本發明涉及煉化企業原油近紅外快速分析領域，具體為一種基于近紅外光譜的原油預處理系統智能故障診斷方法。

背景技術：

1、原油預處理系統是煉化企業原油性質快速分析和評價的關鍵設備，用于確保原油樣品滿足近紅外(nir)光譜檢測要求。原油nir光譜的可靠性是后續工藝優化和生產決策的重要基礎，一旦預處理系統發生故障，將直接影響光譜的準確性，從而導致效益損失。由于預處理系統內部工序復雜，環節眾多，故障原因的快速定位和溯源成為生產中的難點問題，亟需高效可靠的診斷方法加以解決。

2、目前，煉化裝置的故障診斷仍主要依賴于操作人員經驗和專家知識，可以應用于簡單生產場景中，但在復雜煉化裝置中，其可靠性低，效率不高，難以滿足現代化生產的需求。隨著分布式控制系統的普及，大量可供分析的過程數據得以存儲，這使得數據驅動型故障診斷技術成為煉化領域研究的重點。

3、近年來，光譜技術因其信息豐富、無侵入性和檢測快速等特點，廣泛應用于油品性質分析及生產控制領域。然而，光譜技術在故障診斷中，尤其是在預處理系統故障原因定位的研究較少，靠人工分析摸排故障又難以準確定位且定位時間較長，進而影響生產連續性。因此，如何利用原油近紅外光譜在進行性質分析的同時實現預處理系統的故障診斷，并確保其具有高準確性和可靠性，成為煉化企業需要解決的重要問題。

技術實現思路

1、本發明針對背景技術中存在的問題，公開一種原油預處理系統智能故障診斷方法，設計改進的麻雀搜索算法對支持向量機(svm)的參數進行優化，并設計強分類器，建立原油近紅外光譜故障診斷模型，該方法具有以下步驟：

2、1)收集原油預處理系統r種不同故障下的原油樣品，測定樣品的近紅外光譜，光譜波數范圍為4000～4800cm-1；

3、2)采用savitzky-golay3點17階卷積平滑算法對光譜數據樣本進行平滑處理去噪，再采用核主成分分析(kpca)提取平滑后得光譜故障特征，得到平滑去噪和特征提取后光譜數據；

4、3)采用留出法將光譜數據樣本按7:3劃分為訓練集dtrain和測試集dtest，訓練集樣本數量為n；

5、4)改進麻雀搜索算法來優化svm懲罰因子和核參數的尋優過程，構建基分類器，具體如下：

6、a.應用tent混沌序列初始化麻雀種群，對種群中麻雀個體的初始位置x′施加擾動得到擾動后位置xn′ew：

7、xn′ew＝(x′+(xmin+(xmax-xmin)h))/2

8、式中xmin和xmax為x′的取值范圍最小值和最大值，h為混沌向量；

9、b.以訓練集dtrain交叉驗證錯誤率作為麻雀個體適應度，采用麻雀搜索算法更新麻雀個體位置；

10、c.比較麻雀個體適應度和平均適應度，若小于平均值則采用步驟a中tent混沌擾動麻雀位置，否則采用高斯變異n(0,1)擾動麻雀位置：

11、xn′ew＝x′(1+n(0,1))

12、d.更新適應度和最優位置，判斷是否達到最大迭代數，若是則輸出最優svm參數，否則返回步驟b；

13、5)設計自適應加權方法組合m個基分類器，得到故障診斷強分類器，m個基分類器的訓練過程為：首先對所有訓練樣本賦予相同權重，依次對m個基分類器進行迭代訓練，在迭代過程中計算第m個基分類器權重vm并更新下一次迭代樣本權重wm+1：

14、

15、式中是分類錯誤率，i(hm(xi)≠yi)在hm(xi)≠yi時為1，否則為0，ωmi為第m個基分類器的第i個樣本權重大小，yi和hm(xi)為基分類器的實際輸出和預測輸出，是規范化因子；

16、6)使用訓練集dtrain針對r種不同的預處理系統故障建立r個二分類的強分類器模型m1,m2,…,mr，組合為原油預處理系統故障診斷模型movr，根據測試集dtest驗證模型的精度和泛化能力；

17、7)在線采集預處理系統故障的原油近紅外光譜，波數范圍為4000～4800cm-1：

18、8)對在線采集的光譜樣本進行平滑處理和特征提取，作為模型m1,m2,…,mr的輸入；

19、9)使用模型進行預處理系統故障診斷，得到中間診斷結果r1,r2,…,rr，取得分最高且超過閾值的結果作為故障診斷結果r＝max{r1,r2,…,rr}，若所有診斷得分均未超過閾值則認為是正常樣本。

20、有益效果：

21、本發明公開了一種原油預處理系統智能故障診斷診斷方法，該方法通過設計改進的麻雀搜索算法優化svm懲罰因子和核參數，作為基分類器進行加權組合，構建出故障診斷強分類器模型對預處理系統常見故障進行診斷。該方法能夠提升svm的分類精度和迭代性能，并通過動態調整樣本和基分類器的權重，有效增強模型對復雜故障模式的適應能力和診斷穩定性，以確保原油預處理系統的故障診斷準確率滿足運用需求。

技術特征：

1.一種原油預處理系統智能故障診斷方法，其特征在于設計改進的麻雀搜索算法來優化支持向量機的參數，并設計強分類器，建立原油近紅外光譜故障診斷模型，具有以下步驟：

2.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于測定近紅外光譜范圍a1～a2cm-1為4000～4800cm-1。

3.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于采用savitzky-golay3點17階卷積平滑算法去除光譜噪聲，采用核主成分分析提取光譜故障特征。

4.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于采用留出法劃分數據集為訓練集和測試集，留出法的比例為7:3。

5.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于支持向量機svm核函數選擇徑向基函數。

6.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于麻雀搜索算法中麻雀種群數量設為50，最大迭代次數設為20。

7.根據權利要求1所述的一種原油預處理系統智能故障診斷方法，其特征在于診斷得分閾值取0.90。

技術總結
本發明公開了一種原油預處理系統智能故障診斷方法，該方法設計改進的麻雀搜索算法來優化支持向量機的參數，并設計強分類器構建故障診斷模型，實現了原油預處理系統故障的精確診斷，在測試集上診斷準確率達到95.70％，能夠正確診斷原油預處理系統實際故障，有效提高了常見故障的診斷準確率。這使得煉化企業可以利用近紅外光譜進行原油性質快速評價的同時快速精準地診斷原油預處理系統常見故障，從而確保光譜數據的可靠性，有利于后續工藝決策和過程控制，具有極高的應用價值。

技術研發人員：陳夕松,劉克淳,王一凡,胡云云
受保護的技術使用者：南京富島信息工程有限公司
技術研發日：
技術公布日：2025/4/28