重大危险源动态预警方法体系化学工业园区

文摘

主要危害的生产和储存设施(mhi)带来潜在风险化学工业园区(CIP)。据三菱重工的生产系统,其危险程度主要取决于关键参数,和关键参数异常往往会导致事故。预测的实时风险价值据三菱重工和完善CIP的事故预防能力,我们需要一个方法,可以结合动态预测和评估。摘要定量风险评估是无法模拟的操作过程中风险的变化。因此,本文采用数据驱动的方法。灵感来自视觉的定性分析和定量分析,提出了一种动态预警方法据三菱重工。我们可以通过使用这些关键参数的未来趋势强烈相关变量来预测关键参数。模糊评价分析是进行风险水平的关键参数,这些据三菱重工和动态评价指标。这种方法可以应用于在CIP三菱重工的动态评价系统。它可以导致CIP在某些方面的安全。

1。介绍

对日常生活材料的需求刺激了化工行业的蓬勃发展。大型国际马铃薯中心是建立在不同的国家和地区。CIP高复杂性的特点,强大的协会,和长期的生产过程。它是一个过程与多个变量,强耦合。工业过程变量偏离目标值并导致一系列的失败由于设备故障,生产设备老化,人员操作错误,原料特性,以及外部环境的变化(1]。它也可能导致工业事故,如火灾、爆炸、泄漏。在严重的情况下,这种偏差可能导致人员伤亡,重大的经济损失和严重的环境污染2]。1984年12月3日,释放异氰酸甲酯气体在博帕尔杀死了大约3000人,印度。这一事件被认为是世界上最严重的工业化学品事故,7月10日,1976年,由于一个反应堆失控事故化工厂萨,意大利。分散二恶英进入当地大气导致大约250人皮肤病氯痤疮和烧碱燃烧约450人(3]。2015年8月12日,在天津滨海新区危险化学品仓库发生爆炸,导致165人死亡,总投资6.87 8失踪,798人受伤,直接经济损失(4]。因此,事故预防CIP应该改进的能力。

QRA是一个传统的风险建模方法。尽管QRA方法是有用的在事故建模场景和量化风险,但是他们的静态结构不能建模过程中操作风险变化的5]。动态预警是一种提高预防能力的三菱重工在化工行业的生产系统。领域的预警和评估,使用过程的弹性分析框架,耆那教等。6)提出了一个resilience-based方法管理不确定性令更好地预测过程。Meel和seide7)提出,安全系统的失效概率和最终状态估计使用介体和贝叶斯分析,以确保更好地预测植物的动态故障评估。程等。8)提出了一个基于贝叶斯方法和葡萄树接合部预测化学事故的频率根据不同群体的变化。虽然贝叶斯定理有助于获得后验概率,它需要识别似然函数,这是一个艰巨的任务,如果它不是一个共轭先验概率分布。Abdolhamidzadeh et al。9)提出了“当地多米诺效应”的概念处理过程单元内部发生的一连串的事故,取得一个好的结果来处理不确定性和复杂性。Pariyani et al。10]介绍了一个分布式控制系统通过偏差分析计算系统故障的概率,概率较低的风险,严重的事故后果预测更准确。周et al。11)建立了一个基于加权模糊Petri网的安全风险评估方法。这种方法可以很容易地模型不同的风险因素之间的关系以及它们的重要性。在社会因素方面,耆那教等。12)提出了一个新颖的框架,过程弹性分析框架,结合技术和社会因素在一个集成的方法导致减少的频率控制事件的损失。落水洞和Ylonen13)提出了一个更紧密的融合的风险分析和管理方法和社会技术的角度对安全可以用来改善风险和安全条例。这些方法需要人为因素、社会因素和多米诺骨牌效应考虑在内,但他们不能动态异常变化引起的灾害风险评估参数的变化。

参数的预测是一个重要的动态预警的一部分。其他领域应用研究参数预测模型(14- - - - - -16]。然而,这些传统的方法面对大数据计算复杂度大的背景下,多个进程,多变量化学过程(17]。例如,由于缓解在控制系统配置警报,警报的数量工厂也上涨了。这导致了频繁的系统问题,提高操作员工作负载由于报警过载,和工业事故。(18]。因此,这种方法一般是不适用的。今天,大数据已经成为一个国家的重要战略资源19]。高尔et al。20.)讨论大数据分析的潜在领域的能源产业安全和风险管理过程。大量的CIP数据也可以。CIP的早期预警,对大数据进行合理的分析,充分考虑各种加工工业的关键参数之间的相关性预测分析是至关重要的(21]。如果生产系统中所有变量不过滤,然后计算非常复杂。视觉动态风险评估方法是一个仪器,可以定性分析高维变量之间的相关性。Saatci [22]平行坐标用于探索呼吸信号之间的相关性和气流,相对温度、相对湿度和其他因素,取得了令人满意的结果。爱资哈尔和,Rissanen23评估应用程序的并行协调互动的过滤报警数据进行比较与典型的用户性能警报列表。结果表明,平行坐标减少报警过滤时间和减少人类的错误。可视化方法只能进行定性分析,同时应该定量分析和变量之间的相关性。贝特和Hoppner24)研究了聚类时间序列基于欧氏距离和皮尔逊相关,对未来的研究起到了推波助澜的作用。

据三菱重工的预测应该执行迅速。过度延迟会导致意想不到的后果。赵et al。25)使用GPU进行加速操作,有效提高预测速度。Ruiz et al。26)采用遗传算法优化神经网络权值,提高预测精度,降低预测时间。化学过程工业与多变量相关联。处理高维变量,Erkmen和Yıldırım27)使用主成分分析特征提取方法促进分类性能。支持向量机(28),反向传播神经网络(BP神经网络)29日],概率模型是常用的传统预测模型(30.]。然而,这些方法可以实现静态预测。当这些方法应用于工业过程动态的预测,动态时间建模问题转化为一个固定空间建模问题,这就不可避免地导致预测精度下降。我们需要构建模型;反馈链接,可后来记忆状态信息的化学工业的关键参数,使系统适应时变特征。例如,秦et al。31日)使用一个Elman神经网络改进平滑过渡时期的自回归模型,准确地预测风能和速度。

本文分为如下。整个过程的部分2简要介绍了结构的动态预警方法。部分3介绍了动态预测和评价方法,结合变量相关分析,收购和特征分析和特征向量,进行强有力的相关分析和降维。构造一个递归神经网络预测三菱重工。最后,我们使用三菱重工风险水平来定义一个动态评价方法。部分4以衢州城国际马铃薯中心为例进行案例研究的方法。部分5提供了一些结论。

2。重大危险设施的动态预测和评估方法

鉴于化学事故通常是由一些参数波动;因此,有必要构建一个动态预测模型。神经网络在各个领域的应用不断出现。与支持向量机(28)和非线性回归、神经网络具有强大的多变量预测性能和可以不断调整体重输入层、输出层和隐含层来实现高精度预测(29日]。在传统的神经网络中,我们添加一个状态层构建动态的网络,它可以更好地适应化工生产参数的动态变化特征。分析关键参数的强相关性的变量是至关重要的因为很多参数和高的化学过程的复杂性。程的相关分析工作,如et al。8),采用相关函数建立非对称异常的事件数量的相关性模型,考虑四个团队之间的相关性。多变量条件下的化学生产工程,建立相关函数的过程是相当复杂的,和一个快速和准确的相关分析方法是必要的。可视化的方法可用于快速定性分析的相关变量,结合定量分析方法,有效地实现强大的相关变量的关键参数的选择。

的结构框图图展示了动态预警方法1。的第一部分算法变量相关分析,第二部分是功能分析和特征向量收购,第三部分是动态预测复发。最后一部分是动态的风险评估。算法的实现过程如下。

(1)所有相关变量的关键参数据三菱重工的CIP使用变量相关的定性分析数据可视化(32]。

(2)关键参数的平均值和标准偏差计算和相关的变量。

(3)获得两个变量之间的相关系数r值和变量高度相关。(4)强大的相关变量的协方差矩阵计算,及其特征值和特征向量。

(5)特征值从大到小的顺序选择,选择和最大根据既定的规则。K特征值构成相应的特征向量矩阵。

(6)投射到所有相关变量的样本选择K特征向量。

(7)强相关矩阵用于动态递归预测。

(8)使用强烈的相关性变量动态复发预测和评估风险水平使用每个参数的动态预测结果。评估标准分为两个水平最终确定CIP的风险水平。

3所示。提出的方法

3.1。变量的相关分析

首先,有一个定性分析相关变量的三菱重工的关键参数,而这些相关变量组合成一个高维数据集。每个变量分为一个坐标轴,等于在距离和相互平行。每个轴代表一个属性维度,变量的值对应于相应的轴上的位置。通过这种方式,每一个化学过程变量可以分为平行轴的折线n根据其属性值。在以下描述的实现步骤。

相关变量的生产化工mhi系统中的关键参数组合成以下评分矩阵S:

与笛卡尔坐标系统,在平面上得分矩阵中的每一行, 对应于一个由k-1-line段折线连接在一个平行坐标系统。这些数据必须从笛卡尔坐标系统转换为平行坐标系统因为每个坐标轴等于长度;因此,得分均质0 - 1矩阵。处理过的数据之间的关系和原始数据是 ,在哪里和最大和最小值的相关变量,分别。

平行轴代表每个关键参数的相关变量在三菱重工,这是由这些相关变量的参数值。如果两个变量之间的界线是交叉显示X类型,那么这两个变量是负相关。如果两个变量之间的线平行,那么这两个变量表示正相关。如果变量是随机交叉之间的界线,那么两个变量之间不存在独特的关系。

然后,定量分析了相关变量的关键参数据三菱重工(33]。强大和媒介相关变量进一步划分来验证可视化方法。相关系数是反映在象征“r”和皮尔逊相关系数如下:

其中n等于选择数据项的数量。和选择属性数据的平均值是A和B,分别和相应的标准差。

3.2。特征分析和特征向量的收购

多数的化学过程,关键参数有无数强大的相关变量。这些强烈的相关性变量构成高维数据,必须减少为了提高效率和预测精度的关键参数(34),n维特性K维(K < n)。的步骤如下。

(我)的相关变量选择变量相关分析构成数据矩阵X:

(2)每个数据矩阵的维数维主成分有严重影响,这可能会导致相当大的区别的数量和主成分的价值和实际情况。强关联变量构成了数据矩阵X,和每个变量标准化的再加工得到标准化的数据矩阵Z: 。整体的意思是 ,和总方差是。相关矩阵, ,计算,是标准化的数据矩阵的转置Z, n表示矩阵的行Z, m代表Z矩阵的列,计算相关矩阵C包含D主成分。

(3)雅可比找到特征向量的方法的相关矩阵C和特征值矩阵 ,在哪里特征值和代表一个对角矩阵。

(iv)的特征值排列顺序从大到小。特征向量的顺序列相应调整,允许的最大方差第一主成分,sublarge方差为第二主成分,最小方差D主成分。

(v)最大的K主成分方差选择允许K主成分包含原始数据的大部分信息。通常选择的累积方差贡献K主成分大于总方差的85%。也就是说, 。

(vi)通过选择特征向量 ,K的主成分,K独立获取新变量的线性组合:

(七) 后重建K特征维度的降低。这些特性代表所有强相关的主成分变量,和T矩阵K强相关变量的主成分如下:

3.3。动态预测复发

预测模型,在传统的神经网络中,我们添加一个状态层构建动态的网络。如图2,它显示了四层,即输入层、隐藏层、状态层和输出层(35]。

数学模型如下:

y (t)是输出层的输出,u (t)是外部输入的输入层,K的矩阵t强相关的主成分变量是输入,是国家的输出层,x (t)是隐藏层的输出,是连接状态层和隐层的重量,然后呢是连接输入层和隐层之间的重量。是连接隐藏层和输出层的重量,隐层的门槛,是输出阈值,在哪里代表了神经网络的激活函数使用乙状结肠函数提出了公式(7):

公式(6)可以介绍如下:

在哪里和代表连接之前体重在不同的时间。公式(8)表明,有关连接的重量在前面的时间和实现动态递归的特点(36]。

输入和输出分别为输入层

,隐藏层的输入和输出分别是什么

。国家的输入和输出层分别如下:

。输出层的输入和输出

在哪里。其中, , ,和输入,隐藏层和输出层,分别和国家的层数层隐层的是一样的。最后一个关键参数的预测价值。

3.4。动态风险评估和预警

模糊综合评价是一个多变量综合决策方法解决问题的复杂决策过程(37]。它是由模糊集。我们通过第一级和第二级模糊综合评价,以确定风险CIP的R值。分层图呈现在图3。具体步骤如下。

步骤1(第二级模糊综合评价的建设)。二级模糊综合评价矩阵定义了一个评价的关键参数 , 据三菱重工的数量, 为每个三菱重工是关键参数的数量;他们可能是不同的值。关键参数的预测价值的百分比y (t)超过高报警值G: 增加相应的元素之间和。然后,第二级模糊综合评价指标矩阵。

步骤2(一级模糊综合评价的建设)。根据风险程度的每个关键参数在三菱重工,一级模糊综合评价确定的重量: 。二级模糊综合评价矩阵 (获得的6)和一级模糊综合评价的重量是由点乘法,和风险等级指数据三菱重工的CIP方法如下: 在哪里CIP三菱重工的总数。

最后,动态CIP的三菱重工是由评价结果。动态评估的分数决定的评分方法,和年级的范围在表提供1。R,识别和控制规定的三菱重工(GB18218),作为分级指标(38]。这里,R获得危险设施动态指标的价值。据三菱重工的历史因素可能会影响整体的风险。所有动态风险等级的数据来自最后一次历史的真正价值关键参数超过高报警值返回到安全价值或当前值。


评论	年级	范围

灾难性的	我
高的风险	二世
适度的风险	三世
低风险	四世

步骤3。据三菱重工的最后动态评估和预警结果用于敦促安全人员排除首次三菱重工的潜在风险。

4所示。实际应用

CIP由许多三菱重工;空气分离蒸馏部分是三菱重工的典型代表之一。这依赖于工业实际应用数据的CIP城市从2017年7月,浙江衢州和一系列的模型建立,完成相关分析、预测和评估实现的动态预警功能CIP三菱重工。

这个实际应用选择一个行业的空气分离蒸馏部分CIP的动态预警对象据三菱重工(39),一个简化的平面草图的空气分离蒸馏部分在图4。这部分简化,删除一些工业过程从空气中分离精馏部分。为了让它更容易理解工业过程,我们是基于数据驱动的方法和可以忽略化学过程工业的描述机制。部分可以单独的空气为氧和氮。风险程度的部分是受几个关键环节,如空气分离塔系统、空气净化系统、空气预冷系统。这些生产线严格依赖于压力和温度,压力和温度是否异常,他们可能会导致爆炸和火灾。空气分离系统包括涡轮放大器和蒸馏塔列,等等。我们删除几个弱参数和链接,以确保工厂数据隐私,但并不影响我们的应用程序的结果。我们用液态空气水平低列LI101在空气分离蒸馏部分关键参数。因为大多数的顶级饲料来自塔的底部,底部的工作条件的塔在空气分离蒸馏部分发挥决定性的作用。液态空气异常低水平列将导致减少氧气纯度,构成严重威胁系统的正常生产。 The section has 38 liquid levels, pressure, temperature, and other sensor variables, as shown in Table2,液态空气水平低的关键参数是LI101列。为了预测LI101,我们需要找到强有力的相关变量在38个变量。LI101的变化趋势预测的细微变化这些强有力的相关变量。应该注意的是,LI101许多关键参数只有一个,其他关键参数的分析过程是类似的LI101足以分析过程这里不重复。


项	描述

PI101	进气室压力(MPa)
PI102	氮气出口塔压力(MPa)
PI103	富氧空气出口压力(MPa)
PI1201	空气出口离开吸附压力桶(MPa)
PI1202	空气出口对吸附筒压力(MPa)
PI1203	仪表空气压力(MPa)
PI01	排气口的压力主要热交换器(MPa)
PI02	低柱压(MPa)
PI03	蒸发器冷凝器压力(MPa)
PDI01	阻力较低的列(MPa)
PI401	Turboexpander1 #进气压力(MPa)
PI402	Turboexpander1 #排气压力(MPa)
PI403	Turboexpander2 #进气压力(MPa)
PI404	Turboexpander2 #排气压力(MPa)
PI2001	Turboexpander1 #轴承气压(MPa)
PI2002	Turboexpander2 #轴承气压(MPa)
PI2003	Turboexpander1 #密封压力(MPa)
PI2004	Turboexpander2 #密封压力(MPa)
TI101	空气温度在进入塔(°C)
TI102	出口塔温度受污染的氮(°C)
TI103	出口塔温度受污染的氮(°C)
TI1201	空气出口离开吸附桶温度(°C)
TI1202	空气出口温度对吸附桶(°C)
TE1204	再生气体出口温度吸附桶(°C)
TI01	主要空气出口温度热交换器(°C)
TI02	Turboexpander1 #进气温度(°C)
TI03	Turboexpander2 #进气温度(°C)
TI04	Turboexpander1 #排气温度(°C)
TI05	Turboexpander2 #排气温度(°C)
TI07	出口温度的预冷器(°C)
FI1201	再生气体流量(Nm3 /小时)
FI101	空气流量(Nm3 /小时)
FI102	氮气流量(Nm3 /小时)
LI101	液态空气水平较低的列(毫米)
LI01	水冷式液位(毫米)
LI02	液态氧水平在主冷凝器(毫米)
SI402	膨胀机转速(RPM)
LV02	液态空气节流阀(%)

空气分离蒸馏部分的38个变量分析了视觉相关分析。实验数据集包括1000套,如图5。LI101的价值超过了高报警值,当两个相邻的变量之间的虚线是红色的。相反,蓝线表示LI101不超过高报警值。

38个变量不方便观察。因此,分析22变量之间的相关性对当地图。如图6,LI101和相邻的变量之间的线PI404和PI403随机交叉,表明没有特殊这些变量之间存在相关性。

如图7LI101和PI2002之间的界线,LI101 PI2003整体平行,表明呈正相关关系。该方法可以直观地和迅速选择强大的关键参数的相关性。

视觉相关分析后,我们过滤27个相关变量和消除11弱相关变量。

接下来,为了验证视觉相关分析和进一步过滤的准确性强相关变量,27个相关变量的皮尔森相关分析和过滤的结果强烈相关变量如表所示3。


项	PI02	PI03	PI401	PI402	PI1201	PI2003	PI102

相关	0.674	0.661	0.645	0.621	0.670	0.669	0.674
惹人注目	0.000	0.000	0.000	0.000	0.000	0.000	0.000
N	1000年	1000年	1000年	1000年	1000年	1000年	1000年

项	PI103	FI102	FI101	FI1201	TI03	TI04	TI102

相关	0.659	0.659	0.602	0.697	0.617	-0.611	-0.633
惹人注目	0.000	0.000	0.000	0.000	0.000	0.000	0.000
N	1000年	1000年	1000年	1000年	1000年	1000年	1000年

强相关变量的表有三行。第一行是相关值,0到0.33是弱相关,0.33到0.67中相关,0.67到1强相关性[40]。第二行是重要的测试结果,也就是说,两国测试团体。背后的星号相关行值代表了卓越的程度:代表0.01 <团体< 0.05指示意义;代表团体< 0.01表示高度的意义;第三行是样本容量。

PI02的数据表3作为一个例子,相关系数r = 0.674,显著P = 0,样本容量N = 1000。结果表明,PI02是列压力越低,这压力与LI101有很强的相关性。

强烈的相关性变量在表3用于减少维度。

数据矩阵X是由强大的相关变量,并归一化矩阵。得到Z矩阵规范化数据,计算相关矩阵C。相关矩阵C包含14个主要组件。坚实的相关变量的相关系数矩阵如表所示4。


z分数	PI02	PI03	PI401	PI402	PI1201	PI2003	PI102	PI103	FI102	FI101	FI1201	TI03	TI04	TI102

PI02	1.000	0.354	0.744	0.376	0.720	0.805	0.519	0.884	-0.468	0.396	0.250	0.798	0.114	0.749
PI03	0.354	1.000	0.854	0.976	0.694	0.714	0.699	0.477	-0.623	0.984	0.866	0.156	0.543	0.850
PI401	0.744	0.854	1.000	0.856	0.878	0.933	0.727	0.779	-0.675	0.871	0.750	0.505	0.463	1.000
PI402	0.376	0.976	0.856	1.000	0.637	0.695	0.659	0.462	-0.512	0.993	0.862	0.218	0.444	0.855
PI1201	0.720	0.694	0.878	0.637	1.000	0.958	0.798	0.828	-0.902	0.693	0.650	0.379	0.677	0.868
PI2003	0.805	0.714	0.933	0.695	0.958	1.000	0.785	0.873	-0.766	0.734	0.599	0.525	0.511	0.930
PI102	0.519	0.699	0.727	0.659	0.798	0.785	1.000	0.674	-0.742	0.696	0.670	0.233	0.531	0.716
PI103	0.884	0.477	0.779	0.462	0.828	0.873	0.674	1.000	-0.695	0.509	0.331	0.726	0.288	0.780
FI102	-0.468	-0.623	-0.675	-0.512	-0.902	-0.766	-0.742	-0.695	1.000	-0.590	-0.611	-0.144	-0.796	-0.657
FI101	0.396	0.984	0.871	0.993	0.693	0.734	0.696	0.509	-0.590	1.000	0.866	0.211	0.515	0.869
FI1201	0.250	0.866	0.750	0.862	0.650	0.599	0.670	0.331	-0.611	0.866	1.000	-0.038	0.672	0.738
TI03	0.798	0.156	0.505	0.218	0.379	0.525	0.233	0.726	-0.144	0.211	-0.038	1.000	-0.313	0.519
TI04	0.114	0.543	0.463	0.444	0.677	0.511	0.531	0.288	-0.796	0.515	0.672	-0.313	1.000	0.441
TI102	0.749	0.850	1.000	.855	0.868	0.930	0.716	0.780	-0.657	0.869	0.738	0.519	0.441	1.000

相关系数矩阵显示了很强的相关性之间的索引。例如,PI03之间的相关系数和PI402 FI101很大,如表4。这个结果表明他们之间存在重叠索引信息。接下来,雅可比方法用于查找特征向量的相关矩阵 ,在哪里λ特征值和是一个对角矩阵。的特征值排序的顺序 ,和特征向量的顺序列相应的调整,使最大方差第一主成分,第二大方差在第二主成分,和最小方差为十三主要组件。

如表所示5,主成分的特征根和贡献率是特征根 ,特征根 ,和特征根。的前三个主成分的累积方差贡献率达到93.597%,涵盖了大部分的信息。这一发现表明,前三个主成分可以代表13主成分;因此,前三个索引可以提取。主成分作为 ,和。计算主成分载荷向量由三个主要组件,和表中给出的结果是6。


组装	初始特征值			提取负载平方之和
	总	方差	累积%	总	方差	累积%
	总	百分比	累积%	总	百分比	累积%

1	9.543	68.165	68.165	9.543	68.165	68.165
2	2.328	16.631	84.796	2.328	16.631	84.796
3	1.232	8.800	93.597	1.232	8.800	93.597
4	0.341	2.434	96.031
5	0.204	1.454	97.484
6	0.139	0.990	98.474
7	0.076	0.543	99.017
8	0.061	0.432	99.450
9	0.045	0.322	99.771
10	0.021	0.149	99.920
11	0.007	0.051	99.971
12	0.002	0.017	99.988
13	0.002	0.012	100.000
14	5.197 e-5	0.000	100.000


	组装
	1	2	3

PI02	0.7	0.654	−0.06
PI03	0.874	-0.338	0.302
PI401	0.97	0.093	0.154
PI402	0.851	-0.284	0.429
PI1201	0.936	0.074	-0.314
PI2003	0.948	0.212	-0.118
PI102	0.833	-0.075	-0.165
PI103	0.801	0.515	-0.199
PI102	-0.805	0.135	0.512
FI101	0.884	-0.289	0.34
FI1201	0.79	-0.5	0.155
TI03	0.419	0.841	0.224
TI04	0.596	-0.552	-0.617
TI102	0.965	0.109	0.174

索引PI02、PI03 PI401、PI402 PI1201, PI2003, PI102, PI103, PI102, FI101, FI1201,第一主成分和TI102高负载,和相关性高。TI03高负载在第二主成分和很强的相关性。TI04高负载在第三主成分和很强的相关性。

主成分的载荷矩阵是主成分的特征向量。主成分载荷向量除以算术平方根的主成分的特征根,即主成分载荷矩阵:

结果如表所示7。主成分系数的表达式


	组装
	1	2	3

PI02	0.23	0.43	-0.05
PI03	0.28	-0.22	0.27
PI401	0.31	0.06	0.14
PI402	0.28	-0.19	0.39
PI1201	0.3	0.05	-0.28
PI2003	0.31	0.14	-0.11
PI102	0.27	-0.05	-0.15
PI103	0.26	0.34	-0.18
PI102	-0.26	0.09	0.46
FI101	0.29	-0.19	0.31
FI1201	0.26	-0.33	0.14
TI03	0.14	0.55	0.2
TI04	0.19	-0.36	-0.56
TI102	0.31	0.07	0.16

载荷矩阵特征向量 ,特征值是其他变量的值在同一时间。

表7使用三个主要组件动态预测复发。

4.1。预测模型

BP神经网络是一种feedback-free前馈神经网络,它是由一组相互连接的神经元,每一个神经元是与相应的重量41]。极端学习机(ELM)是一个隐藏层前馈神经网络。它是由一个简单的结构,并有很强的学习与泛化能力。这个模型已广泛应用于模式识别、回归估计(42]。

通过过滤的关键参数相关变量和降维,14组强相关变量被过滤从38组相关变量。降维后,三组主成分代表14组强相关变量。

以下是关键参数的预测。该方法与BP神经网络相比,榆树和动态复发预测模型没有降维。公平,所选变量也分析了视觉定性分析和定量相关性分析。预测的实验数据来自14套坚实的相关变量,消除异常值数据和获得有效的数据作为实验样本的1000套。给出了样本集的分布表8。


数据集	按比例分配%	量

培训	70%	700年
验证	15%	150年
测试	15%	150年

在这项研究中,硬件包括CPU的配置英特尔酷睿i5 - 7300总部主时钟频率为2.50 GHz和GPU由NVIDIA GeForce GTX1050Ti。本研究采用以下国际评价指标来衡量模型的预测效率。

(1)最大误差(我)

其中,n是样本量,是预测值,是真正的价值。

(2)平均绝对误差(MAE)的绝对值的平均值所有观测值和预测值之间的偏差。

(3)均方根误差(RMSE)代表误差分布的离散性。一个小RMSE会导致误差分布集中,预测精度高。

(4)平均绝对百分比误差(日军)可以用来衡量一个模型的预测结果,及其计算公式如下:

动态复发性预测模型,确定隐层神经元的数目是一个实证问题,必须不断地测试。隐层神经元的数量动态的网络结构,而不是减少降维,将2 - 10。预测误差的比例在不同的隐藏层神经元的数量显示在图8。在动态的网络模型中,日军逐渐减少隐层神经元的数目增加时从2到9。当隐层神经元数量的增加从9到10,日军也逐渐增加,表明最优隐层神经元的数目8。的维度Reduction-Dynamic复发模型中,最优隐层神经元的数量是5。当隐层神经元的数量大于5,日军的增加趋势逐渐趋于平缓,并最终稳定与隐层神经元的数目的增加,表明的稳定性维度Reduction-Dynamic复发模型是强大的。

根据前两个模型的分析结果,动态的模型是14-9-1的网络结构,网络结构的维度Reduction-Dynamic复发模型是3-5-1。

四种方法测试30次使用示例数据的时间步1分钟想象自己的预测效果。动态的网络训练时,传递函数的隐层单元的年代Tansig正切函数,输出单元还使用S Tansig正切函数,和训练函数采用动量和自适应梯度下降训练函数,traingdx。

摘录片段150套的测试数据显示在图9。结果表明,四种预测建模方法取得了良好的预测结果关键参数的时间序列。然而,之间有一个高对应关系拟合曲线的预测数据和实际值和有更大的比其他三个预测模型的预测精度。

几种评价指标的四个预测模型计算。图10表明四种预测方法的预测误差图和表9显示了几种预测方法的性能指标,给出了结果。的美和RMSE这种方法都是优秀的在四种方法中,这表明,该方法具有较高的精度高于其他方法在化学关键参数预测。平均值的最大误差百分比相对误差的绝对值,演示了方法比其他方法更稳定的化学工业的动态时间序列预测。


方法	我	美	RMSE	日军(%)	时间(年代)

英国石油公司	74.641	9.982	129.060	1.023%	337.414
榆树	70.414	7.916	99.137	0.793%	0.77
动态复发	49.381	5.768	69.117	0.577%	40.341
该方法	31.360	4.879	55.958	0.498%	34.732

在此应用程序的四个方法,榆树最短的时间预测,但预测精度和稳定性低于该方法本文和BP神经网络在所有方面很差。降维后,该方法的性能优于单一动态复发模型的方法。

4.2。评估和讨论

在这个应用程序中,风险程度的空气分离蒸馏部分被认为是受几个关键环节,如空气分离塔系统、空气净化系统、空气预冷系统。此外,风险程度的空气分离塔系统是相当受到几个关键环节。提出了评价指标和评价系数表10。


关键生产环节	关键参数	评价标识	评价系数

空气预冷系统	循环水位		880年

空气分离塔系统(含蒸馏塔)	液态空气柱水平低		1110年
	蒸馏塔的压力		1050年
	液态氧水平主冷凝器		1010年
	蒸馏塔最高温度		1040年

空气净化系统	吸附筒温度		890年
空气净化系统	吸附筒压力		870年

二级模糊综合评价是用来定义评价矩阵好空气分离蒸馏部分,关键参数y (t)超过高报警值G:

下面是只对液态空气柱水平低。乘以对应的元素和。二级模糊综合评价指数矩阵液态空气水平低的列:

摘录0-25段实时预测的关键参数呈现在图11。黄线在1030毫米LI101高报警值和紫色的线在1040毫米高报警值。目前的预测价值的时间是24分钟。相应的值是960.236毫米。

模糊综合评价的影响的历史关键参数随着时间的增加,小。本研究认为一个算法生成一个衰减因素准确地评估的影响在三菱重工历史关键参数的模糊综合评价。

假设的二级模糊综合评价关键参数 ,允许分配及时性的体重数值调整消除时间因素的影响对整个mhi评级结果,L是异常的数量后最后一次关键参数的实际价值超过了高报警。

时间的重量被称为时间衰减因子。本文第二级模糊综合评估的衰减趋势随时间呈现减少的比率等于比率,在哪里。

输入。L历史关键参数矩阵和相应的时间衰减因子。

输出。二级模糊综合评价消除时间因素的价值

最后一次间隔L 7段数据超过高报警值最后回到安全价值,关键参数的超过正常阈值的百分比。二级模糊综合评价和衰减因子如表所示11。


关键参数

1037.760	0.753%	8.283	0.038
1035.590	0.543%	5.973	0.055
1038.630	0.838%	9.218	0.078
1038.190	0.795%	8.745	0.112
1042.530	1.217%	13.387	0.160
1044.700	1.427%	15.697	0.229
1042.530	1.217%	13.387	0.327

二级模糊综合评判值不包括时间因素 ,这是计算如下:

然后,重量的第一层是决定:每个索引的效果在空气分离蒸馏部分风险等级,也就是说,重量分配,如表所示12。


危险的安装	关键生产链接数量	重量(D)

空气分离蒸馏部分B	空气预冷系统	0.07
	空气分离塔系统	0.76
	空气净化系统	0.17

用二级模糊综合评价矩阵一级模糊综合评价的重量,所以风险等级指数CIP的空气分离蒸馏部分如下:

我们假设的风险等级指数空气预冷系统和空气净化系统 ,二级模糊综合评判值 , 和蒸馏塔的压力,主冷凝器,液态氧水平和蒸馏塔最高温度是10.637,9.58,和6.37,分别是空气分离塔系统的关键参数;因此,风险等级指数

+ + = + × =空气分离的蒸馏部分。结合动态评价水平表1的动态级空气分离蒸馏CIP决心是31.056节,这是一个温和的风险等级。动态风险等级的划分充分考虑历史因素的影响据三菱重工的整体风险,和历史数据将会减少对整体风险的影响。

5。结论

本研究介绍了三菱重工的CIP动态预警方法。数据可视化的定性分析方法和定量分析进行筛选变量的相关性。特征分析、特征向量收购执行关键参数的维数降低,有效改善动态性能的复发预测化学工业过程参数。然而,在当前的研究中仍存在一些缺陷,我们不能解决。在未来的研究中,我们需要更加注意识别假警报,并考虑人为因素和社会因素。这些研究方向将是未来研究的重点。

命名法

:	组成的矩阵
:	成分均质0 - 1矩阵
:	相关系数
:	强劲的相关变量的数据矩阵
:	标准化的数据矩阵
:	相关矩阵
:	总方差
:	总体的意思是
:	相关矩阵的特征向量
:	相关矩阵的特征值矩阵
:	主成分的
,:	特征向量的
:	后重建K特征维度的降低
:	的主成分变量高度相关
:	输出层的输出
:	外部输入的输入层
:	层的输出状态
:	隐层的输出
:	连接状态层和隐层的重量
:	输入层和隐层之间的连接权重
:	连接的重量隐藏层和输出层
:	隐层的阈值
:	输出阈值
:	代表了神经网络的激活函数
:	输入分别为输入层
:	输出分别为输入层
:	输入的隐藏层
:	隐层的输出
:	输入层的状态
:	层的输出状态
:	输入输出层
:	高报警值
:	据三菱重工的数量
:	据三菱重工的关键参数的数量
:	关键参数的预测价值的百分比超过高报警值
:	的重量的二级模糊综合评价
:	第一级模糊综合评价的重量
:	二级模糊综合评价指标矩阵
:	风险等级指数据三菱重工
:	及时性重量
:	二级模糊综合评价消除时间因素的价值
:	上次段数据超过高报警值最后回到安全价值。

数据可用性

数据源是衢州化工工业园区企业生产数据。作者没有权限发布数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由浙江省省级重点研发项目(2017号c03019),中国国家重点研发项目(2016号yfc0201400),浙江联合基金为集成的信息化和工业化(没有。U1509217),国际科技合作项目共同研究浙江省高新技术产业(2016号c54007)和中国国家自然科学基金(Nos U1609212和U61304211)。

引用

n . Khakzad f·汗,p . Amyotte”过程的动态安全分析系统通过蝶形领结映射成贝叶斯网络,”过程安全和环境保护,卷91,不。1 - 2,46-53,2013页。视图:出版商的网站|谷歌学术搜索
一个。美国安德森,发展一个Environment-Accident指数:一个计划工具来保护环境化学品泄漏事件,2004年Miljovetenskap。
f·p·李,在这个过程中损失预防产业,1 - 3卷,巴特沃斯,伦敦,英国,第3版,2004年版。
h, h .段j .左et al .,”表征的灾后环境管理有害物质事件:教训天津仓库爆炸,中国,“环境管理杂志》卷。199年,21 - 30,2017页。视图:出版商的网站|谷歌学术搜索
n . Khakzad f·汗,p . Amyotte“动态风险分析使用蝶形领结方法,”可靠性工程和系统安全卷。104年,36-44,2012页。视图:出版商的网站|谷歌学术搜索
p, h . j . Pasman s Waldram e . n . Pistikopoulos和m . s .甘露聚糖”过程的弹性分析框架(PRAF):改进的风险和安全管理的系统方法,”流程工业的损失预防》杂志上53卷,第73 - 61页,2018年。视图:出版商的网站|谷歌学术搜索
a . Meel和w·d·seide”植物的动态失效评估使用贝叶斯理论”,化学工程科学,卷61,不。21日,第7056 - 7036页,2006年。视图:出版商的网站|谷歌学术搜索
任张c . Lv, z, x,李,“预测异常事件的频率与贝叶斯理论和葡萄树接合部化学过程,”流程工业的损失预防》杂志上32卷,第200 - 192页,2014年。视图:出版商的网站|谷歌学术搜索
b . Abdolhamidzadeh t . Abbasi d Rashtchian, s . A . Abbasi”一种多米诺骨牌效应评估的新方法在化学过程工业,”《有害物质,卷182,不。1 - 3、416 - 426年,2010页。视图:出版商的网站|谷歌学术搜索
a . Pariyani w·d·seide美国g . Oktem和m . Soroush”动态风险分析使用报警数据库安全和产品质量改进过程:一部分ii-bayesian分析,“AIChE杂志,卷。58岁的没有。3、826 - 841年,2012页。视图:出版商的网站|谷歌学术搜索
j .周、g . Reniers和l .张“基于加权模糊皮特里网化工、安全风险评估”化学工程科学卷,174年,第145 - 136页,2017年。视图:出版商的网站|谷歌学术搜索
p, h . j . Pasman s Waldram e . n . Pistikopoulos和m . s .甘露聚糖”过程的弹性分析框架(PRAF):改进的风险和安全管理的系统方法,”流程工业的损失预防》杂志上卷,53篇文章ID S0950423017307027, 61 - 73年,2018页。视图:出版商的网站|谷歌学术搜索
t .落水洞和m . Ylonen”风险的解释社会技术安全视角,”可靠性工程和系统安全十三至十八卷,175,页2018。视图:出版商的网站|谷歌学术搜索
g . l . l . Reniers b . j . m .啤酒w . Dullaert k .苏丹,“设计连续安全改进化学工业区内,”安全科学卷,47号5,578 - 590年,2009页。视图:出版商的网站|谷歌学术搜索
r . Irani和r . Nasimi进化神经网络使用实数编码遗传算法进行储层的渗透率估算,“专家系统与应用程序,38卷,不。8,9862 - 9866年,2011页。视图:出版商的网站|谷歌学术搜索
m . Khashei和m . Bijari”一类新的混合模型对时间序列预测,“专家系统与应用程序,39卷,不。4、4344 - 4357年,2012页。视图:出版商的网站|谷歌学术搜索
杜罗x, x左,d,“不同基于模型的自适应预测控制的高度非线性化学过程,”程序控制与自动化国际会议上,1卷,第540 - 537页,IEEE 2005。视图:谷歌学术搜索
p•戈埃尔达塔,和m . s .甘露聚糖,“工业报警系统:挑战和机遇。”流程工业的损失预防》杂志上2017年,文章ID S0950423017306320。视图:谷歌学术搜索
o . j . Reichman、m·b·琼斯和m . p . Schildhauer“挑战和机遇在生态、开放数据”科学,卷331,不。6018年,第705 - 703页,2011年。视图:出版商的网站|谷歌学术搜索
p•戈埃尔达塔,和m .山姆甘露聚糖,“大数据分析的应用安全与风险管理,”学报》第五届IEEE国际会议上大数据,大数据的17岁IEEE,页1143 - 1152年,2017年。视图:谷歌学术搜索
f . Higuchi山本,t . Takai m .野田佳彦和h . Nishitani”事件关联分析的使用减少数量的警报,”计算机辅助化学工程,27卷,不。9日,第1526 - 1521页,2009年。视图:出版商的网站|谷歌学术搜索
e . Saatci”呼吸信号的相关分析通过使用平行坐标图,“计算机在生物医学方法和项目卷。153年,41-51,2018页。视图:出版商的网站|谷歌学术搜索
s . b .爱资哈尔和m . j ., Rissanen ieee 2011 15国际会议信息可视化(iv)——伦敦、英国(2011.07.13-2011.07.15)”学报》第15届国际会议信息的平行坐标可视化——评价互动报警过滤,页102 - 109,伦敦,英国,2011年。视图:谷歌学术搜索
贝特·m·r·f·Hoppner,在聚类时间序列使用欧氏距离和皮尔逊相关性,2016年。
朱j .赵x, w . Wang和y . Liu”基于过滤器Elman网络扩展卡尔曼滤波对工业与GPU加速时间序列预测,“Neurocomputing,卷118,不。6,215 - 224年,2013页。视图:出版商的网站|谷歌学术搜索
l·g·b·鲁伊斯r·达·m·p·Cuellar和m . c . Pegalajar“能源消费预测基于Elman神经网络进化的优化,“专家系统与应用程序卷,92年,第389 - 380页,2017年。视图:出版商的网站|谷歌学术搜索
b . Erkmen和t . Yildirim”,提高分类性能的声纳目标通过应用通用回归神经网络和主成分分析,“专家系统与应用程序,35卷,不。1 - 2、472 - 475年,2008页。视图:出版商的网站|谷歌学术搜索
m·m·g·德Giorgi Malvoni, p . m . Congedo”策略的比较多步领先光伏发电预测模型基于数据处理网络的混合组方法和最小二乘支持向量机,”能源卷,107年,第373 - 360页,2016年。视图:出版商的网站|谷歌学术搜索
f . Yu和x z徐天然气短期负荷预测模型基于优化的遗传算法和改进的BP神经网络,”应用能源卷,134年,第113 - 102页,2014年。视图:出版商的网站|谷歌学术搜索
a·帕蒂尔和Z.-Q。邓,”贝叶斯方法估计安全系数最大程度上的每日总负荷发展”环境管理杂志》,卷92,不。3、910 - 918年,2011页。视图:出版商的网站|谷歌学术搜索
吴j . s .秦j . Wang, g .赵”混合模型基于平稳过渡周期自回归和Elman神经网络在中国河北地区的风速预测,“国际绿色能源杂志》上,13卷,不。6,595 - 607年,2016页。视图:出版商的网站|谷歌学术搜索
c . a .骏马g·希普曼p·桑顿,d . Ricciuto d·埃里克森Branstetter,和m .最好“平行坐标对气候模型的实际应用分析,“Procedia计算机科学,9卷,不。11日,第886 - 877页,2012年。视图:谷歌学术搜索
j·l·罗杰斯和w·a . Nicewander“十三看看相关系数的方法,”美国统计学家,42卷,不。1,59 - 66年,1988页。视图:谷歌学术搜索
a·古普塔和a .不停“参数化主成分分析,模式识别卷,78年,第227 - 215页,2018年。视图:出版商的网站|谷歌学术搜索
r·杜塔j . Aryal a . Das和j·b·柯克帕特里克“深层认知成像系统使大陆范围内的火灾发生率从气候数据估计,“科学报告,3卷,不。11,3188年,页2013。视图:谷歌学术搜索
x Tai和l .王”的短期电力负荷预测基于elman神经网络和模糊控制,”世界科技R & D,2016年。视图:谷歌学术搜索
y呗,h·张,y,“反向传播算法的性能与不同斜率的激活函数,“混乱,孤波和分形,40卷,不。1,第77 - 69页,2009。视图:出版商的网站|谷歌学术搜索
l . Shifei w .江,识别和控制主要风险来源,冶金工业出版社,2012。
c . Bo x俏,g . Zhang y呗,和美国,“一个完整的独立分量分析方法和支持向量机工业蒸馏过程监控,“《过程控制,20卷,不。10日,1133 - 1140年,2010页。视图:出版商的网站|谷歌学术搜索
相关系数r·泰勒“的解释:一个基本的审查,”《医学超声诊断》第六卷,没有。1,35-39,1990页。视图:出版商的网站|谷歌学术搜索
Z.-H。郭,j .吴H.-Y。陆,J.-Z。王”,一个案例研究混合风速使用BP神经网络预测方法,”以知识为基础的系统,24卷,不。7,1048 - 1056年,2011页。视图:出版商的网站|谷歌学术搜索
丁,y, x徐,l·鲍”小说极端的基于混合核函数的学习机器,”电脑杂志,8卷,不。8,2110 - 2117年,2013页。视图:出版商的网站|谷歌学术搜索

复杂性

文摘