[发明专利]基于自学习统计分析的聚丙烯生产过程半监督监测方法

权利要求书

1.一种基于自学习统计分析的聚丙烯生产过程半监督监测方法，其特征在于，包括以下步骤：

（1）利用集散控制系统收集聚丙烯生产过程的数据组成建模用的二维训练样本集：X∈R^n×m。其中，n为样本数据集的个数，m为样本数据集的变量个数。将这些数据存入历史数据库。

（2）将数据集分为两个不同的部分，其中一个部分是经过人为鉴定为正常的过程数据，记为 其中n₁为已鉴定样本数据集的个数，m为该样本数据集的变量个数；另一部分为未鉴定的过程数据，记为 其中n₂为未鉴定样本数据集的个数，m为该样本数据集的变量个数。

（3）针对已鉴定的数据样本集，对其进行归一化处理，建立基于主元分析的数据统计监测模型，确定主元的方向和个数。

（4）在分析主元和残差的基础上，建立监测统计量，并确定相应的统计限。

（5）基于初始的主元统计分析模型，对未鉴定数据集中的数据进行自动标记，计算相应的主元和监测统计量值。

（6）在监测统计量的基础上，建立未鉴定样本的置信度指标，衡量其在上一步主元分析模型中的可信程度。

（7）基于样本的置信度分析结果，选取部分具有高置信度的样本进入下一轮的自学习建模，并调整鉴定样本集和未鉴定样本集的数据库。

（8）经过多轮自学习建模和模型参数调整，得到最终的主元统计分析模型。

（9）收集新的过程数据，并对其进行预处理和归一化。

（10）利用自学习得到的最终主元分析模型计算新数据的主元，并得到监测统计量的值，判断当前过程的运行状态。

2.根据权利要求1所述基于自学习统计分析的聚丙烯生产过程半监督监测方法，其特征在于，所述步骤3具体为：针对已鉴定的程数据集，首先对其进行归一化处理，即去掉每个数据变量的均值和方差，然后建立主元分析模型，具体可以通过对协方差矩阵 进行特征值分解实现。通过主元分析，可以把原空间分为主元空间和残差空间，得到的载荷矩阵P∈R^m×k和得分矩阵 如下： 

T=X₁·P;

其中，k为选取的主元个数，T为主元空间的得分矩阵， 为残差空间的得分矩阵，Λ=diag{λ₁,λ₂,…,λ_m}为主元分解得到的特征值矩阵，并满足以下关系diag{λ₁,λ₂,…,λ_k}=var(T)=T^TT/(n₁-1)。这样主元分析模型就把原来的过程操作空间分为两个子空间，即主元空间P∈R^m×k和残差空间 

3.根据权利要求1所述基于自学习统计分析的聚丙烯生产过程半监督监测方法，其特征在于，所述步骤4具体为：在主元分析模型的基础上，通过构造以下两个统计量来实现对过程的监测：

T²=t^TΛt;SPE=e^Te；

其中，t为得分矩阵中的向量，对应于一个过程数据的主元变量， 为当前数据的估计残差。为了对数据的状态进行衡量，我们需要建立T²和SPE统计量的监测统计限 和SPE_lim，即：

其中，F代表F形式的统计分布，χ²为χ²形式的统计分布，α为统计置信度，g=var(SPE)/[2mean(SPE)]，h=2[mean(SPE)]²/var(SPE)，其中mean(SPE)和var(SPE)分别为SPE统计量的均值和方差。

4.根据权利要求1所述基于自学习统计分析的聚丙烯生产过程半监督监测方法，其特征在于，所述步骤5具体为：基于初始的主元分析模型，计算未鉴定数据集中样本x²的主元和残差，即：

t₂=x₂P；

其中，t₂为样本x₂对应的主元变量，e₂为其残差值。在此基础上，计算T²和SPE统计量如下： 

。