一种基于自相关潜变量模型的化工过程状态监测方法技术

本发明专利技术公开一种基于自相关潜变量模型的化工过程状态监测方法，旨在以典型相关系数为衡量标准，从采样数据中挖掘出潜藏的自相关潜变量，从而基于此实现对化工过程运行状态实施有效监测。与传统方法相比，本发明专利技术方法涉及的自相关潜变量模型旨在挖掘存在显著自相关性的潜变量，可以显性地将采样数据中潜藏的特征区分成自相关的与静态的。其次，在后续的具体实施案例中，将会验证本发明专利技术方法相比于传统动态化工过程监测方法的优越性。因此，本发明专利技术方法是一种更优越的化工过程监测方法。

【技术实现步骤摘要】
一种基于自相关潜变量模型的化工过程状态监测方法
本专利技术涉及一种数据驱动的过程监测方法，尤其涉及一种基于自相关潜变量模型的化工过程状态监测方法。
技术介绍
现代化工工业生产系统的日趋复杂化与大型化的发展模式越来越注重计算机技术、先进仪器仪表技术，人工智能技术在管理生产、监控、调度等等问题上的应用。由于先进仪表与存储设备的大量安装使用，化工过程对象可以离线存储与在线实时测量海量的采样数据，这些数据中蕴含着能体现生产过程运行状态的潜在有用信息，为化工过程运行状态的监测奠定了充实的数据基础。因此，如何充分而有效地利用采样数据对化工过程中出现的故障工况进行实时监测体现了现代化工过程的数字化与智能化的管理水准。近十几年来，无论是学术界还是工业界，都投入了大量的人力与物力研究数据驱动的故障检测方法与技术。这其中，统计过程监测是被研究得最多的方法技术，其中主成分分析(PrincipalComponentAnalysis，缩写：PCA)与独立成分分析(IndependentComponentAnalysis，缩写：ICA)为最主流的实施技术手段。这类方法技术的核心在于从采样数据中挖掘出潜藏的有用信息或特征。由于计算机能力的提升以及先进测量仪表的广泛应用，化工过程采样数据不可避免的存在序列自相关性，因此动态过程监测技术比传统静态的更适用。通常来讲，序列自相关性与交叉相关性都是采样数据的自身具备的通用特征，两者在数据建模与特征提取时，都必须予以充分的考虑。在现有文献与专利材料中，实施动态过程监测大多依赖于为各个采样数据引入延时测量数据，即将多个在采样时间上连续的样本数据当成一个样本，然后再实施建模与监测。这种方法技术的典型代表就是动态PCA与动态ICA，都是将序列自相关性与交叉相关性混合在一起同时提取。最近，也有研究工作提出通过最大化协方差目标函数的方式，引导采样数据的潜在特征的挖掘，而不依赖于使用增广向量或矩阵，典型的代表方式主要是基于动态潜变量(DynamicLatentVariable，缩写：DLV)模型的方法。然而，采样数据的序列自相关性特征的提取理应充分考虑典型相关性。协方差信息虽然能在一定程度上体现相关性，但是数据间的共线性问题同样可以使协方差最大。因此，为充分提取采样数据的序列自相关性，需要使用典型相关系数做为衡量的标准。采样数据的序列自相关性特征的挖掘对于化工过程故障的监测有着重要意义，因为很多故障对采样数据的负面影响就是体现在采样时间先后上。比如，管道阀门粘滞会引起操作变量的影响效果滞后，带来的可能就是时间序列上的负面影响。因此，充分挖掘时间序列上典型自相关的潜变量，并对自相关的潜变量予以合理恰当的描述对于化工过程运行状态的故障检测有着积极的作用与意义。
技术实现思路
本专利技术所要解决的主要技术问题是：如何以典型相关系数为衡量标准，从采样数据中挖掘出潜藏的自相关潜变量，从而基于此实现对化工过程运行状态实施有效监测。具体来讲，本专利技术方法首先推理出一种全新的自相关潜变量模型，该模型以最大化潜变量体现在时间序列上的典型相关性为目标，为时间序列样本数据优化出相应的转换基从而得到典型自相关的潜变量。然后，利用最小二乘回归算法来描述潜变量之间的相关性。最后，利用自相关潜变量的回归误差与静态潜变量分别实施对化工过程运行状态的实时监测。本专利技术解决上述技术问题所采用的技术方案为：一种基于自相关潜变量模型的化工过程状态监测方法，包括以下所示步骤：步骤(1)：采集化工过程正常运行状态下的n个样本数据x1，x2，…，xn，组成训练数据矩阵X＝[x1，x2，…，xn]T∈Rn×m，并对X中各样本数据实施标准化处理得到矩阵其中m为测量变量数、R为实数集、Rn×m表示n×m维的实数矩阵、xi∈Rm×1与分别表示第i个样本数据及其标准化处理后的数据向量、i＝1，2，…，n、上标号T表示矩阵或向量的转置。值得指出的是，化工过程的各个样本数据一般都是由温度、压力、流量、液位等测量仪表测量得到的数据。步骤(1)中测量变量的个数为m，则表示有m个测量仪表对化工过程对象进行实时采样。此外，由于各个测量变量的变化范围不可能一致，也就导致各个测量变量之间存在量纲的差异影响。因此，需要使用标准化处理的方式，将各个测量变量的采样数据皆变换成均值为0，标准差为1的数据。步骤(2)：设置时间序列自相关阶数为D(一般可取D＝3或4)后，根据如下所示公式依次构造D个时间序列矩阵X1，X2，…，XD：上式中，d＝1，2，…，D，N＝n-D+1。紧接着就是从训练数据中分离出自相关的潜变量，需要利用到本专利技术方法所涉及的自相关潜变量模型算法。自相关潜变量模型是一种全新的建模算法，旨在通过一个投影变换基W将转换成潜变量矩阵从而保证S中各列向量的时间序列自相关性最大化。相应的目标函数如下所示：上式中，k＝1，2，…，D、λ＝1，2，…，D、I表示单位矩阵、表示计算矩阵中各个元素的平方和、s.t.为单词SubjectTo的缩写，表示约束条件的意思、Hkλ的定义如下所示：若是令其中上式②中定义的优化问题可转换成如下所示形式：上式中，Ckλ＝XkTXλ。如此一来，上式②中优化求解投影变换基W的问题就变成了上式④中优化求解正交变换基U的问题。通过上式②可以发现，目标函数中使用将潜变量的时间序列的典型相关性进行平方累加和处理。因此，避免了典型相关性为负数的情况对目标函数最大化的影响。此外，由于上式②中旨在使各潜变量的时间序列的典型相关性最大化，因此变换后的潜变量是自相关的，这也是为什么本专利技术方法将其称之为自相关潜变量模型。考虑到其中A表示任意一个实数矩阵、tr()表示计算矩阵的迹(等价于计算矩阵对角线元素之和或矩阵所有特征值之和)，上式④中的目标函数可进行如下所示的等价变换：上式中，矩阵很显然，由于矩阵ΦU是对称的，因此上式④中U的最优解为矩阵ΦU对应的特征向量。然而，矩阵ΦU的计算与U的优化求解是耦合的，因此，特设计出如下所示的迭代循环求解过程。步骤(一)：初始化U为任意m×m维的随机实数矩阵。步骤(二)：计算矩阵ΦU后，求解特征值问题ΦUμ＝ημ中所有特征值所对应的特征向量μ1，μ2，…，μm，并保证各特征向量是按照特征值大小的降序排列，即η1≥η2≥…≥ηm，而进行先后排列，并且保证个特征向量的长度都为1后，再更新矩阵U＝[μ1，μ2，…，μm]。步骤(三)：若U收敛，则执行步骤(四)；若U未收敛，则返回步骤(二)。步骤(四)：根据公式计算得到投影变换基W。步骤(3)：按照上述步骤(一)至步骤(四)求解得到投影变换基W。步骤(4)：确定自相关潜变量的个数为d，再将投影变换基W对应分成两部分：W1与W2，其中，W1由投影变换基W中前d列的列向量组成，W2由W中后m-d列的列向量组成。确定自相关潜变量的个数需要不能遗漏存在时间序列显著典型相关性的潜变量。为此，本专利技术方法使用如下所示步骤客观地确定出自本文档来自技高网...

【技术保护点】
1.一种基于自相关潜变量模型的化工过程状态监测方法，其特征在于，包括以下步骤：/n步骤(1)：采集化工过程正常运行状态下的n个样本数据x

【技术特征摘要】
1.一种基于自相关潜变量模型的化工过程状态监测方法，其特征在于，包括以下步骤：
步骤(1)：采集化工过程正常运行状态下的n个样本数据x1，x2，…，xn，组成训练数据矩阵X＝[x1，x2，…，xn]T∈Rn×m，并对X中各样本数据实施标准化处理得到矩阵其中m为测量变量数、R为实数集、Rn×m表示n×m维的实数矩阵、xi∈Rm×1与分别表示第i个样本数据及其标准化处理后的数据向量、i＝1，2，…，n、上标号T表示矩阵或向量的转置；
步骤(2)：设置自相关阶数D后，根据如下所示公式依次得到D个时间序列子块矩阵X1，X2，…，XD：



上式中，d＝1，2，…，D，N＝n-D+1；
步骤(3)：按照如下所述步骤(一)至步骤(四)求解得到投影变换基W∈Rm×m；
步骤(一)：初始化U为任意m×m维的随机实数矩阵；
步骤(二)：计算矩阵后，求解特征值问题ΦUμ＝ημ中所有特征值所对应的特征向量μ1，μ2，…，μm，并保证各特征向量的长度都为1且按照特征值大小的降序排列而进行先后排列，再更新矩阵U＝[μ1，μ2，…，μm]，其中k＝1，2，…，D、Ckλ＝XkTXλ、λ＝1，2，…，D、Hkλ的取值为：若k≠λ，则Hkλ＝1；若k＝λ，则Hkλ＝0；
步骤(三)：若U收敛，则执行步骤(四)；若U未收敛，则返回步骤(二)；
步骤(四)：根据公式计算得到投影变换基W；
步骤(4)：确定自相关潜变量的个数为d，再将投影变换基W对应分成两部分：W1与W2，其中，W1由投影变换基W中前d列的列向量组成，W2由W中后m-d列的列向量组成；
步骤(5)：根据公式与分别计算自相关潜变量矩阵与静态潜变量矩阵
步骤(6)：利用最小二乘回归算法建立输入矩阵与之间的回归模型：其中E为回归误差矩阵、表示回归系数矩阵；
步骤(7)：计算E的协方差矩阵Λ＝ETE/(N-1)，再根据公式ψ＝diag{EΛ-1ET}与分别计算监测指标向量ψ与Q，并利用核密度估计法分别确定出各监测指标向量在置信限α＝99％条件下的具体数值，分别对应记做δ与β，其中diag{}表示将矩阵对角线的元素转变成列向量的操作；
离线建模阶段至此完成，接下来进入在线监测阶段，包含以下所示实施步骤；
步骤(8)：收集新采样时刻的样本数据xt∈Rm×1，并对xt实施与步骤(1)中相同的标准化处理对应得到向量其中t表示最新采样时刻
步骤(9)：根据公式与分别计算自相关潜变量得分向量sD与静态潜变量得分向...

【专利技术属性】
技术研发人员：张赫，葛英辉，童楚东，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33