面向空分装备的时滞皮尔逊相关性分析及关键变量预测方法研究.pdfVIP

摘要

空分系统属于流程工业的一种，空分的生产过程是将空气通过重复加压冷

冻等过程使其转变为液态，对产生的液态空气进行蒸馏操作后分离出所需气体。

在空分系统的生产过程当中，为了保证生产过程的正常运行，现场工作人员会

根据某些特定的指标变化情况来调节相关设备。但由于实际生产过程中一些指

标变量的生产情况没办法及时检测到，会对整个生产过程造成一些隐患，因此

如何对空分系统中关键变量进行有效且准确的预测成为了一个重要问题。随着

流程工业的发展，空分装备这样拥有复杂机理的设备，基于机理的建模方式会

需要较大的成本，且精确性和可靠性无法保证。基于数据驱动的预测方法只用

输入大量数据建立起输入与输出变量关系的模型，无需关注机理信息且预测结

果准确、高效，因此本文从该角度出发通过大量现场生产数据分析空分系统变

量之间的相关性和进行有效的建模预测。本文的主要工作如下：

（1）传统的变量之间的相关性分析方法对变量数据进行处理时，往往未考

虑到变量之间的时滞性，空分系统又普遍存在大时滞的特点，因此传统的相关

性分析方法的有效性会降低。因此本文提出了一种基于时滞皮尔逊相关系数的

特征选择策略，以皮尔逊相关系数为基础，加入了时滞因素以及Hurst指数分析

来进行改进，通过应用到空分装备中来验证该改进方法的优越性。

（2）通过引入多个神经网络作为预测模型，对空分装备中的关键变量使用

变量选择-预测混合方法进行最优相关集的筛选，同时对多个相关分析方法得到

的相关变量集以及多个神经网络模型进行仿真实验，结果表明改进的皮尔逊相

关分析法与长短期记忆网络（LongShortTermMemorynetwork，LSTM）模型结

合的方法，对空分装备中关键变量的预测结果较为理想。

（3）为了提高预测模型的精度，本文还对关键变量进行了改进经验模态分

解算法进行处理，并且通过卷积神经网络对输入的时间序列数据的特征进行抽

象提取，最后再用门控循环单元（GatedRecurrentUnits，GRU）神经网络进行

模型预测。通过与多个对比模型分析，结果表明经过改进经验模态分解算法后

的关键变量信号能够有特征更加显著的模态分量且重构误差极小，再通过卷积

神经网络（ConvolutionalNeuralNetworks，CNN）与GRU混合的模型进行预测，

结果更加贴近真实值。

关键词：空分系统，皮尔逊相关，时滞，经验模态分解，时间序列预测

ABSTRACT

Airseparationsystembelongstoavarietyofprocessindustry.Themanufacturing

techniqueofairseparationistoradicallychangeairintoliquidnationbymeansof

repeatedpressurizationandfreezing,etc.Theensuingliquidairisdistilledtoseparate

thedesiredgases.Intheproductionprocessofairseparationsystem,toensuresmooth

operationoftheproductionprocess,thefieldstaffwilladjusttherelevantequipment

accordingtothechangesofcertainindicators.However,theactualproductionprocess

isnotabletodetecttheproductionofsomekeyvariablesintime,whichmaycause

somehiddenproblemstothewholeproductionprocess.Howtoeffectivelyand

accuratelypredictthekeyvariablesintheairseparationsystemhasbecomean

impor