一种面向质量的非线性动态过程监控方法技术

本发明专利技术涉及一种面向质量的非线性动态过程监控方法，包括以下步骤：(1)、采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化；(2)、计算与质量相关的典型向量的标准平方和

A quality oriented nonlinear dynamic process monitoring method

The invention relates to a quality-oriented nonlinear dynamic process monitoring method, which comprises the following steps: (1) collecting process data and quality data of nonlinear processes under normal working conditions, constructing modeling data and standardizing them; (2) calculating the standard square sum of typical quality-related vectors

【技术实现步骤摘要】
一种面向质量的非线性动态过程监控方法
本专利技术涉及化工生产过程监控
，尤其涉及一种面向质量的非线性动态过程监控方法。
技术介绍
当代化学工业生产过程日益复杂，过程安全性和可靠性至关重要。过程监控技术是利用测量数据监控过程的运行状态，对异常情况进行报警。因此，过程监控技术是保证过程安全、稳定、长期运行的关键。过程变量往往在线采集，质量变量往往离线化验得到，采样频率低，而且存在时间滞后。考虑过程监控的实时性，传统数据驱动的过程监控方法只利用过程数据监控过程的运行状态，如主元分析，独立元分析和典型变量分析等。因此，上述过程监控方法只能指示过程变量是否异常，无法判断产品质量是否异常。根据过程故障对产品质量的影响，过程故障可以分为2类：1.过程变量异常并进一步导致产品质量异常；2.过程变量异常，但在控制器的调节作用下，产品质量没有受到影响。化工生产过程的操作员往往关心产品质量是否正常，第2类故障往往被视为误报，从而大大降低了过程监控系统的可信度。因此，如何区分影响产品质量的故障和不影响产品质量的故障成为过程监控中亟待解决的问题。近年来，在一些研究成果中陆续提出了潜结构投影方法、动态CPLS方法、CPLS方法、改进的CPLS方法以及动态输入输出典型变量分析方法，上述方法假设过程是线性的，而实际化学工业过程往往具有较强的非线性动态特性。对于非线性动态过程，尚未见逻辑完整、实用性较强的面向质量的实时过程监控技术。
技术实现思路
本专利技术所要解决的技术问题是提供一种面向质量的非线性动态过程监控方法，能够区分过程监控中影响产品质量的故障和不影响产品质量的故障。为解决上述技术问题，本专利技术的技术方案是：一种面向质量的非线性动态过程监控方法，包括以下步骤：(1)、设置非线性动态过程中的过程变量和质量变量，采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化处理；(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算与质量相关的典型向量的标准平方和Ts2及其控制限；(3)、利用非线性主元分析进行子空间分解，提取与质量不相关的过程特征，计算与质量不相关的主元向量的标准平方和和平方预测误差SPEex及其控制限；(4)、过程监控：实时监控非线性动态过程中的过程变量和质量变量的数据，利用过程数据计算Ts2、和SPEex统计量，判断非线性动态过程是否发生故障、过程故障是否影响产品质量。作为优选的技术方案，步骤(1)具体包括：采集非线性连续过程在正常工况下的过程数据和质量数据，根据过程的非线性特征，分别利用未知非线性映射φx(x)和φy(y)将过程增广向量x和质量向量y投影到高维线性特征空间，设u为m维过程向量，y为n维质量向量，则φx(x)为m维向量，φy(y)为n维向量；采样时刻i，i＝h+1,h+2,...,h+N，根据非线性动态过程的动态特性，构造过程增广向量其中h表示滞后阶次；采集正常工况下h+N个采样时刻的过程数据和质量数据，若质量数据的采样速率较低，则补齐缺失的质量数据；构造过程增广数据矩阵X∈RN×(h+1)m和质量数据矩阵Y∈RN×n；计算n个质量变量对应的标准差σr，r＝1,2,...,n；分别对矩阵X和Y进行标准化处理，使各列数据的均值为0，方差为1。作为优选的技术方案，步骤(2)具体包括：在高维线性特征空间，利用线性典型变量分析提取最大化φx(x)和φy(y)相关性的典型变量；寻找投影向量和最大化下述相关系数其中，矩阵表示φx(x)和φy(y)的交叉协方差矩阵，表示φx(x)的协方差矩阵，表示φy(y)的协方差矩阵；由于非线性映射φx(x)和φy(y)难以确定，无法直接在高维线性特征空间进行线性典型变量分析、提取与质量相关的过程特征；存在投影向量α和β，使得利用核函数技术，式(1)转化为其中，核矩阵[Kx]i,j＝kx(xi,xj)＝<φx(xi)·φx(xj)>，核矩阵[Ky]i,j＝ky(yi,yj)＝<φy(yi)·φy(yj)>，kx(xi,xj)和ky(yi,yj)为核函数，i＝1,...,N，j＝1,...,N；一般采用高斯核函数k(x1,x2)＝exp(-||x1-x2||2/c)；式(2)的优化问题可以转化为广义特征值求解问题：其中，λ为特征值，[αTβT]T为λ对应的特征向量；为了避免病态矩阵求解问题，分别利用KxKx+ηI和KyKy+ηI代替KxKx和KyKy，可得其中，η表示正则化常数，I表示维数为N×N的单位矩阵；由式(4)获得k个最大特征值λ1≥λ2≥…≥λk对应的投影向量α1,α2,…,αk和β1,β2,…,βk；特征值λ表示过程增广向量和质量向量的相关系数，特征值λ越大，相关性越强；根据相关系数的大小确定参数k；构造投影矩阵Ak＝[α1,α2,…,αk]，对于过程增广向量样本x，对应的低维过程典型向量为c＝AkTKx(X,x)(5)；其中，核向量Kx(X,x)＝[kx(x1,x),kx(x2,x),…,kx(xN,x)]T；过程典型向量c与质量向量的相关性最强，将过程典型向量作为与质量相关的过程子空间的特征；在质量数据缺失的情况下，若过程典型向量c发生异常，可推理得到质量向量发生异常；构造统计量Ts2＝cTc(6)；利用正常工况的数据计算Ts2统计量，通过核密度估计方法计算出Ts2统计量的控制限。作为优选的技术方案，步骤(3)具体包括：将式(5)计算的与质量相关的过程子空间特征c返回投影到高维线性特征空间，可得φx(x)的估计值估计残差描述了与质量向量不相关的信息，由于非线性映射φx(x)难以确定，无法计算估计残差无法直接在残差空间即与质量不相关的过程子空间中进行线性主元分析、提取与质量不相关的过程特征；估计值是过程典型向量c的函数，过程典型向量c是过程增广向量x的函数；因此，估计值是过程增广向量x的非线性函数，估计残差也是过程增广向量x的非线性函数，设与质量不相关的过程子空间中，主元特征提取问题转化为特征值求解问题：λexvex＝CFvex(8)；其中，矩阵CF表示φex(x)的协方差矩阵，λex表示特征值，vex表示λex对应的特征向量；存在投影向量αex使得vex＝φex(X)Tαex，利用核函数技术，式(8)转化为其中，矩阵核矩阵j＝1,...,N；根据式(7)可推导得到核函数的表达式：根据式(10)，是核函数kx(xi,xj)的函数，在高维线性与质量相关的过程子空间中选择核函数kx(xi,xj)之后，不需要再选择核函数而是利用式(10)计算核函数由式(9)获得kex个最大特征值对应的投影向量为了保证特征向量满足||vex||2＝1，对投影向量αex进行如下归一化：特征值λex表示与质量不相关的子空间的方差信息，特征值λex越大，对应主元特征描述的过程变化越强，根据方差累积和大小确定参数kex；构造投影矩阵对于过程增广向量样本x，对应的与质量不相关的主元特征为其中，核向量主元tex反应了与质量不相关的过程子空间的主要变化，将主元作为该子空间的特征，构造统计量和SPEex统计量其中，对角矩阵利用正常工况的数据分别计算统计量和SPEex统计量，通过核密度估计方法分别计算统计量本文档来自技高网...

【技术保护点】
1.一种面向质量的非线性动态过程监控方法，其特征在于：包括以下步骤：(1)、设置非线性动态过程中的过程变量和质量变量，采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化处理；(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算与质量相关的典型向量的标准平方和

【技术特征摘要】
1.一种面向质量的非线性动态过程监控方法，其特征在于：包括以下步骤：(1)、设置非线性动态过程中的过程变量和质量变量，采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化处理；(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算与质量相关的典型向量的标准平方和及其控制限；(3)、利用非线性主元分析进行子空间分解，提取与质量不相关的过程特征，计算与质量不相关的主元向量的标准平方和和平方预测误差SPEex及其控制限；(4)、过程监控：实时监控非线性动态过程中的过程变量和质量变量的数据，利用过程数据计算和SPEex统计量，判断非线性动态过程是否发生故障、过程故障是否影响产品质量。2.根据权利要求1所述的一种面向质量的非线性动态过程监控方法，其特征在于：步骤(1)具体包括：采集非线性连续过程在正常工况下的过程数据和质量数据，根据过程的非线性特征，分别利用未知非线性映射φx(x)和φy(y)将过程增广向量x和质量向量y投影到高维线性特征空间，设u为m维过程向量，y为n维质量向量，则φx(x)为m维向量，φy(y)为n维向量；采样时刻i，i＝h+1,h+2,...,h+N，根据非线性动态过程的动态特性，构造过程增广向量其中h表示滞后阶次；采集正常工况下h+N个采样时刻的过程数据和质量数据，若质量数据的采样速率较低，则补齐缺失的质量数据；构造过程增广数据矩阵X∈RN×(h+1)m和质量数据矩阵Y∈RN×n；计算n个质量变量对应的标准差σr，r＝1,2,...,n；分别对矩阵X和Y进行标准化处理，使各列数据的均值为0，方差为1。3.根据权利要求1所述的一种面向质量的非线性动态过程监控方法，其特征在于：步骤(2)具体包括：在高维线性特征空间，利用线性典型变量分析提取最大化φx(x)和φy(y)相关性的典型变量；寻找投影向量和最大化下述相关系数其中，矩阵表示φx(x)和φy(y)的交叉协方差矩阵，表示φx(x)的协方差矩阵，表示φy(y)的协方差矩阵；由于非线性映射φx(x)和φy(y)难以确定，无法直接在高维线性特征空间进行线性典型变量分析、提取与质量相关的过程特征；存在投影向量α和β，使得利用核函数技术，式(1)转化为其中，核矩阵[Kx]i,j＝kx(xi,xj)＝<φx(xi)·φx(xj)〉，核矩阵[Ky]i,j＝ky(yi,yj)＝<φy(yi)·φy(yj)〉，kx(xi,xj)和ky(yi,yj)为核函数，i＝1,...,N，j＝1,...,N；一般采用高斯核函数k(x1,x2)＝exp(-||x1-x2||2/c)；式(2)的优化问题可以转化为广义特征值求解问题：其中，λ为特征值，[αTβT]T为λ对应的特征向量；为了避免病态矩阵求解问题，分别利用KxKx+ηI和KyKy+ηI代替KxKx和KyKy，可得其中，η表示正则化常数，I表示维数为N×N的单位矩阵；由式(4)获得k个最大特征值λ1≥λ2≥…≥λk对应的投影向量α1,α2,…,αk和β1,β2,…,βk；特征值λ表示过程增广向量和质量向量的相关系数，特征值λ越大，相关性越强；根据相关系数的大小确定参数k；构造投影矩阵Ak＝[α1,α2,…,αk]，对于过程增广向量样本x，对应的低维过程典型向量为c＝AkTKx(X,x)(5)；其中，核向量Kx(X,x)＝[kx(x1,x),kx(x2,x),…,kx(xN,x)]T；过程典型向量c与质量向量的相关性最...

【专利技术属性】
技术研发人员：曹玉苹，邓晓刚，黄琳哲，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37