一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法

技术领域

本发明涉及一种化工过程异常监测方法，特别涉及一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法。

背景技术

化学工业是国民经济的重要组成部分，化工生产的正常运行不仅关乎产品的质量，还会影响到环境与安全，近年来的化工安全事故已经给化工企业敲响了警钟！监测化工过程的运行状态首先需要实时的测量化工生产过程的参数数据，包括温度、压力、液位等变量的实时数据。在此基础上，通过实时监测各个测量变量的变化，实现对化工过程运行状态的监测，这也是数据驱动化工过程异常监测方法技术的基本思想。此外，由于化工过程各个测量变量之间相互影响，通过监测单个变量的异常变化只能对某些影响较大的异常进行监测，而无法对某些影响变量间相互作用关系的异常进行检测。

利用多变量分析算法实施化工过程的异常监测就是在这个背景下诞生的，这类方法要求化工过程对象提供大量的正常运行工况下的样本数据，从而在分析正常工况样本数据的基础上，实现对在线采样数据是否异常的监测目的。然而，实际操作过程中，化工过程运行虽然绝大多数时间都处于正常运行状态，但是保不准在某个时间段进入异常而未被现有监测系统发现。在这种情况下提供的样本数据是不能百分之百保证都采集自化工过程的正常运行状态，利用这些可能包含异常工况数据的样本数据实施异常监测会严重影响相应方法技术的准确性和可靠性。

换句话说，化工过程对象的实时采样数据中可能会掺杂着有少许异常工况状态下的样本数据，而化工系统又无法提供相应的先验知识来甄别这些受污染的采样数据。若是直接使用这些受污染样本数据来实施基于多变量分析算法的化工过程异常监测技术，则会将部分异常数据直接判别为正常，导致相应异常监测模型精度不高或准确度降低。因此，如何对化工过程进行鲁棒建模，并在此基础上实施异常监测是一个有待解决的问题。

发明内容

本发明所要解决的主要技术问题是：如何通过滚动即时特征分析技术来实现化工过程的鲁棒建模，并在此基础上实施化工过程的异常监测。具体来讲，本发明方法通过一种滚动即时特征分析技术，首先与遗传算法相结合用于识别出化工过程历史采样数据中可能包含的异常数据，然后直接用于在线实时判别新采样数据是否来自于异常工况，从而实现化工过程的异常状态监测。

本发明方法解决上述问题所采用的技术方案为：一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法，包括以下所示步骤。

步骤(1)：获取化工过程对象在N个采样时刻的样本数据x

步骤(2)：根据如下所示步骤(2.1)至步骤(2.6)确定最终的参考矩阵X

步骤(2.1)：设置g＝1，随机生成H个N×1维的二进制向量w

步骤(2.2)：分别计算二进制向量w

步骤(2.2-1)：根据二进制向量w

步骤(2.2-2)：根据公式

步骤(2.2-3)：利用步骤(2.2-2)中的平均值μ

步骤(2.2-4)：根据如下所示步骤(A)至步骤(D)计算得到异常因子f

步骤(A)：初始化j＝1。

步骤(B)：求解广义特征值问题

步骤(C)：根据

步骤(D)：判断是否满足条件j＜N；若是，则设置j＝j+1后，返回步骤(B)；若否，则得到N个异常因子f

步骤(2.2-5)：根据公式F

步骤(2.3)：根据适应度值F

步骤(2.4)：将F

步骤(2.5)：判断是否满足条件g＜G；若是，则设置g＝g+1后，返回步骤(2.2)；若否，则得到最终的二进制向量w

步骤(2.6)：根据二进制向量w

步骤(3)：执行步骤(2.2-2)从而得到标准化处理后的参考矩阵

步骤(4)：将

步骤(5)：在最新采样时刻t，采集化工过程对象的样本数据x

上式中，x

步骤(6)：求解广义特征值问题

步骤(7)：根据公式

步骤(8)：判断是否满足条件Q

步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施化工过程对象的异常监测，直至得到连续6个最新采样时刻的异常因子后，判断这6个异常因子是否都大于Q

在上述实施步骤中，无论是离线鲁棒建模阶段(前4个步骤)还是实施在线异常监测阶段(后5个步骤)，本发明方法都是在不停的滚动执行步骤(B)中的广义特征值问题的求解过程。实际上，步骤(B)的广义特征值问题求解是本发明方法涉及的即时特征分析技术的具体实施过程。由于本发明方法不停的滚定执行步骤(B)所涉及的即时特征分析，因此本发明方法的名称就出现了滚动即时特征分析。

所谓的即时特征分析技术，旨在通过寻找特征向量p

不失一般性，可设置上述目标函数中的分母

上式③的求解可使用经典的朗格朗日乘子法，即构造如下所示的朗格朗日函数L。

然后，再求解L相对于p

进而转换为步骤(B)中的广义特征值问题：

通过以上所述实施步骤，本发明方法的优势介绍如下。

本发明方法通过结合使用遗传算法与即时特征分析技术，从化工过程对象的历史采样数据中确定出最合适的样本数据。通过设计的适应度值可以剔除采样数据中掺杂的非正常运行状态下的样本数据，从而实现鲁棒建模。此外，本发明方法在实施在线异常监测时，可以为不同的在线采集的样本数据求解得到不同的特征向量，充分利用了即时特征提取的优势，能够最大化的区分出在线采样数据中的异常特征。

附图说明

图1为本发明方法的实施流程示意图。

图2为本发明方法的异常监测示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法。下面结合一个具体应用实例来说明本发明方法的具体实施方式。

以TE化工过程对象为应用案例，TE化工过程对象是典型的化工生产过程，安装有温度、压力、流量、液位这四类测量仪表。因此，TE化工过程中涉及温度的变量有5个，涉及流量的变量有9个，涉及压力的变量有3个，涉及液位的变量有3个。

步骤(1)：获取化工过程对象在N个采样时刻的样本数据x

步骤(2)：根据前述步骤(2.1)至步骤(2.6)确定最终的参考矩阵X

步骤(2.3-1)：分别设置h等于1，2，…，H，并根据如下所示公式计算w

步骤(2.3-2)：在0与1之间产生一个随机数

步骤(2.3-2)：初始化η＝1。

步骤(2.3-3)：在0与1之间产生一个随机数

步骤(2.3-4)：在0与1之间产生一个随机数

步骤(2.3-5)：设置η＝η+1后，再执行步骤(2.3-4)中所述的实施过程，对w

步骤(2.3-6)：判断是否满足条件η＜N-1；若是，则设置η＝η+1后，返回步骤(2.3-3)；若否，则完成遗传算法对二进制向量w

步骤(3)：执行步骤(2.2-2)从而得到标准化处理后的参考矩阵

步骤(4)：将

上述实施过程为本发明方法的鲁棒建模阶段，该阶段完成后，即可实施针对TE过程的在线异常监测，具体包括如下所示步骤。

步骤(5)：在最新采样时刻t，采集化工过程对象的样本数据x

步骤(6)：求解广义特征值问题

步骤(7)：根据公式

步骤(8)：判断是否满足条件Q

步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施化工过程对象的异常监测，直至得到连续6个最新采样时刻的异常因子后，判断这6个异常因子是否都大于Q

将各个采样时刻的异常因子绘制于图2中，并同时将最大值Q

上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。