[发明专利]基于多采样概率核主成分模型的化工过程故障检测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

本发明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。

本发明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；