基于半监督模型的化工工艺异常监控系统及模型优化装置制造方法及图纸

本发明专利技术提供一种基于半监督模型的化工工艺异常监控系统及用于半监督模型的优化装置，属于化学工艺技术领域。所述异常监控系统包括：数据采集单元，用于采集有关所述化工工艺的工段的工况的当前数据；以及处理器，用于将所述的当前数据作为优化后的半监督模型的输入，以根据所述优化后的半监督模型输出的结果识别所述当前数据是否出现异常，其中，所述半监督模型通过用于化工工艺的半监督模型的优化装置进行优化。通过上述技术方案，基于优化后的半监督模型对化工工艺进行监控，能够解决工业现场的有标签样本数据少，无标签样本数据多时的工艺异常识别问题。多时的工艺异常识别问题。多时的工艺异常识别问题。

【技术实现步骤摘要】
基于半监督模型的化工工艺异常监控系统及模型优化装置


[0001]本专利技术涉及化学工艺
，具体地涉及一种基于半监督模型的化工工艺异常监控系统及用于半监督模型的优化装置。

技术介绍

[0002]化工装置在运行过程中，受到原料进料量、原料性质变化、仪表故障或者操作不及时等扰动，会导致工艺异常。
[0003]专利技术人经调研发现，现有的对化工装置对异常工况的识别和预警手段还停留在以自动化仪表检测数据位基础，依靠人工经验来分析处置的水平。
[0004]然而化工装置的异常工况具有隐蔽性强和关联因素多的特点，这使得人工监测方式很难快速和准确的发现异常，容易造成误判断或者误操作，轻则引起产品质量或产量下降，重则影响生产操作安全，造成生产波动和非计划停车，甚至会酿成严重事故。
[0005]由于化工装置使连续化生产过程，在实际生产中，各工艺变量基本都围绕其设定值上下浮动，产生异常波动的时间窗不多，且局部异常波动时涉及的变量数也不太多。因此，对于化工过程的工艺操作类异常工况来说，数据的标注费成本昂贵，构建大规模且标注良好的数据集非常困难。此外，由于很多异常特征不明显，在有标签工艺数据较少的情况下，传统的深度学习方法容易出现网络过拟合从而导致检测精度大幅下降，这限制了传统的深度学习网络在过程故障诊断领域的发展和应用。

技术实现思路

[0006]本专利技术实施例的目的是提供一种基于半监督模型的化工工艺异常监控系统及用于半监督模型的优化装置，所述异常监控系统基于优化后的半监督模型，能够解决工业现场的有标签样本数据少，无标签样本数据多时的工艺异常识别问题。
[0007]为了实现上述目的，本专利技术实施例提供一种基于半监督模型的化工工艺异常监控系统，所述异常监控系统包括：数据采集单元，用于采集有关所述化工工艺的工段的工况的当前数据；以及处理器，用于将所述的当前数据作为优化后的半监督模型的输入，以根据所述优化后的半监督模型的输出结果识别所述当前数据是否出现异常，其中，所述半监督模型通过用于化工工艺的半监督模型的优化装置进行优化。
[0008]可选的，所述用于优化化工工艺的半监督模型的优化装置包括处理模块，所述处理模块用于执行以下操作：确定第一初始半监督模型的损失函数，其中所述第一初始半监督模型由训练集训练获得，所述训练集为所述化工工艺的工段的工况数据，具有构成初始预设比例的有标签数据和无标签数据；将所述第一初始半监督模型的损失函数与损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围；以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型，所述新的半监督模型为优化后的半监督模型。
[0009]可选的，所述异常监控系统还包括：服务器，用于存储有关所述工况的数据和所述半监督模型输出的识别结果；以及客户端，所述客户端基于B/S架构与所述服务器进行通信。
[0010]可选的，所述异常监控系统还包括：显示单元，用于显示所述半监督模型输出的识别结果。
[0011]可选的，所述数据采集单元包括以下中的一者或多者：DCS系统、PLC系统、仪表电信号采集系统、可燃气体检测系统和视频监控系统。
[0012]相应的，本专利技术实施例还提供了一种用于化工工艺的半监督模型的优化装置，所述优化装置包括处理模块，所述处理模块用于执行以下操作：确定第一初始半监督模型的损失函数，其中所述第一初始半监督模型由训练集训练获得，所述训练集为所述化工工艺的工段的工况数据，具有构成初始预设比例的有标签数据和无标签数据；将所述第一初始半监督模型的损失函数与损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围；以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型，所述新的半监督模型为优化后的半监督模型。
[0013]可选的，所述优化装置包括处理模块，所述处理模块用于执行以下操作：确定第一初始半监督模型的损失函数，其中所述第一初始半监督模型由训练集训练获得，所述训练集为所述化工工艺的工段的工况数据，具有构成初始预设比例的有标签数据和无标签数据；将所述第一初始半监督模型的损失函数与损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围；以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型，所述新的半监督模型为优化后的半监督模型。
[0014]可选的，在确定所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围后，所述处理模块还用于执行以下操作还包括：选定初始噪声和隐含层的层数，以确定第二初始半监督模型，所选定的隐含层的层数处于所述层数范围内；将所述第二初始半监督模型的损失函数与所述损失预设值进行比较；以及根据所述损失函数与所述损失预设值的比较结果，调整所述噪声和隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的噪声范围和隐含层的层数范围，其中，调整隐含层的层数包括从所述隐含层的层数范围内选定隐含层的层数。
[0015]可选的，在从所述隐含层的层数范围内选定隐含层的层数后，所述处理模块还用于执行以下操作以确定所述噪声范围：预设第一噪声；确定所述第一噪声对应的半监督模型的第三损失函数；根据所述第三损失函数与所述预设损失值的比较结果，将所述第一噪声调整至第三预设倍数后作为新的噪声以建立新的半监督模型；以及重复上述操作，确定损失函数小于所述损失预设值的半监督模型对应的噪声范围。
[0016]可选的，所述处理模块还用于执行以下操作：预设第二噪声，且所述第一噪声小于所述第二噪声；确定所述第一噪声对应的半监督模型的第三损失函数和所述第二噪声对应的半监督模型的第四损失函数；根据所述第三损失函数和所述第四损失函数分别与所述损失预设值的比较结果，将所述第一噪声调整至第三预设倍数后作为新的噪声以建立新的半监督模型，将所述第二噪声调整至第四预设倍数作为新的噪声已建立新的半监督模型；重
复上述操作，确定损失函数小于所述损失预设值的半监督模型对应的下限噪声和上限噪声；以及将所述下限噪声和所述上限噪声作为所述噪声范围的下限值和上限值。
[0017]可选的，在确定所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围和噪声范围后，所述处理模块还用于执行以下操作：将所述训练集内的有标签数据与无标签数据的比例降低至第二预设比例；根据所述第二预设比例的训练集、从所述隐含层的层数范围内选定的隐含层的层数和从所述噪声范围内选定的噪声，建立第三初始半监督模型；将所述第三初始半监督模型的损失函数与所述损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整所述训练集内的有标签数据与无标签数据的比例，并建立新的监督模型；以及重复上述操作，确定损失函数小于所述损失预设值的半监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督模型的化工工艺异常监控系统，其特征在于，所述异常监控系统包括：数据采集单元，用于采集有关所述化工工艺的工段的工况的当前数据；以及处理器，用于将所述的当前数据作为优化后的半监督模型的输入，以根据所述优化后的半监督模型输出的结果识别所述当前数据是否出现异常，其中，所述半监督模型通过用于化工工艺的半监督模型的优化装置进行优化。2.根据权利要求1所述的异常监控系统，所述用于优化化工工艺的半监督模型的优化装置包括处理模块，所述处理模块用于执行以下操作：确定第一初始半监督模型的损失函数，其中所述第一初始半监督模型由训练集训练获得，所述训练集为所述化工工艺的工段的工况数据，具有构成初始预设比例的有标签数据和无标签数据；将所述第一初始半监督模型的损失函数与损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围；以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型，所述新的半监督模型为优化后的半监督模型。3.根据权利要求1所述的异常监控系统，其特征在于，所述异常监控系统还包括：服务器，用于存储有关所述工况的数据和所述半监督模型输出的识别结果；以及客户端，所述客户端基于B/S架构与所述服务器进行通信。4.根据权利要求1所述的异常监控系统，其特征在于，所述异常监控系统还包括：显示单元，用于显示所述半监督模型输出的识别结果。5.根据权利要求1所述的异常监控系统，其特征在于，所述数据采集单元包括以下中的一者或多者：DCS系统、PLC系统、仪表电信号采集系统、可燃气体检测系统和视频监控系统。6.一种用于化工工艺的半监督模型的优化装置，其特征在于，所述优化装置包括处理模块，所述处理模块用于执行以下操作：确定第一初始半监督模型的损失函数，其中所述第一初始半监督模型由训练集训练获得，所述训练集为所述化工工艺的工段的工况数据，具有构成初始预设比例的有标签数据和无标签数据；将所述第一初始半监督模型的损失函数与损失预设值进行比较；根据所述损失函数与所述损失预设值的比较结果，调整隐含层的层数，以确定满足所述损失函数小于所述损失预设值的半监督模型对应的隐含层的层数范围；以及以从所述隐含层的层数范围中的隐含层的层数建立新的半监督模型，所述新的半监督模型为优化后的半监督模型。7.根据权利要求6所述的优化装置，其特征在于，所述处理模块还用于通过以下方式确定所述隐含层的层数范围：预设所述隐含层的第一层数和第二层数，所述第一层数小于所述第二层数；确定所述第一层数对应的半监督模型的第一损失函数和所述第二层数对应的半监督模型的第二损失函数；根据所述第一损失函数和所述第二损失函数分别与所述损失预设值的比较结果，将所
述第一层数调整至第一预设倍数后取整作为新的层数以建立新的半监督模型，将所述第二层数调整至第二预设倍数后取整作为新的层数以建立新的半监督模型；重复上述操作，确定损失函数小于所述损失预设值的半监督模型对应的隐函数的下限层数和上限层数；以及将所述下限层数和所述上限层数作为所述隐含层的层数的下限值和上限值。8.根据权利要求6所述的优化装置，其特征在于，在确定所述损失函数小于所...

【专利技术属性】
技术研发人员：李传坤，王春利，高新江，李荣强，徐伟，石宁，张卫华，姜巍巍，曹德舜，
申请(专利权)人：中国石油化工股份有限公司青岛安全工程研究院，
类型：发明
国别省市：