[发明专利]一种基于相关变量分散式建模的化工过程监测方法

说明书

本发明公开一种基于相关变量分散式建模的化工过程监测方法，旨在解决如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测的问题。具体来讲，本发明方法首先将遗传算法与近邻成分分析算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本发明方法实施基于相关变量的分散式软测量建模，采用的是经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。与传统方法相比，本发明方法利用相关变量集建立的软测量模型可以剔除不相关变量的干扰影响，也能更精确地描述测量变量之间的输入‑输出关系。

技术领域

本发明涉及一种化工过程监测方法，特别涉及一种基于相关变量分散式建模的化工过程监测方法。

背景技术

在以智能制造为主导的发展大潮流下，利用采样数据来监测化工过程的运行状态已成为化工“大数据”建设与应用的重要组成部分。数据驱动的化工过程监测经过多年的研究发展，出现了大批以主成分分析(Principal Component Analysis，缩写：PCA)与偏最小二乘(Partial Least Squares，缩写：PLS)算法为主的过程监测方法。然而，这些主流的过程监测方法较多的关注于数据潜在特征挖掘。换句话说，所建立的数据驱动模型都是旨在提取数据隐形特征，未能探讨测量变量之间的外在的显性特征关系。从物理意义上讲，提取数据的潜在特征无法对化工过程对象的机理进行揭示，只能反映出数据的统计特征。由此可见，探讨化工过程测量变量之间的显性特征关系，对化工过程运行状态的监测有着重要的意义。

研究化工过程对象的运行机理莫过于使用微分方程或差分方程，但是现代化工过程对象的复杂多变性严重影响了机理模型的精度，这也是为什么基于机理模型实施过程监测发展于近年来遇到了瓶颈的主要原因。由于微分方程或差分方程解释了输入到输出之间的变化本质，描述的就是化工过程对象某些测量变量之间的关系。而数据驱动模型从数据的角度出发同样也能描述不同测量变量之间的输入-输出关系(或称软测量关系)。从这个角度出发，为测量变量建立相应的软测量模型，也能起到微分方程或差分方程对过程运行机理的解释作用。

幸运的是，在现有科研文献与专利材料中，已有少许为各个测量变量建立软测量模型的过程监测实施方案。然而，一个不得不提的问题是，不是所有的测量变量都可以用来建立软测量模型的。也就是说，为各个测量变量建立分散式的软测量模型时不需要同时考虑所有的测量变量。这从微分方程或差分方程中也可以看出，某个微分方程描述的只是其中几个测量变量之间的关系。因此，选择相关性的变量建立软测量模型对于这类过程监测方法具有积极性意义。然而，由于现代化工过程中机理知识的缺失或不确定性程度较高，如何选择存在较大相关性的变量只能从数据驱动的角度出发。

发明内容

本发明所要解决的主要技术问题是：如何选择并基于相关性变量进行分散式建模，从而在此基础上实施化工过程监测。具体来讲，本发明方法首先将遗传算法(GeneticAlgorithm，英文缩写：GA)与近邻成分分析(Neighborhood Component Analysis，英文缩写：NCA)算法相结合，从而为各个测量变量优选出相关的测量变量；其次，本发明方法实施基于相关变量的分散式软测量建模，将采用经典的PLS算法；最后，利用分散式软测量模型的估计误差实施化工过程监测。

本发明方法解决上述问题所采用的技术方案为：一种基于相关变量分散式建模的化工过程监测方法，包括以下步骤：

步骤(1)：采集化工过程对象在正常运行状态下的n个训练样本数据x₁，x₂，…，x_n组成训练数据矩阵X＝[x₁，x₂，…，x_n]∈R^m×n，并计算均值向量μ＝(x₁+x₂+…+x_n)/n以及标准差向量δ∈R^m×1：