基于多采样概率核主成分模型的化工过程故障检测方法技术

本发明专利技术公开了一种基于多采样概率核主成分模型的化工过程故障检测方法，首先通过收集训练样本集构建多采样概率核主成分分析模型，得到训练样本的T2和SPE统计量检测控制限；然后在线收集待检测化工过程实际运行过程中的工艺参数，得到测试样本，通过计算测试样本的T2和SPE统计量，最后与得到检测控制限对比，得出化工过程的在线检测结果。本发明专利技术利用基于多采样概率核主成分分析模型的核学习方法，建立了一个有效的非线性故障检测模型，并克服了化工生产过程采样速率不同所造成的问题，提高了该过程的在线检测效率和性能，从而使得化工生产过程更加可靠，产品质量监测更加稳定。

Fault detection method for chemical process based on multi sampling probabilistic kernel principal component model

The invention discloses a fault detection method for chemical process based on multi-sampling probability kernel principal component model. Firstly, the multi-sampling probability kernel principal component analysis model is constructed by collecting training samples, and the detection control limits of T2 and SPE statistics of training samples are obtained; then, the actual operation process of the chemical process to be detected is collected online. The process parameters were obtained, and the test samples were calculated by T2 and SPE statistics. Finally, compared with the test control limit, the on-line test results of chemical process were obtained. By using the kernel learning method based on the multi-sampling probability kernel principal component analysis model, the invention establishes an effective nonlinear fault detection model, overcomes the problems caused by the different sampling rates in the chemical production process, improves the on-line detection efficiency and performance of the process, thereby making the chemical production process more reliable. Product quality monitoring is more stable.

【技术实现步骤摘要】
基于多采样概率核主成分模型的化工过程故障检测方法
本专利技术涉及一种故障检测方法，具体是涉及一种基于多采样概率核主成分模型的化工过程故障检测方法。
技术介绍
在现代流程工业中，随着集散控制系统(DCS)的应用和计算机技术的进步，工业现场采集和存储了大量的在线和离线测量数据，基于多元统计分析的过程监测(MSPM)技术得到了快速发展，它具有基于数据、降维、易于可视化与易于实际应用等优点，在化工、制药、半导体制造等多个工业领域得到了广泛应用。其中，主成分分析(PCA)和偏最小二乘估计(PLS)及其扩展方法是MSPM技术的代表性模型。基于PCA的过程监测技术通过检测过程变量的波动以有效监测生产过程是否发送了异常工况。然而，该类方法无法判别生产过程的波动是否影响了最终的产品质量。传统的PLS及PLVR模型均假设过程与质量变量一一对应，以提取过程与质量变量的相关关系，并对生产过程进行相应的故障检测。然而对于一些化工过程，特别是合成某些化工原料(比如合成氨生产过程)的过程中，有些质量数据的采样频率很低，诸如组分、浓度、分子量等质量变量难以测量，需要通过实验室化验，一般以小时或天为测量单位。在此期间，诸如温度、压力、流量等过程变量则以分钟甚至是秒为测量单位被DCS大量采集并记录。因此，需要提出一种针对化工生产过程多采样率样本的数据建模与故障检测方法。同时，由于化工生产过程具有强烈的耦合性和非线性，因此设计的故障检测方法需要考虑到此类复杂数据特性。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于多采样概率核主成分分析模型的化工生产过程故障检测方法。本专利技术同时提供一种基于多采样概率核主成分分析模型的合成氨生产过程故障检测方法，以合成氨生产过程不同采样率的过程变量、质量变量为建模样本，提取了这些样本间的非线性相关关系，并在此模型的基础上建立了故障检测方法，以实现合成氨生产过程的过程监控。本专利技术的目的是通过以下技术方案来实现的：一种基于多采样概率核主成分模型的化工过程故障检测方法，包括如下步骤：(1)收集待检测化工过程在正常运行时的至少三种不同采样率的过程变量，作为样本数据组成建模用的训练样本集；(2)对训练样本集进行预处理，将预处理后的数据集投影到高维特征空间，得到训练样本集对应的高维映射值数据集；(3)求取高维映射值数据集的核函数，结合当前模型参数的初始值，利用期望最大化(EM)算法，估计得到模型参数的更新值；(4)当所有模型参数的更新值满足收敛要求时，得到模型参数的最终值，进而得到多采样概率核主成分分析模型，进入步骤(5)；否则，将模型参数的更新值作为模型参数的初始值，返回步骤(3)；(5)根据建立的多采样概率核主成分分析模型，得到对应的T2和SPE统计量检测控制限；(6)在线收集待检测化工过程实际运行过程中的工艺参数，得到测试样本集，对测试样本进行步骤(2)的预处理，然后将预处理后的数据集投影到高维特征空间，得到测试样本集对应的高维映射值数据集，根据得到的多采样概率核主成分分析模型，计算测试样本的和SPEtest统计量，然后与步骤(5)得到检测控制限对比，得出化工过程的在线检测结果。本专利技术中，所述的化工过程可以是各种化工过程，特别是需要多参数控制的化工过程，比如可是造纸废水处理过程、钢铁冶炼过程或者合成氨生产过程等等。所述的过程变量可以是温度、压强、浓度、重量、pH值、流量等等，其采样率可以相同，也可以不同。步骤(1)中，相同时间内，采集三种不同采样率的过程变量。对于某一具体的化工生产过程，每一种特定采样率下的过程变量可能是一个或者多个，所以，三个不同采样率的过程变量可能是三个或者三个以上。根据采样率的不同，一个过程变量一般由多个过程参数组成。在合成氨生产过程中，有些过程参数的采样频率很低，比如组分、浓度、分子量等质量变量难以测量，需要通过实验室化验，一般以小时或天为测量单位。而温度、压力、流量等过程变量则以分钟甚至是秒为测量单位被DCS大量采集并记录，为提高生产过程中的检测精度，作为优选，可将本专利技术的检测方法应用于合成氨生产过程中，即：所述化工过程为合成氨生产过程。作为优选，步骤(1)中，利用集散控制系统收集至少三种不同采样率的过程变量。步骤(1)中，在化工过程正常运行时，采集训练样本集，保证了检测的准确度。步骤(1)中，收集三种不同采样率的过程变量，得到三个样本集，样本数量分别为K,N,J,K，N，J均为大于等于1的正整数，且J≤N≤K；三个样本集分别为X，Y，Z：X∈RM×K,X＝{x1,x2,...,xK}Y∈RV×N,Y＝{y1,y2,...,yN}Z∈RU×J,Z＝{z1,z2,...,zJ}其中：R表示实数集；M为第一种采样率过程变量数，V为第二种采样率过程变量数，U为第三种采样率过程变量数。步骤(2)中，所述预处理主要包括归一化处理，当然可以根据需要增加去噪声等预处理过程。通过步骤(2)的预处理，使得每个过程变量的均值为零，方差为1。通过步骤(2)的预处理步骤，使得不同数量级的过程参数进一步简化，转换为统一数量级的数据集，进一步方便了后续的建模。步骤(2)中，对于此步骤得到的三部分的二维数据矩阵集X∈RM×K,Y∈RV×N,Z∈RR×J，每一部分的采样率不同，首先将归一化后的数据投影到高维特征空间中，三个样本X，Y，Z的高维映射值分别为Φ(x),Φ(y),Φ(z)，分别组成高维映射值数据集Φ(X),Φ(Y),Φ(Z)，假设Φ(x),Φ(y),Φ(z)与潜隐变量间存在线性相关关系，则：Φ(x)＝Wt+eΦ(y)＝Pt+f(1)Φ(z)＝Qt+g其中F1,F2,F3分别为Φ(x),Φ(y),Φ(z)的维数；t∈RD×1为该模型的潜隐变量，D是潜隐变量的维度；为模型负载矩阵；e,f,g分别为过程的测量噪声，它们分别服从各向同性的高斯分布为分别为高斯分布的方差。步骤(3)中，利用期望最大化(EM)算法来估计模型参数，在进行参数估计时，虽然无法直接获得模型的高维映射值数据集Φ(X),Φ(Y),Φ(Z),但是可以通过计算其对应的核函数Φ(X)ΦT(X),Φ(Y)ΦT(Y),Φ(Z)ΦT(Z)的值来进行估计；首先，由于该模型的模型参数W,P,Q无法直接估计，定义模型的辅助参数为ΨX,ΨY,ΨZ,CX,CY,CZ，其被定义为：ΨZ＝Ψ3∈RJ×DCX＝C3+C2+C1CY＝C3+C2(3)CZ＝C3其中Ψ3,Ψ2,Ψ1为潜隐变量的后验概率的期望值组成的矩阵，其被定义为：C3,C2,C1分别为潜隐变量的后验概率的二阶矩的和，其被定义为：其中：表示第i个样本对应的高维映射值Φ(xi),Φ(yi),Φ(zi)的潜隐变量ti的后验概率的期望值，i＝1～K；表示第i个样本对应的高维映射值Φ(xi),Φ(yi),Φ(zi)的潜隐变量的后验概率的二阶矩，i＝1～K。对模型参数随机进行初始化；在模型参数估计的E步，根据当前的模型参数，获取模型潜隐变量估计的更新值，具体公式为：其中分别为Ψ3,Ψ2,Ψ1,C3,C2,C1的估计值；其中辅助变量定义如下：其中：HX，HY，HZ分别为Φ(X),Φ(Y),Φ(Z)的核函数，即HX，HY，HZ分别为Φ(X)ΦT(X),Φ(Y)ΦT(Y),Φ(Z)ΦT(Z)；HX1、HX2本文档来自技高网...

【技术保护点】
1.一种基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，包括如下步骤：(1)收集待检测化工过程在正常运行时的至少三种不同采样率的过程变量，作为样本数据组成建模用的训练样本集；(2)对训练样本集进行预处理，将预处理后的数据集投影到高维特征空间，得到训练样本集对应的高维映射值数据集；(3)求取所述高维映射值数据集的核函数，结合当前模型参数的初始值，利用期望最大化算法，估计得到模型参数的更新值；(4)当所有模型参数的更新值满足收敛要求时，得到模型参数的最终值，进而得到多采样概率核主成分分析模型，进入步骤(5)；否则，将模型参数的更新值作为模型参数的初始值，返回步骤(3)；(5)根据建立的多采样概率核主成分分析模型，得到训练样本的T2和SPE统计量检测控制限；(6)在线收集待检测化工过程实际运行过程中的工艺参数，得到测试样本集，对测试样本进行步骤(2)的预处理，然后将预处理后的数据集投影到高维特征空间，得到测试样本集对应的高维映射值数据集，根据得到的多采样概率核主成分分析模型，计算测试样本的

【技术特征摘要】
1.一种基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，包括如下步骤：(1)收集待检测化工过程在正常运行时的至少三种不同采样率的过程变量，作为样本数据组成建模用的训练样本集；(2)对训练样本集进行预处理，将预处理后的数据集投影到高维特征空间，得到训练样本集对应的高维映射值数据集；(3)求取所述高维映射值数据集的核函数，结合当前模型参数的初始值，利用期望最大化算法，估计得到模型参数的更新值；(4)当所有模型参数的更新值满足收敛要求时，得到模型参数的最终值，进而得到多采样概率核主成分分析模型，进入步骤(5)；否则，将模型参数的更新值作为模型参数的初始值，返回步骤(3)；(5)根据建立的多采样概率核主成分分析模型，得到训练样本的T2和SPE统计量检测控制限；(6)在线收集待检测化工过程实际运行过程中的工艺参数，得到测试样本集，对测试样本进行步骤(2)的预处理，然后将预处理后的数据集投影到高维特征空间，得到测试样本集对应的高维映射值数据集，根据得到的多采样概率核主成分分析模型，计算测试样本的和SPEtest统计量，然后与步骤(5)得到检测控制限对比，得出化工过程的在线检测结果。2.根据权利要求1所述的基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，步骤(2)或步骤(6)中，经过所述预处理，使得每个过程变量的均值为零，方差为1。3.根据权利要求1所述的基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，步骤(1)中，收集三种不同采样率的过程变量，得到三个样本集，样本数量分别为K,N,J,且J≤N≤K；三个样本集分别为X，Y，Z：X∈RM×K,X＝{x1,x2,...,xK}Y∈RV×N,Y＝{y1,y2,...,yN}Z∈RU×J,Z＝{z1,z2,...,zJ}R表示实数集；M为第一种采样率过程变量数，V为第二种采样率过程变量数，U为第三种采样率过程变量数。4.根据权利要求3所述的基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，步骤(2)中，三个样本集X，Y，Z的高维映射值分别为Φ(x),Φ(y),Φ(z)，组成的高维映射值数据集分别为Φ(X),Φ(Y),Φ(Z)，假设Φ(x),Φ(y),Φ(z)与潜隐变量间存在线性相关关系，则：其中F1,F2,F3分别为Φ(x),Φ(y),Φ(z)的维数；t∈RD×1为该模型的潜隐变量，D是潜隐变量的维度；为模型负载矩阵；e,f,g分别为过程的测量噪声，它们分别服从各向同性的高斯分布为5.根据权利要求4所述的基于多采样概率核主成分模型的化工过程故障检测方法，其特征在于，步骤(3)中，定义模型的辅助参数为ΨX,ΨY,ΨZ,CX,CY,CZ，其被定义为：其中Ψ3,Ψ2,Ψ1为潜隐变量的后验概率的期望值组成的矩阵，其被定义为：C3,C2,C1分别为潜隐变量的后验概率的二阶矩的和，其被定义为：其中：表示第i个样本对应的高维映射值Φ(xi),Φ(yi),Φ(zi)的潜隐变量ti的后验概率的期望值，i＝1～K；表示第i个样本对应的高维映射值Φ(xi),Φ(yi),Φ(zi)的潜隐变量的后验概率的二阶矩，i＝1～K；对模型参数随机进行初始化；在模型参数估计的E步，根据当前的模型参数的初始值，获取模型潜隐变量估计的更新值，具体公式为：其中分别为...

【专利技术属性】
技术研发人员：周乐，谢佳敏，介婧，侯北平，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江,33