CN118193997A - 一种基于自适应阈值的氯碱电解槽过程异常检测方法 - Google Patents
一种基于自适应阈值的氯碱电解槽过程异常检测方法 Download PDFInfo
- Publication number
- CN118193997A CN118193997A CN202410358974.0A CN202410358974A CN118193997A CN 118193997 A CN118193997 A CN 118193997A CN 202410358974 A CN202410358974 A CN 202410358974A CN 118193997 A CN118193997 A CN 118193997A
- Authority
- CN
- China
- Prior art keywords
- chlor
- variable
- alkali
- detected
- electrolytic cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 239000003513 alkali Substances 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 230000005856 abnormality Effects 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 121
- 235000011121 sodium hydroxide Nutrition 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 36
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 claims description 31
- 239000012267 brine Substances 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 150000002500 ions Chemical class 0.000 claims description 8
- 239000012528 membrane Substances 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 6
- 239000003518 caustics Substances 0.000 claims description 6
- 229910001424 calcium ion Inorganic materials 0.000 claims description 3
- 229910001425 magnesium ion Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000005868 electrolysis reaction Methods 0.000 description 9
- 239000000460 chlorine Substances 0.000 description 6
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 4
- 229910052801 chlorine Inorganic materials 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明涉及工业生产技术领域，具体涉及一种基于自适应阈值的氯碱电解槽过程异常检测方法，基于氯碱电解槽历史正常工况数据构建氯碱电解槽异常检测模型，无需建立机理模型，易于工程化；无需异常样本，同时降低了数据采集以及标注成本；通过氯碱电解槽异常检测模型对电解槽实时数据进行分析对氯碱电解槽是否异常进行检测判断，降低计算难度，提高判断效率的同时也降低了检测成本，满足实际检测需求。
Description
技术领域
本发明涉及工业生产技术领域，具体涉及一种基于自适应阈值的氯碱电解槽过程异常检测方法。
背景技术
氯碱工业电解槽异常检测对于生产过程的安全性和效率至关重要。氯碱工业是电解盐水，以氯气、氢气和32％碱液(如氢氧化钠)为主要产品的化学生产过程，确保氯碱电解槽安全具有以下意义：
①安全性保障：氯碱工业电解槽是高温、高压、腐蚀性强的工艺装置。异常情况如电流过大、电压异常、电解槽温度过高、电解液泄漏等可能引发事故，甚至造成火灾、爆炸等重大安全事故。通过电解槽异常检测，可以及时发现并解决这些问题，确保生产过程的安全性。
②降低生产成本：异常情况往往会导致电解槽的性能下降，影响产品质量和产量。通过及时检测和排除异常，可以避免生产中断和设备故障，提高生产效率和产量，降低生产成本。
③节约能源和资源：氯碱工业电解槽是能耗较大的工艺装置。异常情况可能导致电解过程效率下降，能耗增加。通过异常检测，可以及时调整工艺参数，提高能源利用效率，减少资源浪费。
④提高产品质量：电解槽异常可能导致产物质量下降，如氯气纯度降低、碱液浓度变化等。通过异常检测，可以及时调整工艺条件，确保产品质量稳定。
⑤延长设备寿命：异常情况可能导致电解槽内部腐蚀加剧、电极磨损等问题，进而缩短设备使用寿命。通过异常检测，可以及时采取维护措施，延长设备寿命，减少设备更换和维修成本。
综上所述，氯碱工业电解槽异常检测对于确保生产安全、提高效率、降低成本和保证产品质量具有重要的意义，通过实时监测和分析电解槽运行状态，及时发现和解决异常情况，可以优化生产过程，实现可持续发展。
但是由于氯碱电解槽生产过程建立解析模型，需要专家针对生产过程进行规则总结，成本较高且周期较长，且需要针对特定场景进行定制，难以实现工程化，因此难以利用解析模型的方法对氯碱电解过程异常进行检测。
机器学习方法中基于监督学习的方法需要大量带有负样本(异常样本)训练，且训练数据需要人工进行标注，成本较高且适用性较差，同时部分算法计算复杂，占用较多硬件资源；机器学习面临重要的难题是数据的不充分，即缺少测量手段难以对离子膜异常进行监控。
发明内容
本发明提供一种基于自适应阈值的氯碱电解槽过程异常检测方法，解决目前氯碱电解槽异常检测困难的问题。
本发明解决上述技术问题的方案：
一种基于自适应阈值的氯碱电解槽过程异常检测方法，包括以下步骤：
S1、采集氯碱电解槽历史工况数据，确定氯碱电解槽历史工况数据中的过程变量和待检测变量；
S2、将氯碱电解槽历史工况数据划分为训练集和验证集；
S3、通过训练集构建氯碱电解槽异常检测模型；
S4、通过验证集对氯碱电解槽异常检测模型进行验证，判断是否合格，若是，则执行步骤S5，若否，则执行步骤S3～S4重新构建氯碱电解槽异常检测模型并验证；
S5、根据步骤S4得到的氯碱电解槽异常检测模型计算检测模型的自适应阈值；
S6、实时采集氯碱电解槽工况数据，通过步骤S4得到的氯碱电解槽异常检测模型得到其过程变量，并通过得到的过程变量与步骤S5得到的自适应阈值对比判断氯碱电解槽是否异常。
进一步限定，所述过程变量包括供给盐水的量、Ca/Mg离子的浓度、供给盐水的温度、供给纯水的量、供给盐水的浓度、供给盐水的流量、电解槽的盐酸流量与电解槽的电流大小；
所述待检测变量包括烧碱电流效率、电解槽槽电压、电解槽槽温、pH值和阴极液碱浓度。
进一步限定，所述烧碱电流效率在获取时的步骤为：
a、获取烧碱日产率M烧碱：
M烧碱＝V阴极液×C烧碱×ρ阴极液×t×10-3
其中，V阴极液为电解槽采集间隔时间内所产生的阴极液总量，C烧碱为电解槽所产生的阴极液平均烧碱浓度；ρ阴极液为电解槽所产生的阴极液平均密度，t为时间；
b、根据烧碱日产率计算烧碱电流效率η烧碱：
其中，M烧碱为烧碱日产率，I为单个电解槽的电流，N为电解槽数量，t为时间。
进一步限定，所述步骤S3包括以下步骤：
S31、获取训练集中的过程变量X和待检测变量Y；
S32、分别将过程变量X和待检测变量Y进行归一化处理得到对应的过程变量归一值和待检测变量归一值/>
S33、定义矩阵K，根据确定矩阵K中的每一个元素Ka，b：
其中，为过程变量归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素，c为可调整高斯核常数；
S34、对定义矩阵K进行中心化处理得到
S35、通过KPLS算法，根据步骤S34得到的和步骤S32得到的待检测变量归一值/>得到/>的得分矩阵T和待检测变量归一值/>的得分矩阵U，完成氯碱电解槽异常检测模型的构建；
S36、根据KPLS的主元个数A和训练集的样本数量n，计算统计量
其中，FA,n-A,α为置信区间，α为置信水平。
进一步限定，所述步骤S4包括以下步骤：
S41、获取验证集中的过程变量Xtest和待检测变量Ytest，并分别进行归一化处理得到过程归一值和检测归一值/>
S42、根据过程归一值步骤S32得到的过程变量归一值/>和可调整高斯核常数c，确定矩阵Ktest中的每一个元素/>
其中，为过程归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素；
S43、对矩阵Ktest中心化处理得到其中1n为n维全为1的列向量，K为步骤S33得到的定义矩阵；
S44、根据步骤S32得到的待检测变量归一值S34得到/>以及步骤S35得到的得分矩阵T和得分矩阵U，计算得到预测值/>
S45、对预测值进行反归一化得到预测结果i为验证集l个待检测变量中的第i个；
S46、判断预测结果与验证集中对应待检测变量/>之间的偏差是否符合设定值，若是，则得到高斯核最佳常数cbest和KPLS的主元最佳个数Abest并执行步骤S5，若否，则调节可调整高斯核常数c和KPLS的主元个数A，重新执行步骤S33～S46。
进一步限定，所述步骤S5包括以下步骤：
S51、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest，计算验证集中连续h个待检测变量对应的统计量并收集，得到/>
其中，i＝1，2，…，l；l为验证集中待检测变量的数量，n为训练集的样本数量；
S52、计算统计量对应的自适应阈值/>和训练集中任一过程变量/>对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方
当时进行异常报警，判断进行异常报警时，过程变量/>对应的实际工况是否异常，若是，则确定最佳h和最佳λ；若否，则重新调整h和λ，重新执行步骤S52。
进一步限定，所述步骤S6包括以下步骤：
S61、在实际工作过程中分别采集当前过程变量Xnew和当前待检测变量Ynew；
S62、对当前过程变量Xnew和当前待检测变量Ynew分别进行归一化处理得到当前过程变量归一值和当前待检测变量归一值/>
S63、根据当前过程变量归一值步骤S32得到的过程变量归一值/>和步骤S46得到的高斯核最佳常数cbest，确定矩阵Knew中的每一个元素/>
其中，为采集的第f个当前过程变量Xnew，/>为过程变量归一值/>中第g个元素；
S64、对矩阵Knew中心化处理得到其中1n为n维全为1的列向量；
S65、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest和步骤S52得到的最佳h，计算在实际工作过程中第f个当前过程变量
其中，n为训练集的样本数量，j＝(1，2，…，h)；
S66、根据步骤S52得到的最佳h和最佳λ，计算统计量对应的自适应阈值和当前过程变量对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方；
当时，进行异常报警，若否，则执行步骤S67；
S67、判断当前待检测变量Ynew是否异常，若是，则进行离子膜异常预警，若否，则保持静默。
本发明的有益效果在于：
1、本发明基于氯碱电解槽历史正常工况数据构建氯碱电解槽异常检测模型，无需建立机理模型，易于工程化；无需异常样本，同时降低了数据采集以及标注成本；通过氯碱电解槽异常检测模型对电解槽实时数据进行分析对氯碱电解槽是否异常进行检测判断，降低计算难度，提高判断效率的同时也降低了检测成本，满足实际检测需求。
2、本发明采用KPLS算法构建氯碱电解槽异常检测模型，实现非线性数据的处理，同时实现多个过程变量相互影响时也能保证故障检测准确；通过对电流电解效率进行实时检测，克服现有技术统计周期过长的缺陷，使得检测结果更加准确及时。
3、通过故障排除法实现离子膜异常的检测，更加简单高效；同时也可以通过对异常检测阈值进行适应性调整，从而实现异常检测灵敏度的调整，能够根据不同使用需求进行调节，满足对氯碱电解槽异常检测的灵敏度。
具体实施方式
氯碱工业中，通过氯碱电解槽实现对饱和盐水的电解，得到氯气、氢气以及氢氧化钠碱液，同时还会存在淡盐水，在工作过程中，若存在盐水浓度不变时供给盐水量过少会造成淡盐水的浓度下降、若存在供给盐水量不变时浓度降低都会造成淡盐水的浓度下降、若存在盐水浓度不变供给盐水量过多时就会造成淡盐水浓度上升、若存在供给盐水温度高就会造成电解槽的槽温上升、若存在供给盐水温度低就会造成电解槽的槽温下降、若存在纯水(用于保持输出产品碱液浓度保持稳定)供给过多就会造成碱液浓度降低、若存在纯水供给过少就会造成碱液浓度增加、若存在盐水停止供给则会直接导致电解槽的槽电压异常上升和电解槽的槽温异常上升以及若存在膜破裂则会导致H2和Cl2上升。
当淡盐水浓度下降、碱液浓度降低到30％以下或者槽温上升至92℃以上都会产生膨胀，即含水率过大。
淡盐水浓度上升、槽温下降至65℃以下或者碱液浓度升高到36％以上都会造成收缩，即含水率过小，无论是膨胀或者收缩都会导致电解过程中电流效率降低。
同时盐水中Ca+以及Mg2+浓度含量高也会导致电流效率下降，电流效率下降最终导致Cl2中的O2量增加、氯气纯度降低、淡盐水中ClO-浓度上升以及淡盐水的pH值上升。
并且当碱液浓度升高都会直接造成槽电压和槽温异常上升，所以导致电解异常时的原因存在多种或者多种因素，单独对任一过程变量进行检测均不能准确实现电解槽的异常检测。
实施例1
本实施例提供一种基于自适应阈值的氯碱电解槽过程异常检测方法，包括以下步骤：
S1、采集氯碱电解槽历史工况数据，确定氯碱电解槽历史工况数据中的过程变量和待检测变量；
S2、将氯碱电解槽历史工况数据划分为训练集和验证集；
S3、通过训练集构建氯碱电解槽异常检测模型；
S4、通过验证集对氯碱电解槽异常检测模型进行验证，判断是否合格，若是，则执行步骤S5，若否，则执行步骤S3～S4重新构建氯碱电解槽异常检测模型并验证；
S5、根据步骤S4得到的氯碱电解槽异常检测模型计算检测模型的自适应阈值；
S6、实时采集氯碱电解槽工况数据，通过步骤S4得到的氯碱电解槽异常检测模型得到其过程变量，并通过得到的过程变量与步骤S5得到的自适应阈值对比判断氯碱电解槽是否异常。
进一步说明，步骤S1中过程变量包括了历史数据中供给盐水的量、Ca/Mg离子的浓度、供给盐水的温度、供给纯水的量、供给盐水的浓度、供给盐水的流量、电解槽的盐酸流量与电解槽的电流大小，供给盐水的量可选择某一时间段，例如24h或者1h或者15min等设定的采集间隔时间。
待检测变量包括烧碱电流效率、电解槽槽电压、电解槽槽温、碱液pH值和阴极液烧碱浓度。
例如，烧碱电流效率计算包括以下步骤：
a、获取烧碱日产率(100％NaOH)吨/天，M烧碱：
M烧碱＝V阴极液×C烧碱×ρ阴极液×t×10-3
其中，V阴极液为电解槽采集间隔时间内所产生的阴极液总量(m3)，C烧碱为电解槽所产生的阴极液平均烧碱浓度，即kg.NaOH/kg阴极液；ρ阴极液为电解槽所产生的阴极液平均密度(kg/m3)，t为时间；
b、根据烧碱日产率计算烧碱电流效率(％)η烧碱：
其中，I为单个电解槽的电流(DC-kA)，N为电解槽数量(例如20个)，t为时间(按100％烧碱计，MT/天)。
进一步说明，步骤S3包括以下步骤：
S31、获取训练集中的过程变量X和待检测变量Y；
S32、分别将过程变量X和待检测变量Y进行归一化处理得到对应的过程变量归一值和待检测变量归一值/>
S33、定义矩阵K，根据确定矩阵K中的每一个元素Ka，b：
其中，为过程变量归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素，c为可调整高斯核常数；
S34、对定义矩阵K进行中心化处理得到
S35、通过KPLS算法，根据步骤S34得到的和步骤S32得到的待检测变量归一值/>得到/>的得分矩阵T和待检测变量归一值/>的得分矩阵U，完成氯碱电解槽异常检测模型的构建；
S36、根据KPLS的主元个数A和训练集的样本数量n，计算统计量
其中，FA,n-A,α为置信区间，α为置信水平。
进一步说明，步骤S4包括以下步骤：
S41、获取验证集中的过程变量Xtest和待检测变量Ytest，并分别进行归一化处理得到过程归一值和检测归一值/>由于验证集在执行过程中将过程变量和待检测变量逐一代入氯碱电解槽异常检测模型中，所以对过程变量Xtest和待检测变量Ytest进行归一化处理时使用步骤S32归一化处理所得到对过程变量均方值和待检测变量均方值。
S42、根据过程归一值步骤S32得到的过程变量归一值/>和可调整高斯核常数c，确定矩阵Ktest中的每一个元素/>
其中，为过程归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素；
S43、对矩阵Ktest中心化处理得到其中1n为n维全为1的列向量，K为步骤S33得到的定义矩阵；
S44、根据步骤S32得到的待检测变量归一值S34得到/>以及步骤S35得到的得分矩阵T和得分矩阵U，计算得到预测值/>
S45、对预测值进行反归一化得到预测结果i为验证集l个待检测变量中的第i个；
S46、判断预测结果与验证集中对应待检测变量/>之间的偏差是否符合设定值，若是，则得到高斯核最佳常数cbest和KPLS的主元最佳个数Abest并执行步骤S5，若否，则调节可调整高斯核常数c和KPLS的主元个数A，重新执行步骤S33～S46。
通过步骤S3完成氯碱电解槽异常检测模型的构建，随后通过步骤S4对氯碱电解槽异常检测模型进行验证从而得到最佳参数：高斯核最佳常数cbest和KPLS的主元最佳个数Abest，在后期使用时即使用包含最佳参数的氯碱电解槽异常检测模型。
进一步说明，步骤S5包括以下步骤：
S51、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest，计算验证集中连续h个待检测变量对应的统计量并收集，得到/>
其中，i＝1，2，…，l；l为验证集中待检测变量的数量，n为训练集的样本数量；
S52、计算统计量对应的自适应阈值/>和训练集中任一过程变量/>对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方；
当时进行异常报警，判断进行异常报警时，过程变量/>对应的实际工况是否异常，若是，则确定最佳h和最佳λ；若否，则重新调整h和λ，重新执行步骤S52。
其中，由于实际成产过程中所统计的氯碱电解槽历史工况数据中，在过程变量异常时并不会立刻得到异常的待检测变量变化，通常会在过程变量异常h个值后待检测变量才会异常，所以为了提高预警及时性，通过计算自适应阈值来实现预警的及时性。
进一步说明，步骤S6包括以下步骤：
S61、在实际工作过程中分别采集当前过程变量Xnew和当前待检测变量Ynew；
S62、对当前过程变量Xnew和当前待检测变量Ynew分别进行归一化处理得到当前过程变量归一值和当前待检测变量归一值/>
S63、根据当前过程变量归一值步骤S32得到的过程变量归一值/>和步骤S46得到的高斯核最佳常数cbest，确定矩阵Knew中的每一个元素/>
其中，为采集的第f个当前过程变量Xnew，/>为过程变量归一值/>中第g个元素；
S64、对矩阵Knew中心化处理得到其中1n为n维全为1的列向量；
S65、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest和步骤S52得到的最佳h，计算在实际工作过程中第f个当前过程变量
S66、根据步骤S52得到的最佳h和最佳λ，计算统计量对应的自适应阈值和当前过程变量对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方；
当时，进行异常报警，若否，则执行步骤S67；
S67、判断当前待检测变量Ynew是否异常，若是，则进行离子膜异常预警，若否，则保持静默。
由于在构建氯碱电解槽异常检测模型时使用的为过程变量，所以对于非过程变量异常不会进行监测，在实际异常检测过程中，通过步骤S66即可对关于过程变量异常导致的电解异常进行及时预警，过程变量正常时则不会进行预警，即便待检测变量异常，而为了避免因非过程变量异常导致的电解异常造成漏报，所以还会执行步骤S67通过常规的检测方式对待检测变量进行检测是否异常，此时数据异常时代表离子膜故障，进行离子膜异常预警，因为离子膜异常导致的电解异常不存在过程变量，所以当过程变量正常而存在检测数据结果异常时，即可判断为离子膜故障，从而通过步骤S67能够对异常原因进行区别，进一步优化预警效果。
如上即为本申请的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述申请的验证过程，并非用以限制本申请的专利保护范围，本申请的专利保护范围仍然以其权利要求书为准，凡是运用本申请的说明书内容所作的等同结构变化，同理均应包含在本申请的保护范围内。
Claims (7)
1.一种基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，包括以下步骤：
S1、采集氯碱电解槽历史工况数据，确定氯碱电解槽历史工况数据中的过程变量和待检测变量；
S2、将氯碱电解槽历史工况数据划分为训练集和验证集；
S3、通过训练集构建氯碱电解槽异常检测模型；
S4、通过验证集对氯碱电解槽异常检测模型进行验证，判断是否合格，若是，则执行步骤S5，若否，则执行步骤S3～S4重新构建氯碱电解槽异常检测模型并验证；
S5、根据步骤S4得到的氯碱电解槽异常检测模型计算检测模型的自适应阈值；
S6、实时采集氯碱电解槽工况数据，通过步骤S4得到的氯碱电解槽异常检测模型得到其过程变量，并通过得到的过程变量与步骤S5得到的自适应阈值对比判断氯碱电解槽是否异常。
2.根据权利要求1所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述过程变量包括供给盐水的量、Ca/Mg离子的浓度、供给盐水的温度、供给纯水的量、供给盐水的浓度、供给盐水的流量、电解槽的盐酸流量与电解槽的电流大小；
所述待检测变量包括烧碱电流效率、电解槽槽电压、电解槽槽温、pH值和阴极液碱浓度。
3.根据权利要求2所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述烧碱电流效率在获取时的步骤为：
a、获取烧碱日产率M烧碱：
M烧碱＝V阴极液×C烧碱×ρ阴极液×t×10-3
其中，V阴极液为电解槽采集间隔时间内所产生的阴极液总量，C烧碱为电解槽所产生的阴极液平均烧碱浓度；ρ阴极液为电解槽所产生的阴极液平均密度，t为时间；
b、根据烧碱日产率计算烧碱电流效率η烧碱：
其中，M烧碱为烧碱日产率，I为单个电解槽的电流，N为电解槽数量，t为时间。
4.根据权利要求2或3所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述步骤S3包括以下步骤：
S31、获取训练集中的过程变量X和待检测变量Y；
S32、分别将过程变量X和待检测变量Y进行归一化处理得到对应的过程变量归一值和待检测变量归一值/>
S33、定义矩阵K，根据确定矩阵K中的每一个元素Ka，b：
其中，为过程变量归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素，c为可调整高斯核常数；
S34、对定义矩阵K进行中心化处理得到
S35、通过KPLS算法，根据步骤S34得到的和步骤S32得到的待检测变量归一值/>得到的得分矩阵T和待检测变量归一值/>的得分矩阵U，完成氯碱电解槽异常检测模型的构建；
S36、根据KPLS的主元个数A和训练集的样本数量n，计算统计量
其中，FA,n-A,α为置信区间，α为置信水平。
5.根据权利要求4所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述步骤S4包括以下步骤：
S41、获取验证集中的过程变量Xtest和待检测变量Ytest，并分别进行归一化处理得到过程归一值和检测归一值/>
S42、根据过程归一值步骤S32得到的过程变量归一值/>和可调整高斯核常数c，确定矩阵Ktest中的每一个元素/>
其中，为过程归一值/>中第a个元素，/>为过程变量归一值/>中第b个元素；
S43、对矩阵Ktest中心化处理得到 其中1n为n维全为1的列向量，K为步骤S33得到的定义矩阵；
S44、根据步骤S32得到的待检测变量归一值S34得到/>以及步骤S35得到的得分矩阵T和得分矩阵U，计算得到预测值/>
S45、对预测值进行反归一化得到预测结果i为验证集l个待检测变量中的第i个；
S46、判断预测结果与验证集中对应待检测变量/>之间的偏差是否符合设定值，若是，则得到高斯核最佳常数cbest和KPLS的主元最佳个数Abest并执行步骤S5，若否，则调节可调整高斯核常数c和KPLS的主元个数A，重新执行步骤S33～S46。
6.根据权利要求5所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述步骤S5包括以下步骤：
S51、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest，计算验证集中连续h个待检测变量对应的统计量并收集，得到/>
其中，i＝1，2，…，l；l为验证集中待检测变量的数量，n为训练集的样本数量；
S52、计算统计量对应的自适应阈值/>和训练集中任一过程变量/>对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方；
当时进行异常报警，判断进行异常报警时，过程变量/>对应的实际工况是否异常，若是，则确定最佳h和最佳λ；若否，则重新调整h和λ，重新执行步骤S52。
7.根据权利要求6所述的基于自适应阈值的氯碱电解槽过程异常检测方法，其特征在于，所述步骤S6包括以下步骤：
S61、在实际工作过程中分别采集当前过程变量Xnew和当前待检测变量Ynew；
S62、对当前过程变量Xnew和当前待检测变量Ynew分别进行归一化处理得到当前过程变量归一值和当前待检测变量归一值/>
S63、根据当前过程变量归一值步骤S32得到的过程变量归一值/>和步骤S46得到的高斯核最佳常数cbest，确定矩阵Knew中的每一个元素/>
其中，为采集的第f个当前过程变量Xnew，/>为过程变量归一值/>中第g个元素；
S64、对矩阵Knew中心化处理得到其中1n为n维全为1的列向量；
S65、根据高斯核最佳常数cbest和KPLS的主元最佳个数Abest和步骤S52得到的最佳h，计算在实际工作过程中第f个当前过程变量
S66、根据步骤S52得到的最佳h和最佳λ，计算统计量对应的自适应阈值/>和当前过程变量对应的加权移动平均值/>
其中，n为训练集的样本数量，j＝(1，2，…，h)，i＞h，λ表示权值参数，λj为λ的j次方；
当时，进行异常报警，若否，则执行步骤S67；
S67、判断当前待检测变量Ynew是否异常，若是，则进行离子膜异常预警，若否，则保持静默。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410358974.0A CN118193997A (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应阈值的氯碱电解槽过程异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410358974.0A CN118193997A (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应阈值的氯碱电解槽过程异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118193997A true CN118193997A (zh) | 2024-06-14 |
Family
ID=91403218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410358974.0A Pending CN118193997A (zh) | 2024-03-27 | 2024-03-27 | 一种基于自适应阈值的氯碱电解槽过程异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118193997A (zh) |
-
2024
- 2024-03-27 CN CN202410358974.0A patent/CN118193997A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8152987B2 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| US8114265B2 (en) | Efficiency optimization and damage detection of electrolysis cells | |
| US6591199B2 (en) | Method and system for acquisition, monitoring, display and diagnosis of operational parameters of electrolyzers | |
| CN113403645B (zh) | 一种电解槽工作状态的确定方法、装置及控制器 | |
| CN113136592B (zh) | 检测具有电解电池的电解装置中的故障的方法和系统 | |
| EP2226411B1 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| EP1910588A1 (en) | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization | |
| CN114369849B (zh) | 一种电解槽健康度的监控方法、装置及电解槽监控系统 | |
| CN112563542B (zh) | 燃料电池在线检测方法及检测系统 | |
| CN116894663B (zh) | 一种智能化的aem电解槽控制系统 | |
| CN117874666A (zh) | 可再生能源制氢系统运行状态评估系统 | |
| CA2794737C (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| CN216386866U (zh) | 一种电解制氢碱液的评价装置 | |
| CN118193997A (zh) | 一种基于自适应阈值的氯碱电解槽过程异常检测方法 | |
| US9453286B2 (en) | Method and system for electrolyser single cell current efficiency | |
| CN117587457A (zh) | 一种pem电解水制氢设备故障预警系统 | |
| JP2025505734A (ja) | 複数の電解槽スタックを動作させる方法 | |
| CN115354351A (zh) | 电解槽控制装置、电解制氢的控制系统及方法 | |
| CN112080754B (zh) | 一种高电密低电耗电解槽及其测试方法 | |
| CN118884124B (zh) | 电解水制氢系统接入电网试验测试系统 | |
| JPH0874082A (ja) | イオン交換膜法電解槽の運転方法 | |
| CN118480820A (zh) | 一种基于氯碱工业过程的电解槽突停处理方法和装置 | |
| CN117538391A (zh) | 一种电解槽运行状态检测方法、装置及系统 | |
| CN113984858A (zh) | 一种电解制氢碱液的评价装置及评价方法 | |
| CN118858814A (zh) | 一种电解水制氢与电网联合运行的预警系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |