基于混合核PCA-CCA及核密度估计的过程监测方法技术

本发明专利技术涉及一种基于混合核PCA‑CCA及核密度估计的过程监测方法，在建模阶段，使用基于正常工况下采集到的输入和输出数据，通过混合核PCA‑CCA模型得到相应的加权矩阵，然后基于状态空间中的模型残差建立T2统计量，最后通过核密度估计的方法获得相应的统计量阈值；在实时监测阶段，采集实时输入与输出的样本并使用混合核将其映射到高维的特征空间中，并根据建模阶段获得的模型计算实时残差及其统计量，随后将获得的实时统计量与阈值做比较，判断液化装置的输出是否发生非正常变化。本发明专利技术专注于过程输入与输出的互相关性，有效提升了对于非线性过程的监测效果，使用核密度估计方法确定阈值，更为准确地确定非高斯过程的统计量阈值。

Process monitoring method based on mixed kernel pca-cca and kernel density estimation

【技术实现步骤摘要】
基于混合核PCA-CCA及核密度估计的过程监测方法
：本专利技术涉及过程监测
，具体涉及一种基于混合核PCA-CCA及核密度估计的过程监测方法。
技术介绍
：如今，环境保护成为了我国急需解决的民生重大问题。天然气作为一种优质洁净能源，拥有高效、无污染等优点，对我国洁净能源体系的发展有着不可磨灭的作用。相较于气态天然气，液化天然气的体积大大减少(约1/600左右)，因此，天然气液化装置是天然气储存、应用环节中不可或缺的设备。近年来，随着天然气资源需求的大幅度增加，极大地推动了天然气液化装置的建设，并且促进我国低碳经济的发展。如今天然气液化流程主要分为:级联式液化流程、混合制冷剂液化流程、带膨胀机的液化流程和丙烷预冷混合制冷剂液化流程等。其中丙烷预冷混合制冷剂液化流程结合了级联式液化流程和混合制冷剂液化流程的优点，流程既简单又高效，已被广泛应用于各个场景。丙烷预冷混合制冷剂液化流程主要分为两个环节：轻烃回收分馏过程和制冷剂循环过程。轻烃回收分馏过程主要将进过预处理的原料气依次通过脱乙烷塔、脱丙烷塔、脱丁烷塔进行轻烃回收分馏，获取丙烷制冷剂以及其他高附加值副产品，并对天然气凝液的热值进行调节。制冷剂循环过程主要将天然气和混合制冷剂分别通过换热器制成液态天然气成品，而混合制冷剂在一定阶段被导出进行循环使用。由于天然气液化装置需要长时间在高压、低温等环境下运行，外加上外部气源不恒定且设备设计及结构参数的不合理等情况，十分容易受到损耗，继而出现天然气液化效率降低，设备损耗加速情况，严重地可能会发生重大的安全事故。因此，有必要对天然气液化装置进行实时过程监测，以便及时发现设备故障并进行维修，通过过程监测保证人员和设备的安全，也增加部件的使用寿命。针对工业过程中的输入与输出环节的过程监测已有一些方法，如PCA(主元分析)和PLS(偏最小二乘法)为代表的多元统计过程监测和故障诊断技术得到了成功应用，但此类方法通常假设测量数据服从高斯分布，且来自单一的稳定工况。而实际工业生产过程往往不是运行在单一的工况，生产负荷、产品特性、原料组分等的改变，都会导致工况的改变。在这种情况下，用传统的单个PCA模型对过程进行监控，则会削弱不同工况下各自的统计特性，势必会导致过程性能分析不准确和过程故障的漏报。有鉴于此，本案由此而生。
技术实现思路
：本专利技术公开一种基于混合核PCA-CCA及核密度估计的过程监测方法，是将混合核PCA-CCA(CCA为典型关联分析)建模方法与过程监测方法相结合，专注于过程输入与输出的互相关性，并且适用于核技巧有效提升了对于非线性过程的监测效果，特别是对于初始故障有更好的监测表现。此外，在阈值的确定上本专利技术使用了核密度估计(KDE)方法，可以更为准确地确定非高斯过程的统计量阈值。为了实现上述专利技术目的，本专利技术所采用的技术方案为：基于混合核PCA-CCA及核密度估计的过程监测方法，包括以下步骤：步骤1：采集正常工况下的过程输入和输出样本数据，得到采样时刻k时的1×m输入向量uk以及1×q输出向量yk，经过n次采样后，得到输入数据U＝[u1,u2…un]T∈Rn×m以及输出数据Y＝[y1,y2…yn]T∈Rn×q；步骤2：将输入数据U和输出数据Y分别采用混合核映射到高维特征空间，得到输入混合核矩阵Ku和输出混合核矩阵Ky，所述混合核是由高斯核与径向基组合而成；步骤3：建立混合核PCA-CCA模型，计算Ku的加权矩阵J以及Ky的加权矩阵L，根据加权矩阵J和L获得残差r；步骤4：计算T2统计量；步骤5：采用核密度估计方法计算统计量阈值用下式计算：上式中，表示的概率，p(T2)表示T2统计量的概率密度，α为给定置信度，其中，p(T2)按照下式计算：上式中，N为统计量样本数，h为核函数宽度，K()为核密度函数，令步骤6：采集在线实时输入数据和输出数据，并对采集到的实时数据进行标准化处理，得到实时输入数据向量unew和实时输出数据向量ynew，将unew和ynew分别采用混合核映射到高维特征空间，得到实时输入数据核向量和实时输出数据核向量所述混合核是由高斯核与径向基组合而成；步骤7：基于步骤3中求得的加权矩阵J和L，以及利用步骤3训练好的混合核PCA-CCA模型，计算新的实时数据残差变量rnew，并计算实时监测统计量步骤8：实时比较是否小于阈值若小于阈值则判断设备运行正常无需维护，若大于阈值则判断设备发生故障需要维护。进一步，所述步骤2中的高斯核表示如下：n》q或m，其中，c1和c2均为高斯核参数；步骤2中的径向基核表示如下：其中，d1和d2均为径向基核参数；通过将高斯核函数与径向基函数整合，可得：为系数，用于权衡核函数的分配。进一步，所述步骤3中的混合核PCA-CCA模型根据如下目标函数建立：其中，表示输入的协方差；表示输出的协方差；表示交叉协方差；公式3中的目标函数通过对Ψ进行奇异值分解求得，Ψ表达式如下：Ψ＝∑U1/2∑UY∑Y1/2＝ΓΛΔT(公式4)上式中，Γ为包含左奇异向量的数据矩阵，Δ为包含右奇异向量的数据矩阵，Λ为奇异值矩阵；加权矩阵J和L按下式计算：J＝∑U1/2Γ,L＝∑Y1/2Δ；残差r＝JTKu-ΛLTKy。进一步，所述步骤4中T2＝rT(I-Λ2)r，其中I为单位矩阵。进一步，所述步骤7中其中I为单位矩阵。本专利技术将混合核PCA-CCA建模方法与过程监测方法相结合，专注于过程输入与输出的互相关性，并且适用于核技巧有效提升了对于非线性过程的监测效果，使得监测准确性更高，特别是对于初始故障能够更好的监测；此外，在阈值的确定上本专利技术使用了核密度估计方法，可以更为准确地确定非高斯过程的统计量阈值，通过多重手段的改善提升了非线性过程监测的准确性。以下通过附图和具体实施方式对本专利技术做进一步阐述。附图说明：图1为本专利技术实施例中过程监测方法流程图；图2为使用本专利技术监测方法的具体示例监测指标结果图。具体实施方式：本实施例公开一种基于混合核PCA-CCA及核密度估计的过程监测方法，主要是面向天然气液化装置上使用，需要将各个传感器(流量传感器、温度传感器、浓度传感器等)分别安装于天然气液化装置中需要进行监测的过程输入与输出组件中，用来采集正常工况下过程输入和输出样本数据，具体的监测方法包括以下步骤(如图1所示)：步骤1：采集正常工况下的过程输入和输出样本数据，每一次采样都可以得到1×m的输入向量uk，以及1×q的输出向量yk，上述参数中的下标k表示采样时刻，经过n次采样后，可以得到输入数据U＝[u1,u2…un]T∈Rn×m以及输出数据Y＝[y1,y2…yn]T∈Rn×q，作为训练数据应当选取液化设备在正常运行状态下的采样数据。步骤2：将上述输入数据U和输出数据Y分别采用混合核映射到高维特征空间，得到输入混合核矩本文档来自技高网...

【技术保护点】
1.基于混合核PCA-CCA及核密度估计的过程监测方法，其特征在于：包括以下步骤：/n步骤1：采集正常工况下的过程输入和输出样本数据，得到采样时刻k时的1×m输入向量u

【技术特征摘要】
1.基于混合核PCA-CCA及核密度估计的过程监测方法，其特征在于：包括以下步骤：
步骤1：采集正常工况下的过程输入和输出样本数据，得到采样时刻k时的1×m输入向量uk以及1×q输出向量yk，经过n次采样后，得到输入数据U＝[u1,u2…un]T∈Rn×m以及输出数据Y＝[y1,y2…yn]T∈Rn×q；
步骤2：将输入数据U和输出数据Y分别采用混合核映射到高维特征空间，得到输入混合核矩阵Ku和输出混合核矩阵Ky，所述混合核是由高斯核与径向基组合而成；
步骤3：建立混合核PCA-CCA模型，计算Ku的加权矩阵J以及Ky的加权矩阵L，根据加权矩阵J和L获得残差r；
步骤4：计算T2统计量；
步骤5：采用核密度估计方法计算统计量阈值用下式计算：



上式中，表示的概率，p(T2)表示T2统计量的概率密度，α为给定置信度，其中，p(T2)按照下式计算：



上式中，N为统计量样本数，h为核函数宽度，K()为核密度函数，令



步骤6：采集在线实时输入数据和输出数据，并对采集到的实时数据进行标准化处理，得到实时输入数据向量unew和实时输出数据向量ynew，将unew和ynew分别采用混合核映射到高维特征空间，得到实时输入数据核向量和实时输出数据核向量所述混合核是由高斯核与径向基组合而成；
步骤7：基于步骤3中求得的加权矩阵J和L，以及利用步骤3训练好的混合核PCA-CCA模型，计算新的实时数据残差变量rnew，并计算实时监测统计量

【专利技术属性】
技术研发人员：吴平，楼嗣威，高金凤，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33