随着石油、化工等流程工业的日益大型化、复杂化和现代化,产生了大量的有关物质、能源、工艺设备和操作信息等方面的数据。从大量的生产、管理数据中挖掘深层次的生产知识、最优操作条件和管理模式,即流程工业数据挖掘,是实现流程工业过程的在线监测、故障诊断、安全评估、生产管理、市场分析与预测等的关键技术之一,为流程工业的稳定操作、高效生产提供更有效的决策支持。 流程工业数据挖掘应用的首要任务就是选择和建立有效的适合流程工业数据性质的挖掘算法,粒度数据挖掘技术可以从不同系统级别的角度研究系统,根据实际的应用划分不同的粒度空间,在不同的粒度空间寻找系统的操作模型和相关的约束变量,挖掘流程变量之间的关系与规律,寻求不同粒度空间的局部的或全局的优化方法,有效的解决流程工业诊断和优化的实际问题。 裂解炉系统是乙烯生产过程中的龙头装置,具有一般连续流程工业的各种典型特性。本文以此为主要背景来研究流程工业粒度数据挖掘技术。 针对流程工业数据的高维数、不确定的特点,研究适合处理流程数据的模糊集、粗糙集的粒度数据挖掘理论和方法。针对粗糙度不能完全区分知识粒度的缺点,研究了信息粒度原理与知识粗糙性本质关系,提出了基于粒度熵的信息量化方法和最优属性约简算法;为寻求快速有效的流程工业粒度数据挖掘方法,根据模糊信息粒度矩阵的原理,提出了基于信息粒度矩阵算法的粗糙数据挖掘模型,以及信息粒度压缩矩阵算法和增量式规则获取;提出的粗糙数据挖掘模型和挖掘算法操作方便、易于理解,降低了存储空间,提高了流程工业数据挖掘的运行效率。 针对流程工业数据包含大量噪声、多时标和动态性的特点,进行了以下研究:在数据移动窗内,采用小波变换进行特征提取和滤波,研究了输入训练神经网络的非线性主元分析粒度数据挖掘方法,改进了输入训练神经网络的学习算法;利用小波的多粒度空间分析,提出了自适应多尺度非线性主元分析(MS-NLPCA)的流程工业时序数据的特征提取与非正常工况监测方法;研究了基于流程参数正态