[发明专利]基于动静协同差异分析的两层实时监测与报警溯源方法

摘要

本发明公开了一种基于动静协同差异分析的两层实时监测与报警溯源方法。该上层监测算法可以有效地从小尺度对过程波动性、过程状态的动静角度进行全面考虑，并且能够结合基于贡献图和传递熵的根源追溯方法，划定当前下层DCS系统的报警优先级，有效定位到故障源头。本发明综合了控制器调节能力、过程运行状态的动静态在线监测指标作为报警管理方法的选择依据，合理抑制干扰报警，有效解决了报警泛滥这一关键问题，从而保障了工业过程的安全、高效运行。

主权项

1.一种基于动静协同差异分析的两层实时监测方法，其特征在于，该方法包括以下步骤：(1)选取正常工况下的参考样本与同工况下的监测样本，其中，参考样本和监测样本均包含J个测量变量，且参考样本的时间窗口大小为N₁个采样单位，参考样本表示为监测样本的时间窗口大小为N₂个采样单位，监测样本表示为(2)数据预处理：设参考样本内每一列向量中的每一元素分别进行减均值、除以标准差的标准化处理，其中，下标j代表第j个变量，即第j列，下标k代表每列中第k个元素，其标准化处理的计算公式如下：其中：是矩阵第j列向量的均值，s_j是矩阵第j列向量的标准差，x_jk为标准化后的二维矩阵X₁第k行j列的元素；其中，将二维矩阵标准化后，得到每列均值为0，方差为1的矩阵X₁(N₁×J)；同样将监测样本按照上述方式进行标准化处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差，标准化处理后得到X₂(N₂×J)；(3)进行基于SFA的动静协同差异分析建模，该步骤由以下子步骤来实现：(3.1)将X₁(N₁×J)、X₂(N₂×J)合并成样本大小为(N₁+N₂)×J的新样本(3.2)对新样本进行SFA建模，其中SFA建模公式如下：s＝XW    (3)其中，s为新样本的慢特征，W为SFA的系数矩阵；(3.3)经SFA投影得到的慢特征拆成s₁(N₁×J)，s₂(N₂×J)，其中s₁为对应参考样本的慢特征，s₂为对应监测样本的慢特征；(3.4)通过缩放将s_i(N_i×J)转换成Y_i(N_i×J)，缩放公式如下：其中，i取值为1时，s_i(N_i×J)对应参考样本的慢特征，i取值为2时，s_i(N_i×J)对应监测样本的慢特征；Y_i表示对应慢特征缩放后的矩阵；(3.5)将慢特征s₁、s₂分别进行一阶差分得到慢特征的变化(3.6)的每一列分别进行缩放，以第j个列向量为例：其中，反映了慢特征的变化快慢，运算<·>表示取向量的所有元素的平均值；(3.7)构建慢特征的变化经缩放后的矩阵其第j列为j可在1至J之间任意取值；(4)提取出两个分布差异作为监测指标，该步骤由以下子步骤来实现：(4.1)选取步骤3.4中经缩放后的样本慢特征Y_i，其协方差矩阵的计算公式如下：(4.2)根据M₁的J个特征根，衡量慢特征静态分布差异的静态指标D_s的计算公式如下：其中，λ_j为M₁第j个特征根；(4.3)选取步骤3.7中经缩放后的样本慢特征变化其协方差矩阵的计算公式同步骤4.1；(4.4)根据的J个特征根，由此，衡量慢特征动态分布差异的动态指标D_d的计算公式如下：其中，为第j个特征根；(5)根据一段正常运行时间内监测的多个D_s和多个D_d取值，利用核密度估计分别求出D_s、D_d的控制限；(6)在线过程监测，该步骤由以下子步骤来实现：(6.1)采集新测量数据组成新监测样本，进行数据预处理，具体为：在线监测时，采集新的过程测量数据x_new(J×1)，实时滑动时间窗口，获得新的监测样本其中，下标new代表新样本；按照步骤2中方式进行标准化处理，在标准化过程中，每一列使用的均值、方差均采用参考样本中对应列的均值、方差，标准化处理后得到新的监测样本X_new(N₂×J)；(6.2)按照步骤3、步骤4进行当前时刻的静态指标D_snew、动态指标D_dnew的计算。