[发明专利]一种基于快速核独立成分分析的精馏塔故障检测方法

说明书

本发明公开一种基于快速核独立成分分析的精馏塔故障检测方法，旨在基本不影响KICA的故障检测效果的前提下，降低使用KICA方法实施故障检测时的在线计算量。具体来讲，本发明方法通过样本选择的方式从大量的训练样本数据中选择合适的样本数据来建立KICA模型，从而使在线的计算量得到大幅度的降低。本发明方法的优势在于：通过聚类算法筛选出具有代表性的聚类中心向量进行核矩阵与核向量的计算，从而大幅度提升了计算效率。此外，在利用基于距离的监测指标进行故障检测时，本发明方法没有完全抛弃未被选中的训练样本。从而起到了既降低在线计算量，又充分利用所有样本数据的作用。

技术领域

本发明涉及一种化工过程运行状态监测方法，特别涉及一种基于快速核独立成分分析的精馏塔故障检测方法。

背景技术

由于计算机技术与先进测量仪表技术广泛应用于化工生产，化工生产过程中的温度，压力，流量等数据信息可以被实时测量并存储起来，这些海量样本数据为当前化工智能系统的设计提供了坚实的数据基础。近十几年来，利用采样数据来检测化工过程运行中出现的异常状态在安全化工生产领域受到了越来越多的重视。经过十几年的发展，化工过程异常状态监测已经建立起了一套以主成分分析(Principal Component Analysis，缩写：PCA)与独立成分分析(Independent Component Analysis，缩写：ICA)等多变量分析算法为基础的数据驱动故障检测方法。这些数据驱动的方法技术的核心本质在于对采样数据进行潜在特征的挖掘。换句话说，所建立的数据驱动模型都是旨在提取采样数据数据中潜藏的特征。

精馏塔设备是石油化工生产中应用极为广泛的一种传质传热装置，其主要作用是实现对物质的分离目的。因此，实时监测精馏塔设备是否出现故障对于整个化工生产具有重要的意义。精馏塔中各层塔板的温度，回流流量等数据信息都可以反应出精馏塔设备是否工作在正常工况上。考虑到精馏塔设备采样数据之间的非线性特征，可使用基于核PCA(Kernel PCA，缩写：KPCA)模型或核ICA(Kernel ICA，缩写：KICA)模型的故障检测方法。相比于KPCA方法，KICA在非线性的基础上更进一步的考虑到了数据变化的非高斯性，能够同时提取非线性非高斯的特征用于故障检测。此外，现有专利与科研文献中皆发现，在数据高斯分布情况下，KICA方法其实就退化成了KPCA。因此，KPCA实际上是KICA方法的一种特例。换句话说，使用KICA对精馏塔实施运行状态的故障检测通常能取得更优越于使用PCA方法所能取得的故障检测效果。

值得注意的是，数据驱动的方法技术有一个共同特点，就是训练数据越多越好。但是，训练数据越多，却给使用核学习技巧的KICA方法带来了在线计算的压力。这主要是因为KICA方法完成离线建模后，再对新采样数据实施特征变换时，其在线的计算量是和离线建模阶段所用数据量直接成正比例关系的。简单来说，离线所有训练数据越多，在线计算量越大。因此，如何降低KICA方法的在线计算量，从而实现快速KICA是一个很值得关注的问题，尤其是在采样间隔很短的精馏塔运行状态的故障检测上。

发明内容

本发明所要解决的主要技术问题是：如何在基本不影响KICA的故障检测效果的前提下，降低使用KICA方法实施故障检测时的在线计算量。具体来讲，本发明方法通过样本选择的方式从大量的训练样本数据中构造出合适的样本数据来建立KICA模型，从而使在线的计算量得到大幅度的降低。此外，在利用基于距离的监测指标进行故障检测时，本发明方法没有完全抛弃未被选中的训练样本。从而起到了既降低在线计算量，又充分利用所有样本数据的作用。

本发明方法解决上述问题所采用的技术方案为：一种基于快速核独立成分分析的精馏塔故障检测方法，包括以下步骤：