[发明专利]一种确定复杂工业过程中关键变量因果关系的方法

摘要

本发明公开了一种确定复杂工业过程中关键变量因果关系的方法，通过对工业过程中待确定因果关系的关键变量的历史数据采用伪近邻思想计算每个关键变量的最佳时序嵌入维度；针对两两关键变量，假定因果关系，以假定因变量的最佳时序嵌入维度为标准，构造两个关键变量的时序重构流形，利用收敛交叉映射算法计算两者间的收敛交叉映射能力；基于蒙特卡洛模拟确定CCM的能力判定阈值，以此判定关键变量间假定因果关系的正确性，从而构建工业过程中关键变量的初步因果关系网络；利用时滞检测方法修正初步因果关系网络，得到最终关键变量因果关系网络。本发明充分利用生产离线数据，对生产过程无干扰作用，提高了安全性和经济效益。

主权项

1.一种确定复杂工业过程中关键变量因果关系的方法，其特征在于，所述方法包含以下步骤：步骤一：收集工业过程中关键变量的生产历史数据，对样本进行数据预处理：选取待确定因果关系的n个关键变量，收集这些关键变量一段连续的时间序列的生产历史数据组成一个变量维度为n，样本长度为L的数据集作为样本；然后利用小波变换对所述的样本进行去噪处理；所述的n为大于1的自然数；步骤二：确定重构流形的最佳时序嵌入维度E：对步骤一预处理后的样本中每个关键变量，采用伪近方法计算其最佳时序嵌入维度E；即对所述的样本中的关键变量的第i个重构流形，设定嵌入维度E＝k的最近邻点的距离为Di(k)，嵌入维度为E＝k+1的最近邻点的距离为Di(k+1)，计算两者的几何平均，通过对数形式比较两者的值，使其结果具有鲁棒性；则有其中，L表示时间序列的样本长度，τ为选取的时间间隔；当流形中的最近邻点的距离随着嵌入维度的增加不变时，即Di(k)无限接近于Di(k+1)，有G(k)的值无限接近于0，称为饱和状态；当G(k)的值不变时，选取最先进入饱和状态时刻对应的嵌入维度E为重构流形的最佳时序嵌入维度；步骤三：计算两两关键变量间的收敛交叉映射能力：对于两两关键变量，设定因果关系，并以设定因变量的最佳时序嵌入维度E为标准，构造两变量的重构流形，然后采用k近邻算法计算得到最近重构流形坐标，利用CCM算法计算两者间的收敛交叉映射能力；步骤四：基于蒙特卡洛模拟方法确定收敛交叉映射能力的判定阈值，构建初步因果关系网络：采用蒙特卡洛抽样，选取多对不相关的随机时间序列，分别计算它们在不同样本长度L下收敛交叉映射能力的均值和标准差；然后，曲线拟合得到与样本长度L相关的均值函数和标准差函数σ_r＝1.17L^‑0.46；接着，根据确定的样本长度L在拟合函数中找到对应的均值与标准差；以此按照3σ准则得到收敛交叉映射能力的判定阈值r₀＝‑3.8L^‑1.08+3.51L^‑0.46；若步骤三中计算的某两关键变量收敛交叉映射能力的收敛值超出该判定阈值，则认为设定的关键变量因果关系成立，遍历所有关键变量，判定所有关键变量两两间的因果关系，构建初步因果关系网络。