本發(fā)明涉及工業(yè)生產(chǎn)領(lǐng)域，具體涉及一種識(shí)別工業(yè)過(guò)程動(dòng)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(lái)越多的過(guò)程數(shù)據(jù)被記錄和儲(chǔ)存下來(lái)。目前，工業(yè)過(guò)程系統(tǒng)已經(jīng)累積和存儲(chǔ)了大量的運(yùn)行歷史數(shù)據(jù)，通過(guò)對(duì)工業(yè)調(diào)整過(guò)程的分析，可以對(duì)工業(yè)系統(tǒng)調(diào)整過(guò)程進(jìn)行識(shí)別，提取其歷史動(dòng)態(tài)調(diào)整操作序列，建立工業(yè)過(guò)程動(dòng)態(tài)調(diào)整案例庫(kù)。通過(guò)對(duì)案例庫(kù)中每個(gè)動(dòng)態(tài)調(diào)整區(qū)間進(jìn)行綜合評(píng)價(jià)，得到當(dāng)入口條件或出口產(chǎn)品的需求發(fā)生變化時(shí)的歷史最優(yōu)調(diào)節(jié)操作序列，從而建立最優(yōu)動(dòng)態(tài)調(diào)整的智能決策支持系統(tǒng)，來(lái)指導(dǎo)生產(chǎn)。

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

針對(duì)穩(wěn)態(tài)檢測(cè)的研究，現(xiàn)有技術(shù)主要有基于機(jī)理分析、基于統(tǒng)計(jì)理論和基于趨勢(shì)提取的三類(lèi)穩(wěn)態(tài)檢測(cè)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(xiàng)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(shí)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(duì)單一變量的穩(wěn)定性分析的，對(duì)于多變量的情況，上述方法僅僅是通過(guò)單變量的穩(wěn)態(tài)檢測(cè)結(jié)果來(lái)合成多變量的穩(wěn)態(tài)結(jié)果。但是許多工業(yè)過(guò)程比較復(fù)雜，運(yùn)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(lái)進(jìn)行過(guò)渡過(guò)程的識(shí)別，則需要較為詳細(xì)的機(jī)理知識(shí)，而且由于關(guān)鍵變量數(shù)目也較多，一一進(jìn)行分析會(huì)給計(jì)算帶來(lái)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(duì)較少的工業(yè)過(guò)程，不能很好地解決工業(yè)過(guò)程中監(jiān)測(cè)變量眾多且耦合性強(qiáng)的問(wèn)題同時(shí),并且實(shí)際過(guò)程數(shù)據(jù)中過(guò)渡模態(tài)前后數(shù)據(jù)特征不明顯，容易被錯(cuò)誤識(shí)別到穩(wěn)定模態(tài)，會(huì)對(duì)后續(xù)的分析研究造成較大影響。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的難以對(duì)多變量的工業(yè)過(guò)程下的動(dòng)態(tài)調(diào)整區(qū)間進(jìn)行識(shí)別以及識(shí)別區(qū)間不準(zhǔn)確的缺陷，本發(fā)明提供一種識(shí)別工業(yè)過(guò)程動(dòng)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(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的方法，包括：s1，根據(jù)一段時(shí)間內(nèi)的運(yùn)行參數(shù)的采樣點(diǎn)，通過(guò)主成分分析法獲取所述運(yùn)行參數(shù)的主成分?jǐn)?shù)據(jù)；s2，對(duì)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(xiàn)；s3，根據(jù)所述擬合曲線(xiàn)，通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)所組成的動(dòng)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(guò)標(biāo)準(zhǔn)化處理的所述運(yùn)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(gè)數(shù)；根據(jù)所述主成分?jǐn)?shù)據(jù)的個(gè)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(guò)帶滑動(dòng)窗口的中值濾波對(duì)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(guò)多項(xiàng)式最小二乘法對(duì)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(xiàn)。

其中，所述步驟s3中的通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)包括：根據(jù)所述擬合曲線(xiàn)獲取所述采樣點(diǎn)對(duì)應(yīng)的一階導(dǎo)數(shù)以及以所述一階導(dǎo)數(shù)為樣本點(diǎn)的樣本矩陣；根據(jù)所述樣本矩陣，設(shè)定零類(lèi)和非零類(lèi)，通過(guò)基于密度峰值的k-means算法獲取初始聚類(lèi)中心；根據(jù)所述初始聚類(lèi)中心，通過(guò)計(jì)算所述樣本點(diǎn)至聚類(lèi)中心的距離進(jìn)行分類(lèi)，獲取屬于非零類(lèi)的一階導(dǎo)數(shù)對(duì)應(yīng)的時(shí)間點(diǎn)。

其中，所述通過(guò)基于密度峰值的k-means算法獲取初始聚類(lèi)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(lèi)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(diǎn)的個(gè)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(diǎn)i和數(shù)據(jù)點(diǎn)j之間的距離；當(dāng)x<0時(shí)，χ(x)＝1，當(dāng)x≥0時(shí)，χ(x)＝0；所述高密度距離δ為數(shù)據(jù)點(diǎn)與密度比所述數(shù)據(jù)點(diǎn)高的最近數(shù)據(jù)點(diǎn)的距離，數(shù)據(jù)點(diǎn)i的高密度距離具體為：

本發(fā)明的另一方面提供一種識(shí)別工業(yè)過(guò)程動(dòng)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(shí)間內(nèi)的運(yùn)行參數(shù)的采樣點(diǎn)，通過(guò)主成分分析法獲取所述運(yùn)行參數(shù)的主成分?jǐn)?shù)據(jù)；第二獲取模塊，用于對(duì)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(xiàn)；第三獲取模塊，用于根據(jù)所述擬合曲線(xiàn)，通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)所組成的動(dòng)態(tài)調(diào)整區(qū)間。

本發(fā)明提供的識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的方法和裝置，通過(guò)主成分分析和聚類(lèi)處理可實(shí)現(xiàn)具有較多運(yùn)行參數(shù)的復(fù)雜工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間獲取，避免單個(gè)或幾個(gè)運(yùn)行參數(shù)測(cè)量誤差的影響，準(zhǔn)確、有效地識(shí)別動(dòng)態(tài)調(diào)整區(qū)間，不依賴(lài)先驗(yàn)知識(shí)，具有工業(yè)適用性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)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(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)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(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)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(shí)施例提供的預(yù)處理后的運(yùn)行參數(shù)的變化曲線(xiàn)圖；

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

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

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

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

圖8為本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)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(zhǎng)、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(shí)別或借鑒穩(wěn)態(tài)檢測(cè)的方法來(lái)識(shí)別工業(yè)系統(tǒng)調(diào)整過(guò)程不僅工作量較大，且容易對(duì)一些調(diào)整過(guò)程初期和末期進(jìn)行誤判。因此針對(duì)工業(yè)系統(tǒng)動(dòng)態(tài)調(diào)整過(guò)程的識(shí)別問(wèn)題，本發(fā)明實(shí)施例提供了一種識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的方法和裝置。

圖1為本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)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(shí)間內(nèi)的運(yùn)行參數(shù)的采樣點(diǎn)，通過(guò)主成分分析法獲取所述運(yùn)行參數(shù)的主成分?jǐn)?shù)據(jù)；s2，對(duì)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(xiàn)；s3，根據(jù)所述擬合曲線(xiàn)，通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)所組成的動(dòng)態(tài)調(diào)整區(qū)間。

在步驟s1中，主成分分析也稱(chēng)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(gè)綜合指標(biāo)(即主成分)，其中每個(gè)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(duì)工業(yè)工程的多個(gè)運(yùn)行參數(shù)進(jìn)行采集，然后使用主成分分析方法對(duì)多個(gè)運(yùn)行參數(shù)進(jìn)行處理，得到數(shù)量與運(yùn)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(duì)象的環(huán)境較為惡劣，干擾源較多，如強(qiáng)電磁干擾、環(huán)境溫度變化較大等，因此為了減少對(duì)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(duì)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(guò)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(diǎn)集的差別最小，通過(guò)擬合可以將平面上一系列的點(diǎn)用一條光滑的回歸曲線(xiàn)連接起來(lái)。

通過(guò)將濾波、擬合后得到的對(duì)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(guò)程中的隨機(jī)誤差，并保持主成分?jǐn)?shù)據(jù)變化的趨勢(shì)不發(fā)生變化。

在步驟s3中，擬合曲線(xiàn)的橫坐標(biāo)為時(shí)間點(diǎn)，縱坐標(biāo)為主成分?jǐn)?shù)據(jù)，該曲線(xiàn)能夠反映主成分?jǐn)?shù)據(jù)隨時(shí)間變化的趨勢(shì)；每個(gè)時(shí)間點(diǎn)的導(dǎo)數(shù)則反映擬合曲線(xiàn)上該時(shí)間點(diǎn)的主成分?jǐn)?shù)據(jù)變化信息；聚類(lèi)是指按照某個(gè)特定標(biāo)準(zhǔn)(如距離準(zhǔn)則)把一個(gè)數(shù)據(jù)集分割成不同的類(lèi)或簇，使得同一個(gè)簇內(nèi)的數(shù)據(jù)對(duì)象的相似性盡可能大，同時(shí)不在同一個(gè)簇中的數(shù)據(jù)對(duì)象的差異性也盡可能地大。即聚類(lèi)后同一類(lèi)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(xiàn)，對(duì)該曲線(xiàn)上各時(shí)間點(diǎn)的導(dǎo)數(shù)進(jìn)行聚類(lèi)處理，獲得屬于非零類(lèi)導(dǎo)數(shù)所對(duì)應(yīng)的時(shí)間點(diǎn)，該時(shí)間點(diǎn)組成的區(qū)間為動(dòng)態(tài)調(diào)整區(qū)間。

本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的方法，通過(guò)主成分分析和聚類(lèi)處理可實(shí)現(xiàn)具有較多運(yùn)行參數(shù)的復(fù)雜工業(yè)過(guò)程中動(dòng)態(tài)調(diào)整區(qū)間獲取，能夠避免單個(gè)或幾個(gè)運(yùn)行參數(shù)誤差的影響，準(zhǔn)確、有效地識(shí)別動(dòng)態(tài)調(diào)整區(qū)間，不依賴(lài)先驗(yàn)知識(shí)，具有工業(yè)適用性。

基于上述實(shí)施例，所述步驟s1進(jìn)一步包括：根據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)化處理的所述運(yùn)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(gè)數(shù)；根據(jù)所述主成分?jǐn)?shù)據(jù)的個(gè)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(yùn)行參數(shù)在一段時(shí)間內(nèi)的采樣點(diǎn)后，可以對(duì)運(yùn)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(gè)運(yùn)行參數(shù)的采樣值，j為獲取的運(yùn)行參數(shù)的總數(shù)；n＝1,2…，n，為第j個(gè)變量的第n個(gè)采樣值，n為對(duì)應(yīng)不同時(shí)間點(diǎn)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(guò)對(duì)每個(gè)運(yùn)行參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，得到處理后的運(yùn)行參數(shù)矩陣，能夠消除不同量綱對(duì)數(shù)據(jù)的影響。

通過(guò)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(yùn)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(duì)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(duì)原運(yùn)行參數(shù)變化情況的反映率。例如，對(duì)m個(gè)運(yùn)行參數(shù)進(jìn)行處理，得到n個(gè)主成分?jǐn)?shù)據(jù)，即這n個(gè)主成分?jǐn)?shù)據(jù)能在pe％程度上反應(yīng)原m個(gè)運(yùn)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(mǎn)足下式：

通過(guò)累積方差貢獻(xiàn)率能夠獲取到特征值的個(gè)數(shù)m，即為相應(yīng)主成分?jǐn)?shù)據(jù)的個(gè)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(guò)主成分分析能夠獲取m個(gè)主成分?jǐn)?shù)據(jù)。

基于上述實(shí)施例，所述步驟s2包括：通過(guò)帶滑動(dòng)窗口的中值濾波對(duì)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(guò)多項(xiàng)式最小二乘法對(duì)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(xiàn)。

為了減小噪聲對(duì)主成分?jǐn)?shù)據(jù)的影響，可以采用滑動(dòng)窗口為l的中值濾波消除影響。對(duì)于某個(gè)主要變量在采樣區(qū)間的序列x(j)進(jìn)行濾波處理時(shí)，首先定義一個(gè)長(zhǎng)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(shí)刻窗口內(nèi)的信號(hào)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(duì)l個(gè)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(dòng)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(xiàng)式最小二乘擬合的具體步驟如下：對(duì)某段包含過(guò)渡態(tài)的采樣區(qū)間的序列x(j)進(jìn)行多項(xiàng)式最小二乘法擬合時(shí)，首先定義一個(gè)長(zhǎng)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(shí)刻，窗口內(nèi)的信號(hào)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(shí)時(shí)值。

令窗口內(nèi)的信號(hào)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(shí)時(shí)值，對(duì)應(yīng)的采樣時(shí)間點(diǎn)t分別為1,2,…,2h+1，則窗口內(nèi)的擬合信號(hào)可以表示為時(shí)間t的函數(shù)，具體如下：

其中，a＝[a0，a1，…，an]^t，n＜2h＝1為多項(xiàng)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(jì)：

其中：

則經(jīng)過(guò)多項(xiàng)式最小二乘法擬合后的擬合信號(hào)為：

則主成分?jǐn)?shù)據(jù)在各個(gè)時(shí)間點(diǎn)x(j)的回歸值為：

使用回歸值代替原測(cè)量值，采用滑動(dòng)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(xiàng)式最小二乘法擬合回歸值序列。通過(guò)各時(shí)間點(diǎn)對(duì)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(xiàn)。

基于上述實(shí)施例，所述步驟s3中的通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)包括：根據(jù)所述擬合曲線(xiàn)獲取所述采樣點(diǎn)對(duì)應(yīng)的一階導(dǎo)數(shù)以及以所述一階導(dǎo)數(shù)為樣本點(diǎn)的樣本矩陣；根據(jù)所述樣本矩陣，設(shè)定零類(lèi)和非零類(lèi)，通過(guò)基于密度峰值的k-means算法獲取初始聚類(lèi)中心；根據(jù)所述初始聚類(lèi)中心，通過(guò)計(jì)算所述樣本點(diǎn)至聚類(lèi)中心的距離進(jìn)行分類(lèi)，獲取屬于非零類(lèi)的一階導(dǎo)數(shù)對(duì)應(yīng)的時(shí)間點(diǎn)。

其中，k-means算法為接受輸入量k；然后將n個(gè)數(shù)據(jù)對(duì)象劃分為k個(gè)聚類(lèi)以便使得所獲得的聚類(lèi)滿(mǎn)足：同一聚類(lèi)中的對(duì)象相似度較高；而不同聚類(lèi)中的對(duì)象相似度較小。聚類(lèi)相似度是利用各聚類(lèi)中對(duì)象的均值所獲得一個(gè)“中心對(duì)象”(引力中心)來(lái)進(jìn)行計(jì)算的。

具體地，首先對(duì)擬合曲線(xiàn)進(jìn)行求導(dǎo)，獲得各時(shí)間點(diǎn)在各主成分?jǐn)?shù)據(jù)的擬合曲線(xiàn)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(diǎn)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(duì)于樣本矩陣，可以通過(guò)利用導(dǎo)數(shù)為零或非零這一特征進(jìn)行聚類(lèi)分析，因此聚類(lèi)數(shù)設(shè)為k＝2，包括一階導(dǎo)數(shù)為零和非零兩類(lèi)。通過(guò)k-means算法獲取初始聚類(lèi)中心，計(jì)算各樣本點(diǎn)到初始聚類(lèi)中心的距離，將各點(diǎn)劃分到與其距離最近的類(lèi)中，形成初始分類(lèi)。

在獲取到初始分類(lèi)后，通過(guò)計(jì)算各樣本點(diǎn)均值作為新的聚類(lèi)中心，并根據(jù)新的聚類(lèi)中心重新分類(lèi)；反復(fù)計(jì)算聚類(lèi)中心以及根據(jù)聚類(lèi)中心分類(lèi)，直到聚類(lèi)中心都不再改變或者小于一定的誤差范圍時(shí)，判定聚類(lèi)處理完成，此時(shí)的非零類(lèi)一階導(dǎo)數(shù)所對(duì)應(yīng)的時(shí)間點(diǎn)組成動(dòng)態(tài)調(diào)整區(qū)間。

基于上述實(shí)施例，所述通過(guò)基于密度峰值的k-means算法獲取初始聚類(lèi)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(lèi)中心。

基于上述實(shí)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(diǎn)的個(gè)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(diǎn)i和數(shù)據(jù)點(diǎn)j之間的距離；當(dāng)x<0時(shí)，χ(x)＝1，當(dāng)x≥0時(shí)，χ(x)＝0；

所述高密度距離δ為數(shù)據(jù)點(diǎn)與密度比所述數(shù)據(jù)點(diǎn)高的最近數(shù)據(jù)點(diǎn)的距離，數(shù)據(jù)點(diǎn)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(jì)算每個(gè)數(shù)據(jù)點(diǎn)的局部密度ρ。其中dc是預(yù)先設(shè)定的一個(gè)距離，局部密度ρ為一定距離內(nèi)數(shù)據(jù)點(diǎn)的數(shù)量，對(duì)于數(shù)據(jù)點(diǎn)i，其局部密度具體通過(guò)式(13)獲取。高密度距離δ指該數(shù)據(jù)點(diǎn)與密度比它高的最近數(shù)據(jù)點(diǎn)的距離，對(duì)于數(shù)據(jù)點(diǎn)i，其高密度距離通過(guò)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(lèi)總是被稀疏的區(qū)域分隔開(kāi)，若將一個(gè)類(lèi)中密度最高的點(diǎn)視為類(lèi)中心，類(lèi)中心則會(huì)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(diǎn)作為初始聚類(lèi)中心。

為了說(shuō)明上述實(shí)施例，圖2為本發(fā)明另一實(shí)施例提供的識(shí)別動(dòng)態(tài)調(diào)整區(qū)間的方法的流程示意圖。本實(shí)例選擇國(guó)內(nèi)某煉油廠240萬(wàn)噸/年加氫裂化反應(yīng)系統(tǒng)為研究對(duì)象，通過(guò)在加氫裂化流程現(xiàn)場(chǎng)提取了162個(gè)位號(hào)的數(shù)據(jù)，結(jié)合專(zhuān)家經(jīng)驗(yàn)與基于遺傳算法的粗糙集屬性約簡(jiǎn)后，得到表征加氫裂化流程動(dòng)態(tài)調(diào)整過(guò)程的21個(gè)運(yùn)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(guò)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(shí)間為2016年2月12日至2016年2月13號(hào)，每5分鐘采集一個(gè)樣本，共采集到288組對(duì)應(yīng)于不同時(shí)間點(diǎn)的數(shù)據(jù)。如圖2所示，該方法包括以下步驟：

步驟1，對(duì)加氫裂化流程的運(yùn)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(yùn)行參數(shù)的數(shù)據(jù)矩陣x。圖3為本發(fā)明實(shí)施例提供的預(yù)處理后的運(yùn)行參數(shù)的變化曲線(xiàn)圖，上述21個(gè)運(yùn)行參數(shù)變化如圖3所示。

步驟2，對(duì)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(guò)計(jì)算得到選取的特征值的個(gè)數(shù)m＝9，所選取的特征值如下表1所示。

表1主成分對(duì)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(guò)主成分分析能夠獲取9個(gè)主成分?jǐn)?shù)據(jù)。

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

具體地，采用滑動(dòng)窗口為l＝36的中值濾波對(duì)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(cè)時(shí)，數(shù)據(jù)在傳輸過(guò)程中受到的干擾。具體計(jì)算過(guò)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(duì)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(xiàng)式最小二乘法進(jìn)行擬合。圖4為本發(fā)明實(shí)施例提供的三個(gè)主成分?jǐn)?shù)據(jù)擬合前和擬合后的變化曲線(xiàn)圖，如圖4所示，經(jīng)過(guò)擬合后的主成分?jǐn)?shù)據(jù)變化的曲線(xiàn)較為光滑，消除了原始數(shù)據(jù)測(cè)量中的隨機(jī)誤差，保持了主成分?jǐn)?shù)據(jù)變化趨勢(shì)的走向。

在獲取了擬合曲線(xiàn)后，對(duì)擬合曲線(xiàn)中各時(shí)間點(diǎn)對(duì)應(yīng)的回歸值求取一階導(dǎo)數(shù)。

步驟5，對(duì)一階導(dǎo)數(shù)數(shù)據(jù)進(jìn)行聚類(lèi)處理

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

首先設(shè)定聚類(lèi)數(shù)k＝2，將導(dǎo)數(shù)分為零類(lèi)和非零類(lèi)；設(shè)定預(yù)設(shè)距離dc，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)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(jì)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(shí)施例提供的基于密度峰值的k-means聚類(lèi)算法獲取初始聚類(lèi)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(diǎn)作為初始聚類(lèi)中心；分別計(jì)算樣本點(diǎn)到聚類(lèi)中心的距離，對(duì)樣本進(jìn)行分類(lèi)后更新聚類(lèi)中心，判斷聚類(lèi)中心是否收斂，若收斂則聚類(lèi)完成；否則重復(fù)計(jì)算樣本點(diǎn)到聚類(lèi)中心的距離以及更新聚類(lèi)中心，直到聚類(lèi)中心收斂。

圖7為本發(fā)明實(shí)施例提供的加氫裂化反應(yīng)的動(dòng)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(lèi)結(jié)果，其中縱坐標(biāo)為1表示穩(wěn)態(tài)過(guò)程，縱坐標(biāo)為2表示動(dòng)態(tài)調(diào)整過(guò)程，不同的樣本序列對(duì)應(yīng)不同的時(shí)間點(diǎn)，因此，通過(guò)上述步驟1～5能夠?qū)託淞鸦磻?yīng)的動(dòng)態(tài)調(diào)整區(qū)間進(jìn)行有效的識(shí)別。

圖8為本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)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(shí)間內(nèi)的運(yùn)行參數(shù)的采樣點(diǎn)，通過(guò)主成分分析法獲取所述運(yùn)行參數(shù)的主成分?jǐn)?shù)據(jù)；第二獲取模塊802，用于對(duì)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(xiàn)；第三獲取模塊803，用于根據(jù)所述擬合曲線(xiàn)，通過(guò)聚類(lèi)處理獲取對(duì)應(yīng)非零導(dǎo)數(shù)的時(shí)間點(diǎn)所組成的動(dòng)態(tài)調(diào)整區(qū)間。

具體地，第一獲取模塊801可以首先對(duì)工業(yè)工程的多個(gè)運(yùn)行參數(shù)進(jìn)行采集，然后使用主成分分析方法對(duì)多個(gè)運(yùn)行參數(shù)進(jìn)行處理，得到數(shù)量與運(yùn)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(duì)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(xiàn)。通過(guò)將濾波、擬合后得到的對(duì)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(guò)程中的隨機(jī)誤差，并保持主成分?jǐn)?shù)據(jù)變化的趨勢(shì)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(xiàn)；第三獲取模塊803對(duì)該曲線(xiàn)上各時(shí)間點(diǎn)的導(dǎo)數(shù)進(jìn)行聚類(lèi)處理，獲得屬于非零類(lèi)導(dǎo)數(shù)所對(duì)應(yīng)的時(shí)間點(diǎn)，該時(shí)間點(diǎn)組成的區(qū)間為動(dòng)態(tài)調(diào)整區(qū)間。

本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的裝置，通過(guò)主成分分析和聚類(lèi)處理可實(shí)現(xiàn)具有較多運(yùn)行參數(shù)的復(fù)雜工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間獲取，避免單個(gè)或幾個(gè)運(yùn)行參數(shù)測(cè)量誤差的影響，準(zhǔn)確、有效地識(shí)別動(dòng)態(tài)調(diào)整區(qū)間，不依賴(lài)先驗(yàn)知識(shí)，具有工業(yè)適用性。

本發(fā)明實(shí)施例提供的識(shí)別工業(yè)過(guò)程動(dòng)態(tài)調(diào)整區(qū)間的方法和裝置，針對(duì)工業(yè)系統(tǒng)內(nèi)部變量維度高、耦合強(qiáng)的特點(diǎn)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(dòng)窗口的多項(xiàng)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(lèi)特征，設(shè)計(jì)基于密度峰值確定聚類(lèi)初始點(diǎn)的k-means算法，進(jìn)行聚類(lèi)分析，從而識(shí)別出工業(yè)系統(tǒng)動(dòng)態(tài)調(diào)整區(qū)間。通過(guò)我國(guó)某石化企業(yè)實(shí)際生產(chǎn)數(shù)據(jù)驗(yàn)證表明，本發(fā)明實(shí)施例提供的方法和裝置可以避免單個(gè)或幾個(gè)運(yùn)行變量測(cè)量誤差的影響，有效識(shí)別動(dòng)態(tài)調(diào)整過(guò)程，且采用聚類(lèi)方法不依賴(lài)先驗(yàn)知識(shí)，具有工業(yè)適用性。

最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)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(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)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(shí)施例技術(shù)方案的精神和范圍。