基于声纹特征识别的聚乙烯气相流化床生产过程结块在线监
测系统及方法
技术领域
[0001] 本
发明涉及工业过程监测领域，主要用于生产过程监测。是一种针对聚乙烯气相流化床生产过程结块检测的在线监测系统。
背景技术
[0002] 聚乙烯(PE)是聚烯
烃中产量最大的品种，作为热塑性高分子
聚合物被广泛地应用于工业、农业、国防、日用品等国民经济的各个领域。目前聚乙烯占世界聚烯烃消费总量的70％，占热塑性通用
树脂消费总量的44％，所用原料占世界乙烯消费量的52％，其中采用气相流化床工艺生产的PE约占世界PE产量的70％(钱伯章.当代聚乙烯生产的技术进展.国际化工信息，2002，1:9-11)。虽然气相法聚乙烯工艺相对溶液法具有很多优点，但是气相法的
传热能
力较差(MiururaH，Kawase Y.Hydrodynamics and mass transfer is three-phase fluidizedbeds withnon-Newtonian fluids.Chemicals Engineering Science，1997，52：
4095-4104)，则容易出现聚乙烯物料出现颗粒粘结、产生结块、料位非正常
波动等问题，严重时大量结块会导致堵塞出料口，甚至导致停产等安全事故，极大的影响了正常生产，造成经济损失(Ah-Hyung A P，Liang-S.Electrostatic charging phenomenon ingas-liquid-solid flow system.Chemical Engineering Science，2007，62：371-386)。若能对气相聚乙烯反应器的结块进行及时预警并采取适当地操作，则可以有效地确保聚乙烯生产过程的安全性、效益性。
[0003] 针对气相流化床聚乙烯反应过程所出现的结块类型及原因复杂特点，国内外出现了多种基于新型
传感器技术的结块检测方法，基于过程数据驱动的结块检测的方法，以及基于流化床颗粒
流体力学及
热力学模拟的结块检测方法。激光
相位多普勒技术可以测量颗粒速度，还可以同时测量颗粒尺寸与流量信息(McMillan Jennifer，Dawe Matthew，Briens Cedric.Measurement technique for tho on-line detection offaults in a fluidizedbed.Measurement，2011，44(8)：1436-1440)，但是光学测量对测量环境要求非常高，且大部分工业现场都很难道到。
辐射线技术，包括Y射线，p射线，
X射线、
中子射线等在流化床参数检测领域受到广泛关注(Priyada P.，M.Margret，R.RamarShivaramu.Intercomparsion of gamma ray scattering and transmission techiques for fluid-fluid and fluid-air interface levels detection and density measurements.Applied Radiation and Isotopes，2012，70(3)，462-469)，但是辐射线本身对人体有害，使用不当则会导致安全问题。声发射技术作为一种无损动态检测方法，不影响流化床内部流场，相对于传统的检测方法而言，具有方便快捷、实施准确、安全环保等优点(曹翌佳.从噪声到信息----声发射技术在流程工业中的应用.化工进展，2007，26(12)：1702-1707)。
[0004] 基于声发射技术许多学者在流化床中涉及颗粒粒径分布、颗粒速度检测、结块加测等方法取得较大进展。Leach等(Leach M F，Rubin G A，Williams J C.Particle size determinaion from acoustic emissions.Powder Technology，1977，16：153-158)首次利用声发射技术测量了流化床中规则圆形颗粒的平均粒径和粒径分布，结果表明该技术可以广泛地应用于颗粒皮髓及混合过程的在线检测。但利用生发技术测量颗粒粒径分布的方法容易受到颗粒形状的影响。阳永荣等(阳永荣，候琳熙，王靖岱，等.
声波的多尺度分解与颗粒粒径分布的实验研究.自然科学进展，2005，15(3)：126-130)建立了流化床中声波主频和平均粒径的关系，得出了Hou-Yang粒径分布模型，获得了声波
信号的
能量分率分布特征与粒径分布的定量关系。曹翌佳等(Cao Y J，Wang J D，He Y J，et al.Agglomeration detection beased on attractor comparison in herizontal stirred bed reactor by acoustic emission sensors.AIChE Journal，2009，55：3099-3108)基于声发射技术结合吸引子比较法实现了对卧室搅拌床中固体颗粒粒径分布的监测，预警了结块的产生。现有成果表明声发射技术适用于各种恶劣的工业环境，能够实施在线、较准确地实现流程工业中过程关键参数的检测，具有广泛的应用前景。
发明内容
[0005] 本发明提供一种基于声纹特征提取及识别的聚乙烯气相流化床结块在线监测系统及方法，其关键点在于：基于声发射传感器提取气相流化床反应器生产过程中反应物撞击反应器壁的声纹特征，利用SVDD分类器实现聚乙烯气相流化床结块的在线检测。
[0006] 本发明所采用的技术方案是：
[0007] 一种基于声纹特征识别的聚乙烯(PE)气相流化床生产过程结块在线监测系统，包括压电式声发射传感器、BNC
接口屏蔽信号
电缆、板卡式计算机音频采集卡、实时数据分析及过程结块状态识别
服务器；所述的实时数据分析及过程结块状态识别服务器包括：
[0008] 1.实时声波信号采集模块，用于对压电式声发射传感器所产生的
电压信号进行量化并采集及保存；
[0009] 2.批数据预处理模块：用于对采集到的原始数据进行预加重处理、数据分
帧、单帧数据
加窗过程处理；
[0010] 3.单帧数据声纹特征提取模块：用于对单帧数据进行声纹特征参数的提取，其提取特征主要为MFCC(梅尔
倒谱系数)；
[0011] 4.声纹特征参数维度压缩模块：用于对提取后的声纹特征参数进行特征维度的降压缩，降低PE流化床结块识别模型学习复杂度；
[0012] 5.PE流化床结块识别模型学习模块：使用所选择的声纹特征参数训练集进行聚乙烯气相流化床生产过程结块识别模型的学习，得到结块状态识别模型参数；
[0013] 6.在线PE流化床结块识别模块：用于根据(5)所到的结块状态学习模型参数，对特征化后的在线实时采集到的声纹特征进行PE流化床结块实时识别。
[0014] 所述的一种基于声纹特征识别的聚乙烯(PE)气相流化床生产过程结块在线监测方法包括以下步骤：
[0015] 1.利用紧贴于流化床床璧的压电声发射传感器与实时声发射信号采集模块进行PE气相流化床声发射信号的实时采集。为了可以采集到较高频段的数据，
采样频率设定为65536Hz。采样时间为10s一个周期，采集20周期，压电声发射传感器位于分布板上方10cm
位置；
[0016] 2.利用批数据预处理模块对数据进行如下处理：数据预加权，数据分帧处理及单帧数据加窗处理：
[0017] 2.1数据预加权：预加权的目的是提升高频部分，使信号的
频谱变得平坦，保持在低频到高频的整个频带中，能用同样的
信噪比求频谱，以方便于频谱分析或声道参数分析，预加权数字
滤波器为：
[0018] H(z)＝1-cz-1 (1)
[0019] 式中c为常数0.9375；
[0020] 2.2数据分帧处理：由于声纹信号是一个准稳态的信号，把它分成较短的帧，在每一帧中可将其视为稳态信号，可用处理稳态信号的方法来处理。对于气相聚乙烯流化床反应过程分帧时间设定为1s，且帧移为1s，故每1个采样时间为10s的情况下，可以分为10帧数据(样本)；
[0021] 2.3单帧数据加窗：理想的加窗函数要求主瓣无限狭窄且没有旁瓣，即无频谱泄露，本发明使用式(2)所示的汉明窗对采样的原始数据预加权
[0022]
[0023] 3.利用单帧数据声纹特征提取模块进行声发射信号的声纹特征参数提取：将批数据预处理模块的输出作为单帧声纹数据特征提取模块的输入，并对每一帧预处理后的声纹信号进行特征参数(MFCC)的提取，MFCC声纹特征参数提取过程如下：
[0024] 3.1通过快速傅里叶(FFT)变换，将短时时域信号转化为频域信号X(i，k)，并计算短时能量谱E(i，k)：
[0025] X(i，k)＝FFT[xi(m)] (3)
[0026] E(i，k)＝[X(i，k)]2 (4)
[0027] 其中，i表示第i帧，k表示频域中的第k条谱线，xi(m)为
语音信号预处理结果；
[0028] 3.2计算三
角带通滤波器，在声纹的频谱范围内设置若干带通滤波器Hm(k)，0≤m＜M，M为滤波器个数。每个滤波器具有三角形滤波特性，其中心频率为f(m)，在Mel
频率范围内这些滤波器是等带宽的，每个滤波器的传递函数为：
[0029]
[0030] 0≤m≤M
[0031] 中心频率为f(m)可以用以下方法定义：
[0032]
[0033] 上式中，fl为滤波器频率范围的最低频率，fh为滤波器频率范围的最高频率；N为FFT长度；fs为采频率；Fmel的逆函数为 为：
[0034]
[0035] 其中，b表示滤波器的实际频率；
[0036] 3.3计算通过三角带通滤波器能量
[0037]
[0038] 3.4计算离散余弦变换倒谱得到梅尔倒谱系数MFCC
[0039]
[0040] S(i，m)是所求的三角带通滤波器能量，m是指第m个三角带通滤波器，i是第i帧，n是离散余弦变换后的谱线；
[0041] 4.利用声纹特征参数维度压缩模块进行声纹特征参数
降维压缩，过程如下：
[0042] 4.1特征中心化，设A矩阵为d×m'维矩阵，其中d为声纹特征参数维度，m'为训练参数样本数。先求取A矩阵每一行数据均值向量 再通过求取每个A矩阵中每个数据与所在列的均值之差而完成特征中心化，中心化后的矩阵为[0043]
[0044]
[0045] 4.2计算协方差矩阵，计算矩阵 的协方差矩阵Bd×d，该矩阵是维度为d的方阵，设：
[0046]
[0047] 其中 为yi中元素均值，则协方差为
[0048]
[0049] 则协方差矩阵Bd×d为：
[0050]
[0051] 4.3计算协方差矩阵的特征值与
特征向量，对协方差矩阵求取特征值与特征向量，且满足下列公式：
[0052]
[0053] 其中V＝[v1 v2 … vd]为特征向量vi所组成矩阵，D＝diag[λ1 λ2 … λd]，其中λi为协方差矩阵B的特征值；
[0054] 4.4特征值与特征向量对应排序，将特征值{λ1 λ2 … λd}，从大到小排列，且每个特征向量按照对应特征值排列顺序进行重新排列，得到新特征向量矩阵V'＝[v1' v'2 … v'd]；
[0055] 4.5选取特征值及对应特征向量构成变换矩阵，选取特征向量矩阵V'中前两列向量组成降维变换矩阵T'＝[v1' v'2]，且维度为d×2，则A2×m'＝(Td×2)T'·Ad×m'，得到降维后的矩阵A'；
[0056] 5.利用PE流化床结块识别模型学习模块进行聚乙烯气相流化床结块检测模型学习，过程如下：
[0057] 5.1单类别识别模型训练过程，选择训练样本为记为xi，作为输入空间的
训练数据集，通过以下优化问题在特征空间建立超球体：
[0058]
[0059] s.t.||xi-a||≤r2+ξi
[0060] 上式中，a为超球体的球心；r为超球体半径；||x-a||为点xi到球心a的距离；ξi为松弛因子，ξi≥0；C为惩罚因子，起到控制对错分样本惩罚程度的作用。在得到该超球体后，得到决策函数为
[0061] f(x)＝sgn(r2-||x-a||2) (17)
[0062] 若f(x)＝-1，则x为非目标类对象，若f(x)＝1则x为目标类对象，上式中的优化问题，通过引入Lagrange乘子来求解，将式(16)中的约束关系带入到目标函数中并使用Lagrange乘子，得到式(18)
[0063]
[0064] 对于每一个训练样本xi都有一组对应的Lagrange系数αi≥0和γi≥0。通过对式(18)求a，r，ξi求偏导数为0，求取式(18)的极值点
[0065]
[0066]
[0067]
[0068] 将式(19)-(21)带入式(18)，经过变换后得到：
[0069]
[0070] 为了所求超球体更加紧凑，采用核函数代替计算中的点积运算，通过非线性映射函数实现低维空间到高维空间的映射，本发明采用了高斯径向基核函数：
[0071]
[0072] 式(23)中s为高斯径向基函数宽度。将其带入后得到：
[0073]
[0074] 5.2多类别识别模型训练过程，通过对确定类型数据进行单类别识别模型建立后，将多个模型的支持向量数据进行组合进行二次训练，得到多类别识别模型，其训练过程与单类别一致。
[0075] 6.利用在线PE流化床结块识别模块对实时采集到的流化床声纹数据进行决策，判定状态，过程如下：
[0076] 6.1SVDD单类别决策函数，通过PE流化床结块识别模型学习得到了模型参数，即超球体参数a与r后，传参数给在线PE流化床结块识别模型实现判别，当被检测类别样本x，满足式(25)时，即该样本与超球体球心距离小于或等于r时，则该样本点被接受：
[0077]
[0078] 6.2SVDD多类别决策函数，多类别决策函数是将单类决策模型进行组合得到，计算测试样本点到各个模型的距离与对应封闭球体半径之比，其值最小的，表明该样本点属于该类别，从而得到多组SVDD判别函数及结果；
[0079] 6.3诊断预测柔化，在建立代表多种状态识别模型后，检测样本与某个识别模型空间距离越小，说明检测样本越接近超球体所代表的状态，为避免由于超球体半径对状态识别的不合理影响，利用相对距离di＝rxi/ri对状态进行识别；
[0080] 本发明的技术构思为：针对气相聚乙烯(PE)生产过程中聚乙烯粉料结块现象，设计了基于声纹特征(MFCC)提取及识别的在线气相聚乙烯结块监测系统。
[0081] 本发明的效果主要表现在：声发射检测技术属于无侵入无损型检测技术，不会对聚乙烯流化床生产过程造成干扰，声纹特征提取过程实时性及
稳定性好，识别过程以概率的形式对诊断结果进行量化，较好的反映了混合物料特征及物料状态转移过程，使结块识别结果具有一定专家特性且不丧失模型诊断精准性。
附图说明
[0082] 图1是本发明整个检测系统的
框架图。1为气相聚乙烯流化床床体；2为流化床流化动力源装置，一般可以为
压缩机等；3为流量计；4为压电式声发射传感器；5为数据传输屏蔽线；6为
数据采集卡，做A/D转换与量化；7为结块监测服务器。通过压电式声发射传感器采集流化床反应器内部所产生的声波振动信号，通过对信号的实时的处理与分析，去判定反应器内部流化物料粒径大小。
[0083] 图2是本发明信号流图。流化状态中的物料在流化床内部发生着物料间及物料与床壁间的碰撞、摩擦而产生声波振动信号，及声波振动源。这类信号通过压电式声发射传感器的转化，将微弱的物理振动信号转化为
电信号，再通过A/D转化卡，如计算机音频采集卡，进行
模拟信号到
数字信号的转化，方便于后期的处理与分析。最后所得到的数字类型信号通过实时数据分析及过程状态诊断服务器进行数据的处理，分析，识别。
[0084] 图3是本发明中信号的处理、分析及识别具体流程。实时声波振动信号采集模块去调用数据采集卡进行声波振动信号的采集与转换。通过批数据预处理模块，对所得到的数字信号进行预加重，分帧，加窗处理。每一帧数据通过单帧数据特征提取声纹模型进行MFCC特征参数提取，再进行数据维度的压缩。在离线过程中，是通过PE流化床结块识别模块进行模型的建立工作，当识别模型建立完毕后，将模型参数传递给在线PE流化床结块识别模型。当进行在线检测时，则通过模块对实时数据进行结块状态的识别。
[0085] 图4气相PE故障状态在线结块检测系统
软件人机交互界面，由参数设定，功能菜单及实时检测结果显示组成。
[0086] 图5不同颗粒状态声纹时域信号：1mm颗粒，2mm颗粒，5mm颗粒，床层
质量为100g。从图中可以看出1mm颗粒时域信号数据幅值较低，主要由于该类型颗粒质量相对较小，流化后动量也非常小，颗粒间及与流化床内壁碰撞所产生的能量较小，且与2mm颗粒、5mm颗粒时域信号数据差别较大，但2mm颗粒与5mm颗粒时域信号差别较小，而2mm颗粒与微大于2mm颗粒时域信号数据几乎无差异，则上图没有给出。相关实例1内容。
[0087] 图6不同颗粒状态声纹频域信号：1mm颗粒，2mm颗粒，5mm颗粒，床层质量为100g。从上图中左侧3张分图为未进行预加重的声纹数据频域曲线，右侧3张分图为预加重后的声纹数据频域曲线。左侧3张分图从上到下分别是1mm颗粒，2mm颗粒，5mm颗粒声纹频率曲线，可以看出1mm颗粒主要集中于500Hz以内频带，2mm颗粒主要集中在20000Hz以内频带，5mm颗粒主要集中在10000Hz以内频带，且各类数据幅值与共振峰特征不同；右侧3张分图是预加重后的对应各个颗粒状态声纹数据频域曲线，相对于未进行预加重的信号，低频段(小于等于50Hz，工频信号频率)得到了有效抑制，实现了低频滤波作用，且提升了高频段，使得信号频谱更加平坦，频带更加宽。相关实例1内容。
[0088] 图7帧长与帧移的关系图。
[0089] 图8不同窗函数时域图形。
[0091] 图10不同滤波器个数三角窗函数Mel滤波器频率响应曲线，当MFCC特征参数维度确定，声纹
采样频率确定后，Mel滤波器与DCT变换矩阵便可确定，即只计算一次。在在线检测
数据处理过程中，只需做相关参数的乘法加法计算即可，其实时性较
小波变换特征参数提取及小波包变换特征参数提取等过程更好。
[0092] 图11不同粒径MFCC特征参数平均值：1mm颗粒，2mm颗粒，5mm颗粒，床层质量100g。该平均值为各个颗粒状态条件下，采集到的200s以上数据分帧后得到200帧以上数据的MFCC特征参数各维度平均值。从上图中可以看出，从上图中可以看到，3种颗粒的MFCC特征参数差别较大。相关实例1内容。
[0093] 图12不同粒径MFCC特征参数动态值：8张分图分别是MFCC特征参数的8个维度，且数据个数为800个样本，第1～200个数据为1mm颗粒；第201～400个数据为2mm颗粒；第401～600个数据为微大于2mm颗粒；第601～800个数据为5mm颗粒，床层质量100g。从该8张分图可以看出，不同粒径声纹特征参数存在明显差异性。相关实例1内容。
[0094] 图13原始8维MFCC特征数据进过PCA二维化
数据压缩后各类数据点坐标图。可以看出各类别数据空间距离较远，线性可分。且2mm颗粒与微大于2mm颗粒数据空间距离较近，符合状态转移过程。5mm颗粒数据坐标较为独立。相关实例1内容。
[0095] 图14为1mm颗粒特征数据SVDD识别模型建立，蓝色坐标点代表100帧模型训练数据，从上图可以看出，几乎所有训练集数据点都在所建立的封闭球
体模型内。相关实例1内容。
[0096] 图15为2mm颗粒特征数据SVDD识别模型建立，蓝色坐标点代表100帧模型训练数据，从上图可以看出，部分训练集数据点在所建立的封闭球体模型外。相关实例1内容。
[0097] 图16为1mm颗粒与2mm颗粒特征组合数据的SVDD模型建立，蓝色坐标点代表200帧模型训练数据，从上图可以看出，部分训练集数据点在所建立的封闭球体模型外，单两组数据训练构成的模型为一个封闭曲面球体，则对与数据的泛化能力会比较强。相关实例1内容。
[0098] 图17为1mm颗粒数据SVDD模型单类判别结果，红色点线代表测试数据到该识别模型距离平方与该模型超球体半径平方之差，其值表示：小于等于0时，该样本属于该类别，大于0时，该样本不属于该类别。红色点线数据中，第1～200个数据为1mm颗粒；第201～400个数据为2mm颗粒；第401～600个数据为微大于2mm颗粒；第601～800个数据为5mm颗粒，床层质量100g。从上图可以看出，第1～200个样本中96％以上属于小于等于1mm颗粒类，而第201～800个样本距离平法差都远大于0，则表明不属于小于等于1mm颗粒类。相关实例1内容。
[0099] 图18为2mm颗粒数据SVDD模型单类判别结果，红色点线代表测试数据到该识别模型距离平方与该模型超球体半径平方之差，其值表示：小于等于0时，该样本属于该类别，大于0时，该样本不属于该类别。红色点线数据中，第1～200个样本为1mm颗粒；第201～400个样本为2mm颗粒；第401～600个样本为微大于2mm颗粒；第601～800个样本为5mm颗粒，床层质量100g。从上图可以看出，第201～400个样本中46％以上属于2mm颗粒类，虽然识别率不高，但是样本距离平法差都很小于0.03，相对其他类别而言非常接近该类别。而第1～200个样本及第601～800个样本距离平法差都远大于0，则表明不属于2mm颗粒类。第401～600个样本为微大于2mm颗粒数据，该数据为2mm颗粒状态转移过程数据，可以看出其距离平方差随时间变化，表明颗粒粒径出现变化。相关实例1内容。
[0100] 图19为1mm颗粒与2mm颗粒特征组合数据SVDD模型单类判别结果，红色点线代表测试数据到该识别模型距离平方与该模型超球体半径平方之差，其值表示：小于0时，该样本属于该类别，大于0时，该样本不属于该类别。红色点线数据中，第1～200个数据为1mm颗粒；第201～400个数据为2mm颗粒；第401～600个数据为微大于2mm颗粒；第601～800个数据为
5mm颗粒，床层质量100g。从上图可以看出，第1～400个样本中仅7.25％小于0，识别率不高，但是样本距离平法差都很小于0.03，相对其他类别而言非常接近该类别。而第601～800个样本距离平法差都远大于0，则表明不属于1mm-2mm颗粒类。第401～600个样本为微大于2mm颗粒数据，该数据为2mm颗粒状态转移过程数据，可以看出其距离平法差随时间变化，表明颗粒粒径出现变化。相关实例1内容。
[0101] 图20为1mm颗粒数据SVDD模型识别结果柔化效果曲线，通过上图可以看出，对识别结果进行隶属度函数柔化后，其识别结果的准确性更高并且SVDD模型具有一定泛化能力。第1～200个样本为1mm颗粒数据，99.5％的样本识别柔化概率大于97％，仅一个数据点在
50％以下，可能流化过程中受到一定干扰。第1～200个数据为2mm颗粒，微大于2mm颗粒及
5mm颗粒数据识别柔化概率，其结果都为0％，识别率非常高。相关实例1内容。
[0102] 图21为2mm颗粒数据SVDD模型识别结果柔化效果曲线，通过上图可以看出，对识别结果进行隶属度函数柔化后，其识别结果的准确性更高并且SVDD模型具有一定泛化能力。第201～400个数据为2mm颗粒数据，96.5％的样本识别柔化概率大于95％，仅一个样本点在
50％以下。在第401个数据开始加入微大于2mm颗粒，即体现颗粒动态转移过程，刚加入初期由于流化原始状态被打破，故样本识别柔化概率为0，经过一段时间样本识别柔化概率数值出现波动，大约在第510个样本开始样本识别柔化概率趋于0，表明测试样本已经由2mm颗粒状态转移到微大于2mm颗粒状态。第601～800个数据为5mm颗粒数据，数据识别柔化概率全部为0。相关实例1内容。
[0103] 图22为1mm颗粒与2mm颗粒组合数据SVDD模型识别结果柔化效果曲线，通过上图可以看出，对识别结果进行隶属度函数柔化后，其识别结果的准确性更高并且SVDD模型具有一定泛化能力。第1～400个数据为小于等于1mm颗粒及2mm颗粒组合数据，99％的样本识别柔化概率大于95％，仅一个样本点在75％以下。在第401个样本开始加入微大于2mm颗粒，即体现颗粒动态转移过程，刚加入初期由于流化原始状态被打破，故样本识别柔化概率开始下降，经过一段时间样本识别柔化概率数值出现波动，大约在第510个样本开始样本识别柔化概率趋于0，表明测试样本已经由小于等于1mm及2mm颗粒状态转移到微大于2mm颗粒状态。第601～800个样本为5mm颗粒数据，样本识别柔化概率全部为0，表明已经出现非模型类样本。相关实例1内容。
[0104] 图23为实验室冷模实验装置设计图。相关实例1内容。
[0105] 图24为气相PE流化床反应器工艺
流程图。相关实例2内容。
[0106] 图25为实例2结果。上分图为流化床反应器内部反应
温度，中分图为该反应器床高，下分图为本发明故障诊断值结果。相关实例2内容。
具体实施方式
[0108] 将本发明应用于实验室冷模流化床实验装置，其检测系统架构图参见图1，实际效果图参见图23。冷模实验装置是将实际生产装置按照一定比例缩小若干倍，仅用实物模拟装置的设备和管路外形，适当配合
水、气、非反应物等循环流动，且没有对真实的物理化学变化过程进行模拟，无需动态开停车、正常运行、监控操作及事故处理。
[0109] 在固定床层质量，流化
风速的情况下，分别采集小于等于1mm颗粒物料、约等于2mm颗粒物料、微大于2mm颗粒物料及5mm颗粒物料所产生的声波振动信号，其时域信号
波形图见图5。对信号进行预加重后，再进行频谱分析，其预加重前后频域信号对比见图6。之后进行分帧，加窗，其窗函数使用汉明窗，见图10。预处理后，进行8为MFCC特征参数提取，其梅尔滤波器见图10中上分图。三种粒径物料的声波振动信号提取MFCC特征参数结果见图11，图12。在实际过程中，正常工况占据了大部分的生产时间，故定义小于等于1mm颗粒状态与约等于2mm颗粒状态分别为正常物料状态与微结块物料状态，而5mm颗粒为重结块物料状态。
假设正常物料状态及微结块物料状态为易获得数据在状态且状态确定，而重结块物料状态为较严重物料结块故障状态。则选取100帧采集到的小于等于1mm颗粒及约等于2mm颗粒声纹振动信号所对应的MFCC特征参数，进行压缩变换矩阵计算，其结果为：
[0110]
[0111] 所采集的数据对应的MFCC特征参数通过公式x″2×1＝(Td×2)T·x′d×1进行特征参数压缩，其结果见图13。对压缩后的小于等于1mm颗粒及2mm颗粒对应压缩后的数据进行SVDD识别模型建立，其结果见图14-16。其模型参数C＝0.2，S＝5。
[0112] 通过SVDD方法的决策准则对测试数据进行识别，其结果见图17-19。测试数据为800个数据，其横坐标为样本数，纵坐标为测试数据点与识别模型空间距离的差值平方与对应模型的超球体半径平方的差值，当差值小于等于0时，表示该识别模型接受该数据。
[0113] 表1常规单类别SVDD识别结果
[0114]
[0115] 由于常规SVDD决策准则的特性：“0-1”特性，故导致“非0即1”的结果，而气相PE反应时，其物料粒径变化是一个缓慢过程，故通过隶属度函数对识别结果进行处理，其结果见图20-22。通过该方法处理后，其结果由数据空间距离差值转变为概率化表示，在一定程度上符合操作人员操作习惯。且相对于前识别结果而言，其识别准确性提升。
[0116] 表2通过隶属度函数处理后的识别结果
[0117]
[0118] 实施例2
[0119] 将本发明应用于北京某化工研究院聚乙烯中试装置，其工艺流程图参照图24，将声发射传感器安装在流化床反应器外壁，同时采集流化床反反应器内部反应温度及床高，在反应的同时采集声波振动信号，并进行故障诊断值计算。对6:30:00至8:30:00数据进行分析，其结果参照图25。根据工艺记录，该时间段出现反应物料结块故障。传统方法通过反应温度信号没有给任何预警提示，而反应器床高在7:50左右突然上升，当工艺人员对出料口进行开大时，反应器床高仍然不能有效下降，说明此时流化床反应器内部已经严重结块。而通过本发明得到的故障诊断值在7:10左右时，故障诊断值出现轻
微波动，在7:26左右时，故障诊断值出现连续下降，表明流化床反应器内部物料粒径已经偏离正常状态，出现微结块，当7:30左右时，故障诊断值已经下降到50％左右，且波动频率较高，说明流化床反应器内部结块粒径不断增大。当7:50左右时，故障诊断值已经下降到20％以下2，表明严重结块。
[0120] 相对于床高指标与温度指标而言，故障诊断值能够提前
对流化床反应器内部物料结块进行有效的预警，其预警时间提前20分钟以上，且识别准确性较高。
