一种乙烯裂解炉的多工况监控方法

随着进料负荷、产品组分等过程参数的改变,生产过程的工况也随之改变,而传统的基于多元统计过程监控方法都是假设过程处于单一工况下,因此,将传统方法应用到多工况过程时,往往不能获得很好的监控效果。在对复杂系统进行监控时,由于过程的非线性,传统的基于线性模型的监控方法由于忽略了系统的非线性特征,监控性能也大打折扣。本文针对工业过程中的多工况和非线性监控问题,提出了一种基于即时学习(Lazy Learning)和Greedy-SVDD的多工况过程监控方法。首先使用Lazy Learning对过程进行多模型局部建模,获得局部模型输出和过程真实输出的残差,通过对残差进行监控从而去除多工况的影响。然后用能够很好地处理非线性问题的支持向量数据描述(SVDD)方法对残差建立过程监控模型。为了解决SVDD方法用大样本建模时计算复杂度非常高的问题,本文用Greedy方法提取建模数据集的特征样本用于SVDD建模。最后将上述方法应用在TE模型和乙烯裂解炉的监控上,仿真结果证明了该方法的有效性。