[发明专利]基于自适应分块非负矩阵分解的化工生产过程故障监测方法

权利要求书

1.一种基于自适应分块非负矩阵分解的化工生产过程故障监测方法，用于处理化工生产过程中多个采集点监测的变量数据以识别出与已知故障相对应的数据，所述变量包括温度、压力、液位、流体速度和流量中的至少一种，其特征在于，包括以下步骤：

步骤一，离线采集化工生产过程中d个采集点的所述变量的M_n个历史正常样本，并构建历史矩阵对矩阵X_n′进行预处理得到矩阵X_n，以使其能够应用基于NMF的故障监测方法，然后利用NMF模型获取监测统计量N_n²和SPE_n的控制限N_lim²和SPE_lim；

在线采集化工生产过程中d个采集点的所述变量的M个测量样本，并构建测量矩阵X_g′＝[x₁,x₂,...,x_M]∈R^d×M，对测量矩阵X_g′进行预处理，得到矩阵X_g，然后利用NMF模型获取第t个样本的统计量N_g²(t)和SPE_g(t)，将其与控制限和SPE_lim进行比较，如果统计量N_g²(t)或SPE_g(t)超过相应的控制限或SPE_lim，则将检测到的第t个样本认为故障样本，获取故障矩阵M_f为故障样本个数；

步骤二，根据步骤一得到的故障矩阵构建故障样本的残差矩阵：

E_f＝X_f-W_n(W_n^TW_n)^-1W_n^TX_f (1)

计算Pearson相关系数，表示为:

这里，E_f,i和E_f,j分别表示第i和第j个变量的残差，是E_f,i的平均值，是E_f,j的平均值；

对R_f进行t检验，得到显著水平矩阵S_f；

对矩阵S_f使用完整的链接算法将变量划分为b个子块C_i(i＝1,2,...，b)，其中，子块数据由子块C_i(i＝1,2,...，b)的变量构成，且满足d₁+d₂+...,+d_b＝d；

步骤三，根据子块Ci(i＝1,2,...，b)构造每个子块的历史正常数据矩阵然后利用基于NMF模型的故障监测方法获得每个子块X_i的监测统计量N_i²的控制限和监测统计量SPE_i的控制限SPE_i,lim；

计算第t个样本的b+1组统计量N²(t)和SPE(t)，并将它们与相应的控制限进行比较:

如果b+1个统计量N²(t)或SPE(t)均没有超过相应的控制限，则将检测到的第t个样本认为正常样本，否则为故障样本。