[发明专利]一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法

权利要求书

1.一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法，其特征在于，具体包括以下所示步骤：

步骤(1)：获取化工过程对象在N个采样时刻的样本数据x₁，x₂，…，x_N，并将其组成为一个N×m维的数据矩阵X＝[x₁，x₂，…，x_N]^T；其中，第i个样本数据x_i∈R^m×1中的m个测量数据具体由温度，压力，液位，流量这四类变量的测量数据组成，i∈{1，2，…，N}，R^m×1表示m×1维的实数向量，R表示实数集，上标号T表示矩阵或向量的转置；

步骤(2)：根据如下所示步骤(2.1)至步骤(2.6)确定最终的参考矩阵X₀；

步骤(2.1)：设置g＝1，随机生成H个N×1维的二进制向量w₁，w₂，…，w_H后，再设置遗传算法的参数，具体包括：最大迭代次数G，交叉概率c，变异概率d；其中，二进制向量中的元素都是随机取值0或者1；

步骤(2.2)：分别计算二进制向量w₁，w₂，…，w_H对应的适应度值F₁，F₂，…，F_H；其中，计算第h个二进制向量w_h对应的适应度值F_h的具体实施过程如步骤(2.2-1)至步骤(2.2-5)所示，h∈{1，2，…，H}；

步骤(2.2-1)：根据二进制向量w_h中等于1的元素所在的行，对应的将数据矩阵X∈R^N×m中相同行的行向量组成参考矩阵X₀；

步骤(2.2-2)：根据公式分别对参考矩阵X₀中的列向量z₁，z₂，…，z_m实施标准化处理，从而得到标准化处理后的参考矩阵其中，k∈{1，2，…，m}，z_k和分别表示X₀和中第k列的列向量，μ_k和δ_k分别表示列向量z_k中所有元素的平均值和标准差；

步骤(2.2-3)：利用步骤(2.2-2)中的平均值μ_k和标准差δ_k，并通过对数据矩阵X中的列向量y₁，y₂，…，y_m分别实施标准化处理，从而得到标准化处理后的数据矩阵其中，y_k和分别表示X和中第k列的列向量；

步骤(2.2-4)：根据如下所示步骤(A)至步骤(D)计算得到异常因子f₁，f₂，…，f_N；

步骤(A)：初始化j＝1；

步骤(B)：求解广义特征值问题中最大特征值λ_j对应的特征向量p_j后，再根据公式更新特征向量p_j；其中，表示中第j行的行向量；

步骤(C)：根据计算异常因子f_j；其中，N₀等于参考矩阵中行向量的个数；

步骤(D)：判断是否满足条件j＜N；若是，则设置j＝j+1后，返回步骤(B)；若否，则得到N个异常因子f₁，f₂，…，f_N；

步骤(2.2-5)：根据公式F_h＝(f₁+f₂+…+f_N)/a+N₀×b计算第h个二进制向量w_h对应的适应度值F_h；其中，加权因子a的取值范围是6.0≤a≤7.0，加权因子b的取值范围是0.5≤b≤0.8；

步骤(2.3)：根据适应度值F₁，F₂，…，F_N，依次执行遗传算法的选择操作，交叉操作，和变异操作对二进制向量进行更新，从而得到更新后的H个二进制向量w₁，w₂，…，w_H；

步骤(2.4)：将F₁，F₂，…，F_H中最大值对应的二进制向量记录为w₀后，再设置第H个二进制向量w_H＝w₀；

步骤(2.5)：判断是否满足条件g＜G；若是，则设置g＝g+1后，返回步骤(2.2)；若否，则得到最终的二进制向量w₀后，再执行步骤(2.6)；

步骤(2.6)：根据二进制向量w₀中等于1的元素所在的行，对应的将X∈R^N×m中相同行的行向量组成最终的参考矩阵

步骤(3)：执行步骤(2.2-2)从而得到标准化处理后的参考矩阵再设置和N＝N₀后，执行步骤(A)至步骤(D)，从而得到异常因子

步骤(4)：将中的最大值记录为Q_max后，再保留模型参数以备实施在线异常监测时调用，具体包括：最终的参考矩阵X₀中各个列向量的平均值μ₁，μ₂，…，μ_m以及标准差δ₁，δ₂，…，δ_m，标准化处理后的参考矩阵最大值Q_max；

步骤(5)：在最新采样时刻t，采集化工过程对象的样本数据x_t∈R^m×1，并根据如下所示公式对x_t中各个元素实施标准化处理，得到标准化处理后的在线数据向量

上式中，x_t(k)和分别表示x_t和中的第k个元素，k∈{1，2，…，m}；

步骤(6)：求解广义特征值问题中最大特征值λ_t对应的特征向量p_t后，再根据公式更新特征向量p_t；

步骤(7)：根据公式计算最新采样时刻t的异常因子Q_t；其中，T表示矩阵或向量的转置符号，N₀等于参考矩阵中行向量的个数；

步骤(8)：判断是否满足条件Q_t≤Q_max；若是，则返回步骤(5)继续利用最新采样时刻的样本数据实施化工过程对象的异常监测；若否，则执行步骤(9)；

步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施化工过程对象的异常监测，直至得到连续6个最新采样时刻的异常因子后，判断这6个异常因子是否都大于Q_max；若是，则触发异常警报；若否，则化工过程对象运行正常，并返回步骤(5)。

2.根据权利要求1所述的一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法，其特征在于，步骤(2.3)中依次执行遗传算法的选择操作，交叉操作，和变异操作对二进制向量进行更新的具体实施过程如下所示：

步骤(2.3-1)：分别设置h等于1，2，…，H，并根据如下所示公式计算w₁，w₂，…，w_H对应的被选概率P₁，P₂，…，P_H：

步骤(2.3-2)：在0与1之间产生一个随机数并从P₁，P₂，…，P_H中找到满足条件的最大的被选概率，并选中该最大的被选概率对应的二进制向量；重复本步骤H次直至选中H个二进制向量后，再依次将这个H个二进制向量记录为w₁，w₂，…，w_H；

步骤(2.3-2)：初始化η＝1；

步骤(2.3-3)：在0与1之间产生一个随机数判断是否满足条件若是，则先在区间[2，N-1]上随机产生一个整数C，再交换w_η与w_η+1中的前C个元素；若否，则保持w_η与w_η+1不变；

步骤(2.3-4)：在0与1之间产生一个随机数判断是否满足条件若是，则先在区间[1，N]上随机产生一个整数D，再将w_η中的第D个元素减去1后取绝对值；若否，则保持w_η不变；

步骤(2.3-5)：设置η＝η+1后，再执行步骤(2.3-4)中所述的实施过程，对w_η实施相同的处理；

步骤(2.3-6)：判断是否满足条件η＜N-1；若是，则设置η＝η+1后，返回步骤(2.3-3)；若否，则完成遗传算法对二进制向量w₁，w₂，…，w_H的更新。