融合小波閾值降噪和INFO-LSSVM算法的化工過程參數(shù)預(yù)測

摘 要 針對化工過程非線性、時滯性高的實際問題，以某氨合成工段為研究對象，首次提出基于小波閾值降噪的向量加權(quán)平均算法（INFO）優(yōu)化最小二乘支持向量機(jī)（LSSVM）的氨合成塔預(yù)測方法INFO-LSSVM，將小波降噪理論與INFO-LSSVM算法結(jié)合創(chuàng)建了預(yù)測精度較高的氨合成塔預(yù)測模型，用模型篩選出6個氨合成工段中的樣本數(shù)據(jù)進(jìn)行小波閾值降噪預(yù)處理，然后用INFO-LSSVM訓(xùn)練降噪后的數(shù)據(jù)，得到小波閾值降噪的INFO-LSSVM氨合成塔預(yù)測模型，對比INFO-LSSVM、PSO-LSSVM、LSSVM模型的預(yù)測結(jié)果，得到三者的均方根誤差分別為0.231 8、0.447 7、0.496 4，可為多因素作用下類似預(yù)測提供借鑒。

關(guān)鍵詞 小波閾值降噪 向量加權(quán)平均算法 最小二乘支持向量機(jī) 預(yù)測模型 氨合成

中圖分類號 TP273" "文獻(xiàn)標(biāo)志碼 A" "文章編號 1000-3932（2024）06-1108-08

隨著化工系統(tǒng)復(fù)雜程度的增加，簡單的檢測與故障診斷在某些情況下已不能滿足需求。針對重特大事故時有發(fā)生的情況，2013年頒布的《關(guān)于加強(qiáng)化工過程安全管理的指導(dǎo)意見》明確提出：對化工裝置的重要工藝參數(shù)進(jìn)行實時監(jiān)控預(yù)警，采取在線安全監(jiān)控手段，及時判斷發(fā)生異常工況的根源，避免因處理不當(dāng)造成事故?；みB續(xù)過程具有非線性、滯后性、時變性、動態(tài)性強(qiáng)等特征，異常工況預(yù)警技術(shù)在進(jìn)行監(jiān)測預(yù)警時往往存在較高的誤報率［1］。因此，對化工過程中的關(guān)鍵DCS報警變量進(jìn)行準(zhǔn)確預(yù)測，不僅可以提示可能發(fā)生的變化來降低異常情況發(fā)生的概率，還對降低事故發(fā)生具有重要意義。1909年，美國學(xué)者BABSON首次提出預(yù)測的概念，用經(jīng)濟(jì)增長線上下界間的面積來預(yù)測宏觀經(jīng)濟(jì)的波動趨勢。2006年，RONZA等將有害物質(zhì)泄漏的風(fēng)險評估用于風(fēng)險預(yù)警，基于碳?xì)浠衔锏男孤┙y(tǒng)計數(shù)據(jù)提出相應(yīng)方程，用于預(yù)測泄漏點(diǎn)的火災(zāi)情況，并結(jié)合MINMOD數(shù)據(jù)庫，實現(xiàn)化工事故情景預(yù)警與風(fēng)險評估。文獻(xiàn)［2］以生物免疫機(jī)理類比分析化工園區(qū)生產(chǎn)系統(tǒng)，采用仿生學(xué)的方法建立Ag-Ab模型化工園區(qū)風(fēng)險預(yù)警指標(biāo)體系，通過安全生產(chǎn)現(xiàn)狀模糊推理預(yù)警結(jié)果提出免疫對策；文獻(xiàn)［3］運(yùn)用GIS、RS等信息技術(shù)與遠(yuǎn)程信號動態(tài)監(jiān)測技術(shù)，對罐區(qū)工藝設(shè)施狀態(tài)參數(shù)進(jìn)行實時監(jiān)測與分析，實現(xiàn)了對石化企業(yè)火災(zāi)事故的早期征兆監(jiān)測預(yù)警；文獻(xiàn)［4］運(yùn)用動態(tài)自學(xué)習(xí)閾值和趨勢濾波技術(shù)在線監(jiān)測系統(tǒng)數(shù)據(jù)，獲取參數(shù)變化趨勢，實現(xiàn)了故障的早期預(yù)警；文獻(xiàn)［5］通過支持向量回歸算法對化工園區(qū)內(nèi)的系統(tǒng)風(fēng)險熵值時間序列進(jìn)行預(yù)測，以此識別園區(qū)潛在的事故風(fēng)險態(tài)勢；文獻(xiàn)［6］提出基于最小二乘的擬合-微分-再微分趨勢分析方法，實現(xiàn)了連續(xù)的間歇過程異常工況早期報警監(jiān)測；文獻(xiàn)［7］針對化工過程數(shù)據(jù)的非線性，將徑向基函數(shù)與遞歸算法結(jié)合構(gòu)建預(yù)測模型，并驗證了預(yù)測的準(zhǔn)確性；文獻(xiàn)［8］提出基于長短期記憶網(wǎng)絡(luò)（LSTM）的化工過程異常工況的預(yù)警模型，首次將機(jī)器學(xué)習(xí)與三角模糊數(shù)結(jié)合，完成了對化工過程的風(fēng)險預(yù)警。上述文獻(xiàn)提供了不同的預(yù)測思路，但預(yù)測精度都不高。

筆者將小波閾值降噪與INFO-LSSVM預(yù)測算法相結(jié)合，創(chuàng)建化工過程關(guān)鍵報警參數(shù)預(yù)測模型。結(jié)合化工過程特點(diǎn)，引入小波閾值降噪去除化工過程中的噪聲信號，用向量加權(quán)平均算法（Weighted Mean of Vectors Algorithm，INFO）優(yōu)化LSSVM參數(shù)，兼顧化工過程關(guān)鍵報警參數(shù)的時序性及非線性。LSSVM是支持向量機(jī)（SVM）優(yōu)化改進(jìn)后的模型，具有良好的擬合性能，且模型泛化能力強(qiáng)，多適用于時間序列預(yù)測。INFO通過不同的向量加權(quán)平均規(guī)則來實現(xiàn)尋優(yōu)目的，具有尋優(yōu)能力強(qiáng)、收斂速度快等特點(diǎn)，可以高效、快速地從大量樣本中提取特征［9］。將小波閾值降噪與INFO-LSSVM相結(jié)合，充分融合各自優(yōu)點(diǎn)，以期提高模型的預(yù)測精度。

1 氨合成塔預(yù)測模型

1.1 基于小波去噪的數(shù)據(jù)預(yù)處理

在實際化工過程中，由于生產(chǎn)環(huán)境、操作精度等不確定因素的影響，監(jiān)控數(shù)據(jù)通常含有噪聲，噪聲的存在會掩蓋數(shù)據(jù)本身所要表達(dá)的信息，致使模型無法準(zhǔn)確提取數(shù)據(jù)特征［10］。因此，在數(shù)據(jù)送入模型前，首先應(yīng)對數(shù)據(jù)進(jìn)行降噪預(yù)處理。

本研究采用小波閾值去噪法對采樣數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)不同頻段上的小波特點(diǎn)分解系數(shù)噪聲和信號，將各頻段上的噪聲對應(yīng)的小波系數(shù)去除，保留原始信號的小波分解系數(shù)，并利用處理后的系數(shù)進(jìn)行小波重構(gòu)，從而達(dá)到信號去噪的目的。

與傅里葉變換、頻率域濾波法、偏微分方程等相比，小波閾值去噪法對非平穩(wěn)信號去噪效果更好［11］，在工程中應(yīng)用較廣泛?；谛〔ㄩ撝档慕翟脒^程如圖1所示，首先，含噪信號經(jīng)小波變換被分為高頻段和低頻段；之后，設(shè)定閾值判斷數(shù)據(jù)噪聲并去除高頻段噪聲；最后，將降噪后的信號整合重構(gòu)，完成降噪過程。

1.2 建立INFO-LSSVM預(yù)測模型

1.2.1 INFO算法

INFO是由AHMADIANFAR I等于2022年首次提出的基于種群的智能優(yōu)化算法［9］，它在搜索空間中計算一組向量的加權(quán)平均，并快速收斂于找到的最優(yōu)解。向量組合增強(qiáng)了算法的探索和挖掘能力。通過使用全局搜索來獲得全局最優(yōu)解（同時結(jié)合局部搜索技術(shù)），主要原則如下。

a. 更新規(guī)則階段。通過收斂加速提高全局搜索能力，利用MeanRule更新向量z1■■和z2■■，在此基礎(chǔ)上獲得搜索空間中的最優(yōu)向量，公式如下：

z1■■=x■■+σ×MeanRule+CA，randlt;0.5z1■■=x■■+σ×MeanRule+CA，rand≥0.5" " （1）

z2■■=x■■+σ×MeanRule+CA，randlt;0.5z2■■=x■■+σ×MeanRule+CA，rand≥0.5" " （2）

MeanRule=r×WM1■■+（1-r）×WM2■■" " （3）

CA=randn×■" " " （4）

其中，g為迭代次數(shù)；x■■和x■■為隨機(jī)解；σ為［0，1］的比例因子；rand為［0，1］的隨機(jī)數(shù)；r為［0，0.5］的隨機(jī)數(shù)；x■■為最優(yōu)解；x■■為較優(yōu)解；x■為初始解；WM1■■為隨機(jī)解的加權(quán)平均；WM2■■為最優(yōu)解的加權(quán)平均；randn為正態(tài)分布的隨機(jī)數(shù)；ε為常數(shù)；CA為收斂速度；f（x）是目標(biāo)函數(shù)。

b. 向量組合階段。旨在提高探索和開發(fā)能力，增加INFO中的種群多樣性，提高局部搜索性能，并生成新的向量u■■：

u■■=z1■■+μ·｜z1■■-z2■■｜，rand2lt;0.5z2■■+μ·｜z1■■-z2■■｜，rand2≥0.5x■■" " " ，rand1gt;0.5" " "（5）

μ=0.05×randn

其中，u■■為第g代矢量合成得到的矢量。

c. 局部搜索階段。旨在防止INFO陷入局部最優(yōu)，提高其利用率和收斂性：

u■■=x■+randn×［MeanRule+Va］ ，rand2lt;0.5x■+randn×［MeanRule+Vb］，rand2≥0.5" （6）

V■=randn×（x■■-x■■）

V■=randn×（v■×x■-v■×x■）

其中，x■為3個隨機(jī)解的平均值；v■和v■為兩個隨機(jī)數(shù)。

該算法在處理具有約束和未知搜索域的實際、復(fù)雜和具有挑戰(zhàn)性的優(yōu)化問題方面表現(xiàn)出突出優(yōu)勢。因此，筆者提出利用INFO優(yōu)化LSSVM的初始參數(shù)懲罰因子C和徑向基γ，使其達(dá)到最優(yōu)適應(yīng)度值，以有效識別化工過程的異常工況。

1.2.2 最小二乘支持向量機(jī)回歸算法

最小二乘支持向量機(jī)（LSSVM）通過構(gòu)建損失函數(shù)將二次規(guī)劃問題變?yōu)榫€性求解，提高了模型的計算效率［12］。選擇誤差ξi的二次范數(shù)作為損失函數(shù)，由此優(yōu)化問題變?yōu)椋?/p>

min■ωTω+■η■ξ■■" " " （7）

約束條件為：

y■=ωT？準(zhǔn)（x■）+b+ξ■" " " "（8）

其中，η為調(diào)節(jié)常數(shù)；b為偏差量；ω是權(quán)重向量；？準(zhǔn)（x■）是將原始特征向量映射到高維特征空間的非線性變換（核函數(shù)）；最優(yōu)參數(shù)b由INFO獲得。

在求取參數(shù)b后，LSSVM回歸模型為：

y（x）=■α■k（x■，x）+b" " " （9）

其中，α■為拉格朗日乘子；k（x■，x）為核函數(shù)。

1.2.3 基于INFO算法的LSSVM參數(shù)優(yōu)化

LSSVM利用INFO算法對其參數(shù)進(jìn)行優(yōu)化，較交叉驗證方法所選擇的參數(shù)更加準(zhǔn)確［13］。INFO算法對LSSVM進(jìn)行尋優(yōu)的過程如圖2所示。

為了衡量并分析所提組合預(yù)測模型的預(yù)測效果和預(yù)測精度，用決定系數(shù)R2與均方根誤差（Root Mean Square Error，RMSE）作為模型預(yù)測結(jié)果的評價指標(biāo)，R2與RMSE的計算式分別為：

R■=1-■" " " （10）

RMSE=■" " （11）

其中，n代表預(yù)測的次數(shù)；Y■、f（x■）分別代表預(yù)測值和實際值；Y表示平均值。

2 預(yù)測算法流程

化工過程風(fēng)險預(yù)測模型主要由小波降噪與INFO-LSSVM預(yù)測組成，預(yù)測流程如圖3所示。

首先，選擇擬研究的化工工藝，篩選關(guān)鍵參數(shù)作為風(fēng)險預(yù)測因子，對過程數(shù)據(jù)進(jìn)行小波閾值降噪處理；然后構(gòu)建INFO-LSSVM預(yù)測模型，運(yùn)用模型對預(yù)測因子進(jìn)行預(yù)測，將RMSE、R2作為衡量標(biāo)準(zhǔn)進(jìn)行評估，對預(yù)測結(jié)果進(jìn)行統(tǒng)計分析、比對。

3 算例分析

為了驗證小波降噪與INFO-LSSVM結(jié)合的預(yù)測模型的有效性和預(yù)測精度，以云南省某化工企業(yè)氨合成塔關(guān)鍵參數(shù)進(jìn)行模型實驗，并對比結(jié)果。

3.1 預(yù)測因子篩選

合成塔工藝過程主要由進(jìn)出口氣換熱器、加熱爐、合成塔、鍋爐給水換熱器等裝置組成，其工藝流程如圖4所示。

通過HAZOP方法對合成氨工藝進(jìn)行分析，篩選出影響安全生產(chǎn)的主要因素，包括壓力、溫度、物料比、流量等6個過程參數(shù)作為風(fēng)險預(yù)測因子（表1）。

3.2 數(shù)據(jù)集構(gòu)造及預(yù)測處理

數(shù)據(jù)選取的是云南省某化工企業(yè)2021年10月1日合成氨工序6個風(fēng)險預(yù)測因子的樣本數(shù)據(jù)，每0.5 min采集一次數(shù)據(jù)，總計采集15 721條時序數(shù)據(jù)，將數(shù)據(jù)總量的前70%劃分為訓(xùn)練集，后30%作為測試集來驗證模型的預(yù)測精度。

由于合成氨工序中過程數(shù)據(jù)的監(jiān)控變量單位多、數(shù)值范圍差異大，為了增強(qiáng)模型泛化能力、加快模型的收斂速度，并保證預(yù)測模型的訓(xùn)練效率以及模型預(yù)測效果，采用小波閾值去噪方法對原始時間序列數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理結(jié)果如圖5所示。

3.3 預(yù)測結(jié)果討論

利用INFO算法對LSSVM模型進(jìn)行參數(shù)尋優(yōu)，設(shè)置初始種群為10，INFO-LSSVM的迭代收斂曲線如圖6所示，可以看出，INFO-LSSVM模型在第20次迭代時開始收斂，不易陷入局部極值，且預(yù)測誤差較小，于是將迭代次數(shù)設(shè)置為30次，以達(dá)到更好的預(yù)測效果。

采用基于小波降噪的INFO-LSSVM預(yù)測模型對6組參數(shù)進(jìn)行預(yù)測，預(yù)測結(jié)果如圖7所示。

為了進(jìn)一步評價INFO-LSSVM模型的性能，分別建立LSSVM模型和PSO-LSSVM模型，對圖7的6組風(fēng)險預(yù)測因子進(jìn)行預(yù)測，并從數(shù)據(jù)是否降噪的角度將3者的預(yù)測能力進(jìn)行對比分析，結(jié)果見表2，可以看出，評價指標(biāo)R2、RMSE在6個風(fēng)險預(yù)測因子的預(yù)測中，經(jīng)INFO優(yōu)化后的LSSVM模型具有更好的數(shù)據(jù)擬合效果，INFO-LSSVM預(yù)測模型的預(yù)測精度均高于LSSVM、PSO-LSSVM模型，表明INFO算法起到了優(yōu)化LSSVM模型的作用，充分挖掘出了數(shù)據(jù)間的隱藏信息，準(zhǔn)確預(yù)測出了未來98 min后的工藝參數(shù)，為預(yù)警工作提供了可靠的數(shù)據(jù)來源。

將INFO-LSSVM模型與小波閾值降噪相結(jié)合，用于合成塔過程的初始監(jiān)測和預(yù)測，并將其預(yù)測結(jié)果與LSSVM和PSO-LSSVM模型進(jìn)行比較，3種模型的預(yù)測誤差分析結(jié)果（表2）表明，筆者預(yù)測模型的平均決定系數(shù)為0.950 7，表明與LSSVM和PSO-LSSVM模型相比，INFO-LSSVM模型的預(yù)測精度更高、相對誤差更小，更適用于化工過程的關(guān)鍵參數(shù)預(yù)測。

4 結(jié)束語

針對多工況的復(fù)雜化工生產(chǎn)過程，從算法優(yōu)化的角度，提出融合小波閾值降噪和INFO-LSSVM算法的化工過程參數(shù)預(yù)測方法。利用小波閾值降噪降低了化工生產(chǎn)過程中的數(shù)據(jù)噪聲，通過向量加權(quán)算法（INFO）對傳統(tǒng)最小二乘支持向量機(jī)算法（LSSVM）進(jìn)行優(yōu)化，有效解決了LSSVM預(yù)測精度不高的問題。實際算例分析表明，采用融合預(yù)測方法預(yù)測的數(shù)據(jù)與企業(yè)真實數(shù)據(jù)基本吻合，說明筆者方法在合成氨工序參數(shù)預(yù)測中具有良好的預(yù)測效果，相對誤差較小，具有一定的工程實際應(yīng)用價值，可為時序預(yù)警奠定基礎(chǔ)，對預(yù)防化工過程事故具有參考意義。

參 考 文 獻(xiàn)

［1］ 王峰.化工過程非正常工況自愈調(diào)控理論及工程應(yīng)用研究［D］.北京：北京化工大學(xué)，2009.

［2］ 段偉利.基于免疫機(jī)理的化工園區(qū)安全生產(chǎn)預(yù)警研究［D］.廣州：華南理工大學(xué)，2011.

［3］ 劉晅亞，張清林，秘義行，等.大型石油儲罐區(qū)火災(zāi)風(fēng)險預(yù)測預(yù)警技術(shù)研究［J］.消防科學(xué)與技術(shù)，2012，31（2）：192-196.

［4］ 張明，馮坤，江志農(nóng).基于動態(tài)自學(xué)習(xí)閾值和趨勢濾波的機(jī)械故障智能預(yù)警方法［J］.振動與沖擊，2014，33（24）：8-14.

［5］ 張良.基于系統(tǒng)風(fēng)險熵的化工園區(qū)風(fēng)險態(tài)勢預(yù)測預(yù)警研究［D］.廣州：華南理工大學(xué)，2016.

［6］ 胡瑾秋，郭放，張來斌.基于趨勢分析的間歇過程異常工況超早期報警研究［J］.石油學(xué)報（石油加工），2018，34（1）：101-107.

［7］ DONG J F.Recursive NARX model identification of no- nlinear chemical processes with matrix invertibility analysis［J］.Computers and Chemical Engineering，2019，121：574-583.

［8］ 陳樑，朱君燁，金龍，等.時序數(shù)據(jù)驅(qū)動的化工過程風(fēng)險動態(tài)預(yù)警研究［J］.安全與環(huán)境學(xué)報，2023，23（10）：3491-3501.

［9］ AHMADIANFAR I，HEIDARI A A，NOSHADIAN S.INFO：An efficient optimization algorithm based on weighted mean of vectors［J］.Expert Syst，2022，195：116516.

［10］ 鮑宇.基于改進(jìn)的深度學(xué)習(xí)方法的化工過程故障診斷研究［D］.天津：天津大學(xué)，2021.

［11］ 茹斌，張?zhí)靷?，王宇?基于小波去噪及ARMA模型的故障率預(yù)測方法研究［J］.測控技術(shù)，2014，33（10）：43-46；50.

［12］ 劉晶，翁公羽，付華.基于PSO-ENN算法的高壓直流輸電線路故障測距［J］.高壓電器，2016，52（9）：153-157；163.

［13］ 謝國民，單敏柱，付華.基于FOA-SVM的煤礦瓦斯爆炸風(fēng)險模式識別［J］.控制工程，2018，25（10）：1859-1864.

（收稿日期：2024-03-21，修回日期：2024-04-12）

Chemical Process Parameter Prediction Based on Combining Wavelet Threshold Denoising and INFO-LSSVM Algorithm

WEN Yu-xiaoa， CHEN Lianga，b， ZHU Jun-yea

（a. Faculty of Public Safety and Emergency Management；b. Faculty of Environmental Science and Engineering，Kunming University of Science and Technology）

Abstract" "Aiming at the chemical process with nonlinearity and high time lag and through taking the ammonia synthesis section of a chemical enterprise in Yunnan Province as the object of research， a prediction method for ammonia synthesis tower which having the vector weighted average algorithm（INFO）based on wavelet threshold denoising adopted to optimize least-squares support vector machine （LSSVM） was proposed， in which， having the wavelet denoising theory combined with INFO-LSSVM algorithm to create an ammonia synthesis tower prediction model with high prediction accuracy， including having the sample data screened from six ammonia synthesis sections for wavelet threshold denoising and then having the denoising data trained with the INFO-LSSVM algorithm so as to obtain INFO-LSSVM ammonia synthesis tower model with wavelet threshold denoising. Comparing its prediction results with those of PSO-LSSVM and LSSVM shows that， the root mean square errors of the three prediction results are 0.231 8， 0.447 7， and 0.496 4， respectively and it provides a reference for similar prediction under the effect of multiple factors.

Key words" "wavelet threshold denoising， INFO， LSSVM， prediction model， ammonia synthesis