[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

说明书

一种基于自适应分块非负矩阵分解(APNMF)的化工生产过程故障监测方法，用于处理化工生产中采集的变量数据以识别出与故障对应的数据，便于维护人员及早发现生产中的问题并做出相应处理，变量包括温度、压力、液位、流体速度和流量中的至少一种，包括离线采集d个采集点的变量的历史样本构建历史矩阵，在线采集d个采集点的变量的测量样本构建测量矩阵，利用NMF模型故障监测方法对过程的全局变量进行监测，获取故障矩阵然后对故障矩阵进行处理，利用完整链接算法把过程变量划分为b个子块C_i(i＝1,2,...，b)；最后利用基于NMF模型的故障监测方法判断每个子块X_i中的第t个样本正常或故障。充分利用了块内局部信息和整体全局信息，提高故障监测的准确率。

技术领域

本发明属于控制系统故障诊断技术领域，具体涉及一种化工生产过程故障监测方法，用于提高复杂化工生产过程故障监测的准确率。

背景技术

随着现代工业过程变得越来越复杂，许多工业过程(如化工过程)通常由高维且相互关联的海量数据组成。多变量统计过程监控(MSPM)是一种基于数据驱动的故障诊断技术，其本质是将高维数据转换为低维数据，并在低维数据中获取重要信息。典型的MSPM技术包含主成分分析(PCA)，偏最小二乘法(PLS)，独立成分分析(ICA)等。

PCA是一种广泛使用的降维技术，近几年来已经成功地应用于工业过程的在线监测，尤其是在化工过程中。很多文献在使用PCA进行故障监控时，都要求被监控的过程变量必须遵循高斯分布。然而在实际的复杂工业生产中，大多数过程变量不满足高斯分布。如果PCA方法用于非高斯过程的故障监测，则过程的统计特性将被削弱，导致过程故障监控不准确。为了解决过程数据非高斯问题，很多学者提出了ICA算法，ICA虽然提取了非高斯且相互独立的潜在独力分量，但处理的结果不够准确。为此，Lee等人提出一种基于非负矩阵(NMF)降维方法(D.D.Lee,and H.S.Seung,“Algorithms for non-negative matrixfactorization,”Advances in Neural Information Processing Systems,vol.13,no.6,pp.556-562,2000.)。与传统的MSPM监测方法相比，NMF算法对测量数据除了为非负外没有其他限制，具有更广泛的应用。此外，NMF算法可以从海量数据中捕获数据的局部特征，并且具有比传统MSPM方法更好的解释能力。

然而，很多基于NMF的故障监测方法中，都采用了固定的NMF模型通常故障过程是缓慢变化的，基于固定模型的故障监测算法可能会降低故障监测的准确性。

发明内容

本发明的发明目的是提供一种化工生产过程故障监测方法，用于解决现有的化工生产过程故障诊断准确率低的问题。

为实现发明目的，可以采用如下的技术方案。

一种基于自适应分块非负矩阵分解(APNMF)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，便于生产维护人员及早发现生产中的问题并做出相应处理，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，包括以下步骤：

步骤一，基于非负矩阵的全局故障监测；

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；