[发明专利]一种针对化工过程动态非线性特征的过程监控方法

说明书

一种针对化工过程动态非线性特征的过程监控方法，包括离线故障检测阶段计算、在线故障检测阶段计算两个步骤；离线故障检测阶段计算包括六个分步骤，在线故障检测阶段计算包括五个下分步骤。本发明通过离线故障检测阶段、在线故障检测阶段两个步骤，经构造增广矩阵及引入时滞系数的方法来嵌入动态模型，再进行局部核主成分分析的处理方法，改进了传统LKPCA在故障诊断中的性能指标，使得故障检测模型对数据的动态结构有更强的捕捉性能，对模型的过程监测性能有一定的改善，有效的改善了传统LKPCA在故障诊断中的误报率和漏报率较高的情况，实际应用中能很好检测出化工生产过程中的异常，为化工工业的安全高效生产起到了有力技术支持。

技术领域

本发明涉生产监测方法技术领域，特别是一种针对化工过程动态非线性特征的过程监控方法。

背景技术

随着工业技术的发展，现代化工工业的工作过程趋于大型化和复杂化，其运行过程中存在众多不确定 的因素，另外市场对于多规格、高质量产品更迫切的需求，对化工系统的安全性和可靠性需要有绝对的保 障，因此，对化工生产过程进行实时监测极其重要。实际情况下，现代化工工业生产过程中存在大量高度 相关的观测变量，这些变量在每一时刻的采样值都包含生产过程与产品质量的信息。大多数的化工生产过 程数据都呈现出不同程度的动态特性，即不同时刻的采样数据之间是时序相关的，这种时间相关性与过程 的内在机制密切相关，另外，各类参数之间的关系都是非线性的。举例来说，在热力学中的压力、温度与 熵值和焓值之间以及反应温度和反应速度之间都是典型的非线性关系，由于这种强烈的非线性关系给数据 的理解和知识的挖掘带来了很大的挑战，过多的变量数目，使得监控生产过程中的关键变量变得相对困难。

数据驱动的故障诊断方法是对生产过程运行数据进行分析处理的一种方法，从而不在需要知道系统精 确解析模型的情况下完成系统的故障诊断。因其具有简单性和通用性而成为确保生产安全的重要技术手 段，所以数据驱动方法引起了研究者的极大关注。目前，典型的数据驱动方法包括主成分分析(简称PCA)、 偏最小二乘(简称PLS)和独立成分分析(简称ICA)等。在这些方法中，PCA方法应用最为广泛，PCA 方法及其扩展广泛的应用在许多不同的情况和各领域。PCA方法的主要思想是通过将高维数据投影到低纬 度主元空间，利用线性空间变换获得主元变量，同时保留原始数据的大部分方差信息。然而，PCA方法本质上是线性方法，在处理某些特殊非线性特征的工业化学和生物过程中的复杂情况时可能表现不佳，另一 方面，因为潜在变量涉及所有变量的线性组合，所以监测的结果通常难以解释，其应用还存在局限性。目 前，基于LKPCA方法(传统局部核主成分分析)在非线性工业过程故障诊断虽然取得了令人满意的效果， 但根据生产过程的动态特性，数据变量在稳态下移动，因此，在其应用于动态过程时，其故障诊断和异常 变量识别方面性能也不能达到令人满意的效果(不能够精确地反应数据之间的相关性，在用于故障诊断时 常存在误报率和漏报率较高现象)。

发明内容

为了克服现有技术中，由于传统局部核主成分分析(LKPCA)方法在动态非线性过程特征提取不准确， 不能够精确地反应数据之间的相关性，在用于故障诊断时常存在误报率和漏报率较高现象的弊端，本发明 提供了采用引入动态方法，构造增广矩阵及引入时滞系数的方法来嵌入动态模型来解决数据之间的动态问 题，并利用局部核主成分分析来解决数据非线性问题，改进了传统LKPCA在故障诊断中的性能指标，使 得故障检测模型对数据的动态结构有更强的捕捉性能，对模型的过程监测性能有良好的改善，有效的解决 了传统LKPCA在故障诊断中的误报率和漏报率较高的情况的一种针对化工过程动态非线性特征的过程监 控方法。

本发明解决其技术问题所采用的技术方案是：