[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

说明书

本发明公开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，通过滚动即时特征分析技术来实现化工过程的鲁棒建模与异常监测。具体来讲，本发明方法设计出了一种滚动即时特征分析技术，首先结合使用遗传算法与即时特征分析技术，从化工过程对象的历史采样数据中确定出最合适的样本数据。通过设计的适应度值可以剔除采样数据中掺杂的异常运行状态下的样本数据，从而实现鲁棒建模。此外，本发明方法在实施在线异常监测时，可以为不同的在线采集的样本数据求解得到不同的特征向量，充分利用了即时特征提取的优势，能够最大化的区分出在线采样数据中的异常特征。

技术领域

本发明涉及一种化工过程异常监测方法，特别涉及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。

背景技术

化学工业是国民经济的重要组成部分，化工生产的正常运行不仅关乎产品的质量，还会影响到环境与安全，近年来的化工安全事故已经给化工企业敲响了警钟！监测化工过程的运行状态首先需要实时的测量化工生产过程的参数数据，包括温度、压力、液位等变量的实时数据。在此基础上，通过实时监测各个测量变量的变化，实现对化工过程运行状态的监测，这也是数据驱动化工过程异常监测方法技术的基本思想。此外，由于化工过程各个测量变量之间相互影响，通过监测单个变量的异常变化只能对某些影响较大的异常进行监测，而无法对某些影响变量间相互作用关系的异常进行检测。

利用多变量分析算法实施化工过程的异常监测就是在这个背景下诞生的，这类方法要求化工过程对象提供大量的正常运行工况下的样本数据，从而在分析正常工况样本数据的基础上，实现对在线采样数据是否异常的监测目的。然而，实际操作过程中，化工过程运行虽然绝大多数时间都处于正常运行状态，但是保不准在某个时间段进入异常而未被现有监测系统发现。在这种情况下提供的样本数据是不能百分之百保证都采集自化工过程的正常运行状态，利用这些可能包含异常工况数据的样本数据实施异常监测会严重影响相应方法技术的准确性和可靠性。

换句话说，化工过程对象的实时采样数据中可能会掺杂着有少许异常工况状态下的样本数据，而化工系统又无法提供相应的先验知识来甄别这些受污染的采样数据。若是直接使用这些受污染样本数据来实施基于多变量分析算法的化工过程异常监测技术，则会将部分异常数据直接判别为正常，导致相应异常监测模型精度不高或准确度降低。因此，如何对化工过程进行鲁棒建模，并在此基础上实施异常监测是一个有待解决的问题。

发明内容

本发明所要解决的主要技术问题是：如何通过滚动即时特征分析技术来实现化工过程的鲁棒建模，并在此基础上实施化工过程的异常监测。具体来讲，本发明方法通过一种滚动即时特征分析技术，首先与遗传算法相结合用于识别出化工过程历史采样数据中可能包含的异常数据，然后直接用于在线实时判别新采样数据是否来自于异常工况，从而实现化工过程的异常状态监测。

本发明方法解决上述问题所采用的技术方案为：一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法，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，并将其组建成一个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。