件服务器103可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0062]
图2、图3为本技术实施例提供的一种固定床反应器工业过程的故障预警方法的流程示意图，该方法可以由如图1所示系统中的用户空间文件服务器执行。如图2、图3所示，该方法可以包括以下步骤：
[0063]
离线建模和在线监测，其中，离线建模具体包括以下步骤：
[0064]
s201、获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；
[0065]
s202、对过程历史数据进行数据预处理，得到离线输入数据；
[0066]
s203、根据离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；
[0067]
在线监测具体包括以下步骤：
[0068]
s301、在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；
[0069]
s302、对过程数据进行数据预处理，得到在线输入数据；
[0070]
s303、基于在线输入数据根据过程监测模型，得到在线结果；
[0071]
s304、将在线结果与离线结果进行比较，以确定固定床反应器是否发生故障。
[0072]
下面对每个步骤具体展开详细说明：
[0073]
s201、获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；
[0074]
如图2、图4所示，在本实施例中，需要说明的是，固定床反应器是一个三维设备，原料自上而下流经反应器，反应和传递均发生在一个三维空间中。在化工过程中，组成、温度以及压力的测量变量可以用于确定反应的进程。通常，组成信息可以直接体现反应的进程。然而，受到测量技术的限制，组成数据很难在线测量。为了实时观测反应的进程，通常在固定床反应器的不同位置安装测量仪器，监测一些在不同空间上分布的关键性能指标，从而得到固定床反应器内部不同空间的过程历史数据。其中，关键性能指标可以是温度场、压力场等，可以用来间接反映反应的进程。
[0075]
在一个例子中，为获取固定床反应器的过程历史数据，采集该固定床反应器的温度变量作为建模变量，在固定床反应器内部空间不同位置安装测量仪器，从而监测在不同空间上的温度变量。
[0076]
具体的，根据固定床反应器的化工过程，固定床反应器设置18个温度测量点，分布在6个不同的高度的床层上，每个床层高度上有3个温度测量点。根据测量仪器的空间分布位置，获取不同空间的监测数据。
[0077]
s202、对过程历史数据进行数据预处理，得到离线输入数据；
[0078]
在本实施例中，需要说明的是，根据测量仪器的空间分布位置，实现对温度测量点空间分布特征的分析，实现基于空间分布特征的变量排列提取特征变量，并通过对数据进行预处理，从而增强正常和故障工况下的数据间区别，进一步提高过程监测方法的故障识别能力，得到离线输入数据，以便为后续操作提供数据基础。
[0079]
s203、根据离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；
[0080]
在本实施例中，需要说明的是，自编码是一种典型的无监督人工神经网络，其由五部分组成，分别为输入层、编码层、编码空间、解码器和输出层组成。作为一种无监督人工神经网络，自编码器实际是一个具有相同输入和输出数据的前馈神经网络，通过最小化输入和输出数据之间的重建误差，实现对数据特征的提取。卷积自编码器是自编码的一种重要变体，常用于图像或视频数据的特征提取。卷积自编码器的编码器由卷积层和池化层构成，解码器由反卷积层和反池化层构成。在处理输入数据时，卷积层中卷积核沿着数据矩阵的不同维度滑动，通过卷积运算提取变量间的自相关性、互相关性以及空间相关性，从而建立过程监测模型，得到分析计算后的离线结果。
[0081]
s301、在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；
[0082]
如图3、图4所示，在本实施例中，需要说明的是，通过安装在固定床反应器内部的不同位置的测量仪器，实时采集其过程数据如温度数据，得到固定床反应器的过程数据，以便于后续分析。
[0083]
s302、对过程数据进行数据预处理，得到在线输入数据；
[0084]
如图3、图4所示，在本实施例中，需要说明的是，根据测量仪器的空间分布位置，实现对温度测量点空间分布特征的分析，实现基于空间分布特征的变量排列提取特征变量，并通过对过程数据进行预处理，从而增强正常和故障工况下的数据间区别，进一步提高过
程监测方法的故障识别能力，得到在线输入数据，以便为后续操作提供数据基础。
[0085]
s303、基于在线输入数据根据过程监测模型，得到在线结果；
[0086]
如图3、图4所示，在本实施例中，需要说明的是，将预处理后得到的在线输入数据输入根据过程历史数据训练得到的过程监测模型，得到在线结果，为后续分析固定床反应器是否发生故障提供数据基础。
[0087]
s304、将在线结果与离线结果进行比较，以确定固定床反应器是否发生故障；
[0088]
如图3、图4所示，在本实施例中，需要说明的是，通过将在线结果与分析计算得到的正常工况下的离线结果作比较，因其中离线结果经过分析得到的变量间的互相关性、自相关性以及空间相关性，从多维度分析过程历史数据，从而实现可更精确判断固定床反应器是否发生故障。
[0089]
下面对离线建模每个步骤具体展开详细说明：
[0090]
参照图2、图4所示，在一些实施例中，在s202中，对过程历史数据进行数据预处理，得到离线输入数据之前，还包括：
[0091]
对过程历史数据进行归一化处理，通过公式(1)进行描述：
[0092][0093]
在本实施例中，需要说明的是，通过对获取的过程历史数据进行归一化处理，将过程历史数据统一化，以便于后续分析计算。
[0094]
参照图2、图5所示，在一些实施例中，在s202中，对过程历史数据进行数据预处理，得到离线输入数据，包括：
[0095]
s2021、根据过程历史数据在固定床反应器内部的不同空间分布，排列成二维数据矩阵；
[0096]
在本实施例中，需要说明的是，参照图6所示，采集的过程历史数据可以看作是一个二维矩阵，其中行代表变量的维度，列代表时间的维度。通过使用长度为l的移动窗口用于选择多元时间序列数据，作为t时刻的过程监测数据。为了满足自编码器对输入数据格式的要求，通常将多元时间序列数据重新排列成如图6中part a和part b所示的两类数据矩阵。得益于卷积核对输入数据局部特征的提取能力，cae已经成功应用于过程监测领域。一维和二维卷积核是卷积自编码器常用的两种卷积核。
[0097]
如图7中part a所示，单通道的二维卷积核沿变量和时间维度滑动实现卷积运算，可用于同时提取相邻变量之间的互相关和自相关。此外，利用多通道一维卷积核提取过程数据特征如图7中的part b所示，卷积核的每一个核矩阵被用于提取变量的自相关。然后，将每个核矩阵的卷积运算结果之和作为该卷积核提取的数据特征。从图7中的part a和part b可以看出，两个卷积核都用于从相邻变量中提取数据特征。而变量排列的顺序会影响数据特征的提取，这在以往的基于卷积自编码器的过程监测方法中并没有被考虑。
[0098]
本技术中的固定床反应器是一个三维设备，原料自上而下流经反应器，反应和传递均发生在一个三维空间中。为了实时观测反应的进程，通常在固定床反应器的不同位置安装测量仪器。一些关键性能指标(例如温度场)在空间上分布，故这些测量变量之间存在着空间相关性。因此若能够在提取变量空间相关性的基础上建立过程监测模型，能够实现
对过程故障更有效地识别。因此，如图7中part c所示，本技术中根据测量仪器的空间分布特征，将测量变量排列成一个二维数据矩阵如将9个测量变量排列成一个3*3的二维数据矩阵，其可以看作为一个二维“图像”。
[0099]
s2022、将不同时刻下的二维数据矩阵堆叠为三维时间序列数据矩阵，得到离线输入数据；
[0100]
在本实施例中，需要说明的是，参照图6、图7所示，本技术中由于应用在固定床反应器上，考虑到化工过程的强动态特性，因此如图7中的part c中所示，将l个时刻二维数据矩阵堆叠成为一个三维时间序列数据矩阵作为过程监测模型t时刻的离线输入数据。
[0101]
s2023、根据三维时间序列数据矩阵提取过程历史数据之间的空间相关性。
[0102]
在本实施例中，需要说明的是，利用卷积核的数据局部特征提取的优势，对上述由新的变量排列方式得到的三维时间序列数据矩阵进行局部提取，本技术中将l个时刻二维数据矩阵堆叠排列成三维时间序列数据矩阵，采用长度为l的移动窗口在三维时间序列数据矩阵上提取监测变量之间的空间相关性。
[0103]
参照图2、图5所示，在一些实施例中，s202中，对所过程历史数据进行数据预处理，得到离线输入数据，还包括：
[0104]
基于拉普拉斯算子的数据增强技术对二维数据矩阵进行预处理，增强正常和故障工况下的数据间区别，通过如下公式(2.1)进行描述：
[0105][0106]
其中，i(p,q)和v(p,q)分别表示原始二维数据矩阵和增强二维数据矩阵中的变量值。
[0107]
为了便于计算，通常利用如下公式的离散方程来近似公式(2.1)。
[0108][0109]
如图8所示为拉普拉斯算子模板，其可以认为是一个二维卷积核，二维数据矩阵的拉普拉斯变换可以进一步理解为拉普拉斯算子模板与数据矩阵的卷积运算。可以看出，通过拉普拉斯运算，中间变量与周围变量之间的差异将进一步放大，使得能够表示过程内在本质特征的数据特征更突出，进而更容易被提取。特别是当故障发生时，某些过程变量会发生异常变化，拉普拉斯算子的使用将进一步突出这一变化。因而正常和故障工况之间的数据判别特征进一步被增强，从而能够显著提高过程监测方法的故障识别能力。
[0110]
在本实施例中，需要说明的是，基于拉普拉斯算子的数据增强技术，其中图像增强技术是图像处理领域一种常见的图像预处理方法，可用于改善图像的视觉效果，并为其他图像处理技术提供更好的图像数据。拉普拉斯算子是一种空间增强技术，根据测量仪表的空间分布特征，固定床反应器的过程变量被排列成一个二维数据矩阵，其可以看作为一个二维“图像”。基于此，通过基于拉普拉斯算子的数据增强技术，利用拉普拉斯运算对二维数据矩阵进行预处理，增强正常和故障工况下的数据间区别，进一步提高过程监测方法的故障识别能力。
[0111]
在本实施例中，还需要说明的是，除基于拉普拉斯算子的数据增强技术外，还可以
采用其他的数据增强技术，以增加正常工况和异常工况间数据特征的区别，如基于灰度变换的数据增强技术及基于直方均衡的数据增强技术等。
[0112]
以基于灰度变换的数据增强技术为例进行说明：
[0113]
灰度变换是一种对点逐点运算，如公式(2.2)所示。
[0114]
v(p,q)＝t[i(p,q)]；(2.2)
[0115]
式中，t[]表示点运算方法，可以分为线性变换和非线性变换方法。
[0116]
线性变换：
[0117]
如公式(2,3)所示，输入数据和输出数据按照线性关系来放大或缩小。
[0118]
v(p,q)＝t[i(p,q)]＝a(i(p,q))+b；(2,3)
[0119]
当系数a＞1时，输出的值是增大的，当系数a＜1时，输出的值是减小的，当系数a＝1,b≠0时，使所有点的数值上移或下移，使得整个数据的对比度更暗或者更亮；当系数a＝1,b＝0时，输入数据和输出数据相同；当系数a＜0时，输入数据的暗区域将变亮，亮区域将变暗。
[0120]
非线性变换：
[0121]
非线性变换是指输入数据和输出数据之间按照非线性变换，根据变换方法不同又可分为对数变换及指数变换等。其中对数变换如公式(2.4)所示。
[0122]
v(p,q)＝t[i(p,q)]＝clog(1+i(p,q))；
ꢀꢀꢀ
(2.4)
[0123]
其中，c为系数。对数变换是对原始数据的动态范围进行压缩，当输入数据值越大，输出数据值越小；当输入数据值越小，输出数据值越大。
[0124]
指数变换如公式(2.5)所示。
[0125]
v(p,q)＝t[i(p,q)]＝ce
i(p,q)
；
ꢀꢀꢀꢀ
(2.5)
[0126]
其中，c为系数。与对数变换相反，当输入数据值越大，输出数据值越大；当输入数据值越小，输出数据值越小。
[0127]
以基于直方均衡的数据增强技术为例进行说明：
[0128]
基于直方均衡的数据增强技术的主要思想是基于其概率密度函数(probability density function,pdf)的均匀扩展来重新映射输入数据中每个点的数据值级。首先，它从原始直方图构造一个累积直方图。其次，将此累积直方图归一化为输出数据的强度值。然后，将归一化的累积直方图作为到原始数据的传递映射函数。其转换公式主要由映射区间和映射函数即累积分布函数(cumulative distribution function,cdf)构成。直方图的pdf和cdf计算公式如式(2.6)和(2.7)所示。
[0129][0130][0131]
其中g表示直方图上的某一数据值级，ng表示g数据值级上统计数据的个数，n表示输入图像的总数据个数，start表示某区间的最小数据值级。
[0132]
根据式(2.7)可得出直方均衡转换公式为：
[0133]
f(g)＝start+(end-start)
×
cdf(g)；
[0134]
其中end-start表示映射区间。
[0135]
当然，可能还有其他的数据增强技术，本实施例中不一一列举。
[0136]
在一些实施例中，参照图2、图10所示，s203中，根据离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，包括：
[0137]
s2031、将离线输入数据的部分数据作为训练集；
[0138]
s2032、将训练集作为输入数据，基于卷积自编码器提取训练集变量之间的自相关性、互相关性以及空间相关性，得到卷积自编码器所提取的数据特征，通过公式(3)进行描述：
[0139]ck
＝f(∑kx*wk+b)
ꢀꢀꢀꢀ
(3)，
[0140]
其中x表示输入数据，wk表示卷积核的权重参数，b表示卷积核的偏置参数，f()表示激活函数；
[0141]
s2033、对卷积自编码器所提取的数据特征进行重构，获得重构数据，通过公式(4)进行描述：
[0142]
c'＝f(σ
kck
*wk+b)
ꢀꢀꢀꢀ
(4)，
[0143]
其中c’表示数据重构的输出，ck表示反卷积层的输入，wk表示反卷积层卷积核的权重参数，b表示偏置参数；
[0144]
s2034、根据输入数据和重构数据计算重构误差，通过公式(5)进行描述：
[0145][0146]
其中xi表示输入数据，yi表示输出数据也即重构数据。
[0147]
在本实施例中，需要说明的是，参照图9所示，卷积自编码器的编码层可由多个卷积层和池化层构成。将得到的离线输入数据部分作为训练集，这里将70％离线输入数据作为训练集。在处理输入数据时，即训练集，卷积层中卷积核沿着数据矩阵的不同维度滑动，通过卷积运算提取变量间的自相关性、互相关性以及空间相关性。经过多次卷积和池化操作，最终得到卷积自编码器的所提取的数据特征，即编码。解码层被用于对提取的数据特征进行重构。该数据特征被输入反池化层以恢复被池化层压缩的数据特征的维度，反卷积层被用于从提取的数据特征中重构输入数据，最终得到重构数据。均方误差函数常被用作为自编码器的损失函数，用于评价重构误差，根据输入数据以及得到的重构数据，通过均方误差函数得到重构误差。
[0148]
通过将考虑变量间的自相关性、互相关性以及空间相关性的训练集，根据过程监测模型计算得到的重构误差来精确分析固定反应器是否发生故障。
[0149]
在一些实施例中，参照图2、图4、图11所示，s203中，根据离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，还包括：
[0150]
s2035、将离线输入数据的部分数据作为测试集；
[0151]
在本实施例中，需要说明的是，将离线输入数据剩余的部分数据被用作为验证数据并构成一个测试集，以此来确定过程监测模型的关键参数以获取最优模型，在模型迭代训练过程中，当验证数据输入至基于70％的离线输入数据建立的卷积自编码初始模型，模型输入值与输出值间的均方误差不再降低，且出现均方误差在连续30次迭代中上升的情况时，则认为可停止模型的迭代计算，此时选择最后30次中均方误差最小时的模型参数作为
最终的最优模型参数。
[0152]
s2036、测试集作为过程监测模型的输入数据，基于过程监测模型计算得到正常工况下过程监测模型的重构误差；
[0153]
在本实施例中，需要说明的是，将测试集输入上述离线建模过程中获得的卷积自编码器的过程监测模型中，并计算得到正常工况下模型的重构误差mse。
[0154]
s2037、选择重构误差在99％置信区间下的阈值作为过程监测模型的控制限，通过公式(6)、(7)进行描述：
[0155][0156][0157]
其中，控制限是指在正常工况下得到的重构误差的阈值，用于验证采集的在线数据是否安全，h表示核密度估计函数的平滑参数，n表示重构误差的样本数，mse表示重构误差。
[0158]
在本实施例中，需要说明的是，mse可以用来评价原始数据矩阵和数据增强矩阵之间的差异，mse越大意味着原始数据矩阵和数据增强矩阵之间的差异越大。通过计算正常工况下的重构误差，并且其在99％置信区间下的阈值作为控制限，得到判断固定床反应器是否发生故障的标准，以便后续分析判断。
[0159]
下面对在线监测每个步骤具体展开详细说明：
[0160]
在一些实施例中，参照图2、图12所示，s302中，对过程数据进行数据预处理，得到在线输入数据，包括：
[0161]
s3021、在线实时采集固定床反应器内部不同空间在运行工况下的过程数据，并将过程数据进行归一化处理；
[0162]
s3022、将归一化处理后的过程数据进行数据预处理，得到增强后的三维时间序列数据矩阵，以作为过程监测模型的在线输入数据。
[0163]
在本实施例中，需要说明的是，首先通过采集当前固定床反应器在运行工况下的过程数据并进行归一化处理，并将经归一化处理后的过程数据按照上述离线建模过程中的方式对过程数据进行预处理，获得增强后的三维时间序列数据矩阵也即处理为过程监测模型可识别的输入形式，以便于得到在线输入数据，进行后续分析。
[0164]
在一些实施例中，参照图3、图4所示，s303中，基于在线输入数据根据过程监测模型，得到在线结果，包括：将在线输入数据输入过程监测模型中，得到重构误差。
[0165]
在本实施例中，需要说明的是，通过将采集的过程数据分析其之间的自相关性、互相关性以及空间相关性，得到多维度的在线输入数据，根据过程监测模型计算得到的重构误差来精确分析固定反应器是否发生故障。
[0166]
在一些实施例中，参照图3、图4所示，s304中，将得到的在线结果与离线结果进行比较，以确定固定床反应器是否发生故障，包括：
[0167]
将通过在线输入数据得到的重构误差与控制限进行比较；若重构误差小于控制限，则说明该过程仍然处于正常工况条件下；否则，则说明固定床反应器发生故障。
[0168]
在本实施例中，需要说明的是，在线采集的过程数据，其中包含发生故障的数据，通过将在线输入数据得到的重构误差与控制限进行比较，因控制限是在离线建模过程中，通过正常的过程历史数据得出的重构误差，故将在线输入数据得到的重构误差与控制限，若重构误差小于控制限，则说明该过程仍然处于正常工况条件下；否则，则说明固定床反应器发生故障，从而实现可精准的预测固定反应器是否发生故障。
[0169]
在本实施例中，需要说明的是，为了验证过程监测模型的监测效果，在一个例子中，如图13所示，某制氢装置固定床反应器是一个立式绝热式固定床反应器。在反应器内，稀释蒸汽和轻石脑油的混合物自上向下流动，在催化剂的作用下发生反应生成富含甲烷的气体。通过将本技术的过程监测模型的监测预警方法(i et-cae)与基于主元分析方法的过程监测方法(pca)、基于自编码器的过程监测方法(ae)、基于一维卷积自编码器的过程监测方法(1d-cae)、基于二维卷积自编码器的过程监测方法(2d-cae)以及基于空间相关性提取的过程监测方法(3d-cae)进行对比，得到各种监测预警方法对固定床反应器的故障识别效果。其中，1d-cae和2d-cae分别指使用一维卷积核和二维卷积核的卷积自编码器，3d-cae是指仅采用了基于测量仪表空间分布特征的变量排列方法，未采用基于拉普拉斯算子的数据增强技术的卷积自编码器。
[0170]
参照图13所示，该固定床反应器共有18个温度测量点，分布在6个不同的高度的床层上，每个床层高度上有3个温度测量点，通过测量点采集温度变量，对温度测量点的空间分布特征进行分析。本技术中将t时刻温度数据排列成如图14中part a所示的二维数据矩阵，然后利用本技术中所提出的数据增强技术，对二维数据矩阵进行进一步处理以获得二维增强数据矩阵如图14中part b所示，最后按照上述离线建模的步骤s2023中所示的方式，将t-2、t-1和t时刻的二维增强数据矩阵排列成如图14中part c所示的三维时间序列数据矩阵。
[0171]
通过采集正常工况下的的2200个样本点，其中包含一段过程故障数据，作为测试数据用于评价过程监测模型对故障识别的效果。首先对变量间的空间相关性进行分析。考虑到变量间的非线性关系，最大互信息系数(mic)被用于评价变量间的相关性。如图15所示，每个变量与其周围变量之间的最大互信息系数均大于它们与其他变量之间的最大互信息系数。发现变量间存在着空间相关性，基于测量仪表空间分布特征的变量排列方法能够将相关性强的变量排列在一起，能够更有利于卷积自编码器对变量间空间相关性的提取。
[0172]
如图16所示是基于六种不同过程监测方法的监测结果图，其中a图表示pca监测结果图，b图表示ae监测结果图，c图表示2d-cae监测结果图，d图表示1d-cae监测结果图，e图表示3d-cae监测结果图，f图表示i et-cae监测结果图。从图16中f图可以看出，基于卷积自编码器的过程监测模型在第1350个样本点处发现过程故障。通过查阅装置的历史生产记录可知，操作人员在第2196个样本点处发现固定床反应器的c、d床层温度出现异常变化。通过对原料进行分析发现稀释蒸汽中的硫含量超标，进而确定固定床反应器发生催化剂硫中毒故障。相比之下，基于卷积自编码器的过程监测模型预警故障能够比操作人员提前846分钟发现该过程故障，可为操作人员提供更加充足的时间对故障进行处理，能够有效地减小故障对装置生产的影响。此外，从监测结果图中可知，pca、ae、2d-cae、1d-cae和3d-cae分别在第1967个样本点,第1471个样本点,第1460个样本点,第1462个样本和第1447个样本点处发现该过程故障。通过对比发现，基于卷积自编码器的过程监测模型的故障预警方法相比于
其余五种过程监测方法至少能提前约2小时发现该故障。
[0173]
在本实施例中，还需要说明的是，为了更直观地比较数据增强矩阵与原始数据矩阵之间的差异，本实施例中还将两类数据矩阵转化为图像进行对比，如图17所示。从图中可以看出，正常工况下原始数据矩阵中各床层温度间没有明显的界限。在故障工况下，床层c、d、e和f的温度差异也非常小，几乎看不出区别。相比之下，在增强数据矩阵中，各床层间的温度存在着明显的区别。在故障发生时，在增强数据矩阵中可以清楚地发现反应器床层c和d的温度异常，这在原始数据中很难被发现。这意味着使用本技术方法中的数据增强技术可以有效地增强过程数据在正常和故障工况下的区别，能够使得过程监测方法更容易发现过程故障。
[0174]
在本实施例中，还需要说明的是，为了客观比较原始数据矩阵和数据增强矩阵之间的区别，本技术中采用了几种客观的评估方法，如标准差(std)，均方误差(mse)和峰值信噪比(pnsr)。std是指数据矩阵中变量值的方差，其计算公式如下：
[0175][0176][0177]
其中h和w分别表示数据矩阵的高度和宽度，μ表示数据矩阵变量值的平均值。
[0178]
mse也可以用来评价原始数据矩阵和数据增强矩阵之间的差异，其计算公式如下所示。从公式中可以看出，mse越大意味着原始数据矩阵和数据增强矩阵之间的差异越大。
[0179][0180]
psnr也可以用于评价原始数据矩阵和数据增强矩阵之间的差异。psnr值越低，说明原始数据矩阵和数据增强矩阵之间的差异越大。其数学表达式如下：
[0181][0182]
其中i
max
表示原始数据矩阵和数据增强矩阵中的变量最大值。
[0183]
其中，测试数据集中原始数据矩阵和数据增强矩阵的std比较如图18所示。从图中可以看出，当故障发生时，数据增强矩阵的std显著增加，这意味着当故障发生时，数据增强矩阵中包含的信息发生了显著变。此外，从图19和图20可以看出，当故障发生时，测试数据集的mse和psnr分别出现了明显的上升和下降。这均说明了与原始数据矩阵相比，利用本技术中方法所提出的数据增强技术能够使得正常和异常工况过程数据间的区别得到明显的增强，这将更有利于过程监测模型对过程故障的超前识别。
[0184]
综上分析，本技术的方法首次提出了根据测量仪表空间分布特征将过程数据重新排列成一个三维时间序列数据矩阵，能够利用卷积自编码器更加有效地提取变量间的互相关性、自相关性以及空间相关性。此外，基于拉普拉斯算子的数据增强技术能够进一步增强过程数据在正常工况和异常工况下的区别，提高了过程监测模型对过程故障的识别效果。本技术的方法在制氢装置固定床反应器的测试结果表明其在实际工业过程中的应用效果
良好，相比于操作人员以及其他传统的过程监测方法，能够超前识别出固定床反应器的过程故障，避免了过程故障进一步的发展造成更严重的生产事故，为操作人员提供更加充分的时间用于消除过程故障。
[0185]
在本技术的实施例中提出了一种基于空间特征提取的固定床反应器过程监测方法，相比于以往的过程监测方法，该方法能够利用卷积自编码器有效地提取变量间的空间相关性；同时，基于拉普拉斯算子的数据增强技术能够进一步增强过程数据在正常工况和异常工况下的区别，有利于过程监测方法对过程故障的超前识别；该方法在制氢装置固定床反应器中的应用以及与其他过程监测方法的对比，证实了该方法在实际工业应用中能够更早的发现固定床反应器过程故障，为操作人员提供更充分的时间消除过程故障，从而避免过程故障进一步的发展所带来的进一步经济损失。
[0186]
参照图21、图22所示，本技术实施了还提供了一种固定床反应器工业过程的故障预警系统，该系统可以包括：训练模块、监测模块，其中各组成模块的详细分类单元以及主要功能如下：
[0187]
其中，训练模块，用于离线建模，具体包括：
[0188]
获取单元401，用于获取固定床反应器在正常运行工况下监测变量的过程历史数据；
[0189]
第一处理单元402，用于对监测变量的过程历史数据进行数据预处理，得到形式符合卷积自编码器所需的离线输入数据；
[0190]
第一计算单元403，用于离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；
[0191]
其中，监测模块，用于在线监测，具体包括：
[0192]
采集单元501，用于在线实时采集监测变量的过程数据；
[0193]
第二处理单元502，用于对监测变量的过程数据进行数据预处理，得到形式符合卷积自编码器所需的在线输入数据；
[0194]
第二计算单元503，用于基于在线输入数据根据过程监测模型，得到在线结果；
[0195]
结果判断单元504，将得到的在线结果与离线结果进行比较，以确定固定床反应器是否发生故障。
[0196]
根据本技术的实施例，本技术还提供了一种计算机设备、一种计算机可读存储介质。
[0197]
如图23所示，是根据本技术实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
[0198]
如图23所示，设备600包括计算单元601、rom 602、ram 603、总线604以及输入/输出(i/o)接口605，计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0199]
计算单元601可以根据存储在只读存储器(rom)602中的计算机指令或者从存储单元608加载到随机访问存储器(ram)603中的计算机指令，来执行本技术方法实施例中的各种处理。计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单
元601可以包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。在一些实施例中，本技术实施例提供的方法可被实现为计算机软件程序，其被有形地包含于计算机可读存储介质，例如存储单元608。
[0200]
ram 603还可存储设备600操作所需的各种程序和数据。计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。
[0201]
设备600中的输入单元606、输出单元607、存储单元608和通信单元609可以连接至i/o接口605。其中，输入单元606可以是诸如键盘、鼠标、触摸屏、麦克风等；输出单元607可以是诸如显示器、扬声器、指示灯等。设备600能够通过通信单元609与其他设备进行信息、数据等的交换。
[0202]
需要说明的是，该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本技术方案所必需的组件，而不必包含图中所示的全部组件。
[0203]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件和/或它们的组合中实现。
[0204]
用于实施本技术的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元601，使得计算机指令当由诸如处理器等计算单元601执行时使执行本技术方法实施例中涉及的各步骤。
[0205]
本技术提供的计算机可读存储介质可以是有形的介质，其可以包含或存储计算机指令，用以执行本技术方法实施例中涉及的各步骤。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的等形式的存储介质。
[0206]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。

技术特征：
1.一种固定床反应器工业过程的故障预警方法，其特征在于，包括：离线建模和在线监测；其中，所述离线建模包括以下步骤：获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；对所述过程历史数据进行数据预处理，得到离线输入数据；根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；所述在线监测包括以下步骤：在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；对所述过程数据进行数据预处理，得到在线输入数据；基于所述在线输入数据根据所述过程监测模型，得到在线结果；将所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发生故障。2.根据权利要求1所述的固定床反应器工业过程的故障预警方法，其特征在于，对所述过程历史数据进行数据预处理，得到离线输入数据之前还包括：对所述过程历史数据进行归一化处理，通过公式(1)进行描述：3.根据权利要求1或2所述的固定床反应器工业过程的故障预警方法，其特征在于，所述对所述过程历史数据进行数据预处理，得到离线输入数据，包括：根据所述过程历史数据在固定床反应器内部的不同空间分布，排列成二维数据矩阵；将不同时刻下的二维数据矩阵堆叠为三维时间序列数据矩阵，得到离线输入数据；根据所述三维时间序列数据矩阵提取所述过程历史数据之间的空间相关性。4.根据权利要求3所述的固定床反应器工业过程的故障预警方法，其特征在于，所述对所述过程历史数据进行数据预处理，得到离线输入数据，还包括：基于拉普拉斯算子的数据增强技术对所述二维数据矩阵进行预处理，增强正常和故障工况下的数据间区别，通过公式(2.1)进行描述：其中，i(p,q)和v(p,q)分别表示原始二维数据矩阵和增强二维数据矩阵中的变量值。5.根据权利要求4所述的固定床反应器工业过程的故障预警方法，其特征在于，根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，包括：将所述离线输入数据的部分数据作为训练集；将所述训练集作为输入数据，基于卷积自编码器提取所述训练集变量之间的自相关性、互相关性以及空间相关性，并得到卷积自编码器所提取的数据特征，通过公式(3)进行描述：c
k
＝f(∑
k
x*w
k
+b)
ꢀꢀꢀꢀꢀꢀ
(3)，其中x表示输入数据，w
k
表示卷积核的权重参数，b表示卷积核的偏置参数，f()表示激活函数；对所述卷积自编码器所提取的数据特征进行重构，获得重构数据，通过公式(4)进行描
述：c'＝f(∑
k
c
k
*w
k
+b)
ꢀꢀꢀꢀꢀ
(4)，其中c’表示数据重构的输出，c
k
表示反卷积层的输入，w
k
表示反卷积层卷积核的权重参数，b表示偏置参数；根据所述输入数据和所述重构数据计算重构误差，通过公式(5)进行描述：其中，x
i
表示输入数据，y
i
表示输出数据也即重构数据。6.根据权利要求5所述的固定床反应器工业过程的故障预警方法，其特征在于，根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果，还包括：将所述离线输入数据的部分数据作为测试集；所述测试集作为所述过程监测模型的输入数据，基于所述过程监测模型计算得到正常工况下所述过程监测模型的重构误差；选择所述重构误差在99％置信区间下的阈值作为过程监测模型的控制限，通过公式(6)、(7)进行描述：(6)、(7)进行描述：其中，所述控制限是指在正常工况下得到的重构误差的阈值，用于验证采集的在线数据是否安全，h表示核密度估计函数的平滑参数，n表示重构误差的样本数，mse表示重构误差。7.根据权利要求1-6中任意一项所述的固定床反应器工业过程的故障预警方法，其特征在于，所述对所述过程数据进行数据预处理，得到在线输入数据，包括：在线实时采集固定床反应器内部不同空间的过程数据，并将所述过程数据进行归一化处理；将归一化处理后的所述过程数据进行数据预处理，得到增强后的三维时间序列数据矩阵，以作为所述过程监测模型的在线输入数据。8.根据权利要求7所述的固定床反应器工业过程的故障预警方法，其特征在于，基于所述在线输入数据根据所述过程监测模型，得到在线结果，包括：将所述在线输入数据输入所述过程监测模型中，得到重构误差。9.根据权利要求8所述的固定床反应器工业过程的故障预警方法，其特征在于，所述将得到的所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发生故障，包括：将通过所述在线输入数据得到的所述重构误差与所述控制限进行比较；若所述重构误差小于所述控制限，则说明该过程仍然处于正常工况条件下；否则，则说明固定床反应器发生故障。10.一种固定床反应器工业过程的故障预警系统，其特征在于，所述系统包括：
训练模块，用于离线建模；监测模块，用于在线监测；其中，所述训练模块包括以下单元：获取单元，用于获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；第一处理单元，用于对所述过程历史数据进行数据预处理，得到离线输入数据；第一计算单元，用于根据所述离线输入数据建立基于卷积自编码器的过程监测模型，并得到离线结果；其中，所述监测模块包括以下单元：采集单元，用于在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；第二处理单元，用于对所述过程数据进行数据预处理，得到在线输入数据；第二计算单元，用于基于所述在线输入数据根据所述过程监测模型，得到在线结果；结果判断单元，将所述在线结果与所述离线结果进行比较，以确定固定床反应器是否发生故障。

技术总结
本申请涉及一种固定床反应器工业过程的故障预警方法及系统，包括：获取固定床反应器内部不同空间在正常运行工况下的过程历史数据；对过程历史数据进行数据预处理，得到离线输入数据；根据离线输入数据建立基于卷积自编码器的过程监测模型得到离线结果；在线实时采集固定床反应器内部不同空间在运行工况下的过程数据；对过程数据进行数据预处理，得到在线输入数据；基于在线输入数据根据过程监测模型，得到在线结果；将在线结果与离线结果进行比较，以确定固定床反应器是否发生故障；基于空间特征提取的固定床反应器过程监测方法，能够有效地提取测量变量之间的空间相关性，实现对生产过程故障的超期预警，为操作人员消除故障提供了更充分的时间。障提供了更充分的时间。障提供了更充分的时间。


技术研发人员：王璟德 马方圆 孙巍 纪成
受保护的技术使用者：清华大学无锡应用技术研究院
技术研发日：2023.06.26
技术公布日：2023/9/6