[发明专利]一种基于广义典型变量分析的化工过程故障检测方法

说明书

本发明公开一种基于广义典型变量分析的化工过程故障检测方法，旨在充分提取化工过程采样数据在时间序列上的典型相关性，并对该相关性特征进行合理描述，从而实现对化工过程的故障运行状态的有效监测。与传统方法相比，本发明方法涉及的广义典型相关分析算法是将典型相关系数的平方考虑进来，因此所提取的特征成分是满足典型相关系数最大化要求的。此外，本发明方法将时间序列相关的特征与静态特征分开进行考虑，并对应使用两个综合监测指标分开实施在线过程监测。最后，在具体实施案例中将验证本发明方法在提取时间序列相关特征上的优越性以及其在监测化工过程运行状态上的可靠性，从而说明本发明方法是一种更为优选化工过程故障检测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于广义典型变量分析的化工过程故障检测方法。

背景技术

由于计算机技术被广泛应用于管理现代化工过程的生产、监控、调度等等场景，现代化工过程逐步走向智能化的发展模式。另外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，其中主元分析(Principal Component Analysis，缩写：PCA)与独立元分析(Independent Component Analysis，缩写：ICA)为最主流的实施技术手段。

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动态潜变量(Dynamic Latent Variable，缩写：DLV)。

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。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的自相关性特征，并对这种自相关性予以合理恰当的描述对于化工过程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：如何充分提取化工过程采样数据在时间序列上的典型相关性，并对该典型相关性特征进行合理描述，从而实现对化工过程的故障运行状态的有效监测。具体来讲，本发明方法首先推理出一种全新的特征提取算法，该算法以最大化潜在特征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时间序列典型相关的特征。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，利用回归误差与静态特征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：一种基于广义典型变量分析的化工过程故障检测方法，包括以下所示步骤：