[发明专利]一种基于自相关潜变量模型的化工过程状态监测方法

说明书

本发明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，本发明方法是一种更优越的化工过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于自相关潜变量模型的化工过程状态监测方法。

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。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(PrincipalComponent Analysis，缩写：PCA)与独立成分分析(Independent Component Analysis，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(Dynamic Latent Variable，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。

发明内容

本发明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，本发明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。

本发明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：