[发明专利]一种基于正则化GCCA模型的分布式化工过程监测方法

说明书

本发明公开一种基于正则化GCCA模型的分布式化工过程监测方法，用于解决分布式化工过程监测问题。本发明方法利用所涉及的正则化广义典型相关分析(GCCA)算法在实施多块建模时同时考虑变量块间的共性与各块内的独特性，并可同时应用于重叠与不重叠的变量分块模式。与传统方法相比，本发明方法所涉及的正则化GCCA算法通过典型相关系数的平方将各变量子块间的共性特征提取给考虑进来，并进一步使用最小二乘回归算法描述块间相关特征之间的关系。此外，本发明方法还将块间相关特征与块内特征分开进行考虑，分别使用两个综合监测指标分开实施监测。因此，本发明方法是一种更优越的分布式化工过程运行状态监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于正则化GCCA模型的分布式化工过程监测方法。

背景技术

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。而今，现代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。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，其中主元分析(Principal Component Analysis，缩写：PCA)与独立元分析(Independent ComponentAnalysis，缩写：ICA)为最主流的实施技术手段。此外，由于现代化工过程生产流程的多单元性，基于多块建模方法的分布式化工过程监测方法也受到了越来越多的重视。

通常而言，分布式的过程监测方法技术具有其独特的先天优势。首先，通过分块化处理的方式降低了模型分析的复杂度；其次，采用多个模型的监测思路通常能取得优越于单个模型的故障检测效果；最后，分布式的过程监测对于后续的故障的定位能起到一定积极的指导作用。因此，在现有科研文献与专利技术材料中，出现了多种分布式或分散式的过程监测方法。不失一般性而言，分布式的过程监测主要包括两个步骤：先实施对测量变量的分块化处理，后实施多块建模。对测量变量进行分块即可按照过程生产流程来实施，也可以借鉴测量变量之间的统计特性予以实现。而多块建模方法通常有两种思路：其一，标准的多块建模算法，如多块PCA(Multi-block PCA，缩写：MBPCA)算法；其二，直接为每个变量建立单独的PCA或ICA模型，这类方法可称为分布式PCA(Distributed PCA，缩写DPCA)或分布式ICA(Distributed ICA，缩写：DICA)方法。

一般来讲，一个合理的多块建模方法需要同时考虑块间的共性(因为化工过程是作为一个整体进行生产的)以及块内的独特性(分块的意义所在)。此外，在某些情况下，测量变量可能更适宜于被分成多个相互重叠的变量子块。因此，一个合理的多块建模方法还需能同时应对重叠与不重叠的变量分块模式。然而，纵观已有的方法技术中，还未曾这类方法技术被发明出来。因此，这个问题是一个丞待解决的问题。

发明内容

本发明所要解决的主要技术问题是：针对分布式化工过程监测问题，如何在实施多块建模时同时考虑变量块间的共性与各块内的独特性，并可同时应用于重叠与不重叠的变量分块模式。解决该问题的关键在于本发明方法所涉及的正则化广义典型相关分析(Generalized Canonical Correlation Analysis，缩写：GCCA)算法，该算法能够充分挖掘变量块间的相关性特征，从而考虑了变量块间的共性。

本发明解决上述技术问题所采用的技术方案为：一种基于正则化GCCA模型的分布式化工过程监测方法，包括以下所示步骤：