一种在线数据驱动的非线性化工过程监测方法
技术领域
本发明涉及一种化工过程运行状态监测方法，特别涉及一种在线数据驱动的非线性化工过程监测方法。
背景技术
数据驱动的过程监测方法技术已经广泛应用于机械制造、生物化工、医药等行业。现已经建立起了一套以主成分分析(Principal Component Analysis，缩写：PCA)和独立成分分析(Independent Component Analysis，缩写：ICA)为基础的方法技术框架。数据驱动的过程监测主要得益于工业“大数据”技术的迅猛发展，利用采样数据监测过程的运行状态可以避免建立复杂机理模型。通常而言，用于建立数据驱动过程监测模型的训练数据都是正常工况数据，因此如何分析挖掘正常工况数据中潜藏的有用特征是数据驱动过程监测方法能否成功检测出故障的关键。从这个角度上讲，特征分析任务只存在于离线建模阶段，也就是对训练数据进行特征分析，而在线应用时只是不间断的使用离线建模阶段的模型参数。因此，已有的专利与科研文献中的数据驱动过程监测方法都是离线数据驱动的，未曾考虑在线数据对特征分析的指导性作用。
由于传统PCA与ICA方法是线性特征提取，而大多数化工过程对象都是非线性，可通过核学习技巧将PCA与ICA算法拓展至非线性空间，从而实施非线性的化工过程监测。然而，无论是线性还是非线性过程监测方法，其本质都是离线数据驱动的策略。换句话说，只关注于离线数据的特征分析与挖掘。从模式识别的角度来讲，过程监测可归类为单分类的问题，其目的是将非正常也就是故障工况的采样数据尽可能的从正常数据中识别出来。过程监测技术通常是使用基于距离(比如平方马氏距离或平方欧式距离)的监测指标来完成这一操作，也就是说通过监测指标的大小来区分正常工况与非正常工况之间的差异。若是只对正常工况数据进行特征分析挖掘，无法最有效的挖掘出最利于分离正常与故障工况数据的特征。因此，传统的化工监测方法技术，尤其是非线性的化工过程监测方法技术是存在缺陷的，这值得我们研究人员的关注并思考相应的解决思路。
发明内容
本发明所要解决的主要技术问题是：如何通过对化工过程对象实施在线数据驱动的特征分析，从而利用最优的特征成分实施在线过程监测。具体来讲，本发明方法使用核学习技巧为化工过程建立非线性模型，通过在线数据驱动优化搜寻最优投影变换向量，从而使用相应的特征成分实施在线过程监测。
本发明方法解决上述问题所采用的技术方案为：一种在线数据驱动的非线性化工过程监测方法，包括以下步骤：
步骤(1)：利用化工过程安装的测量仪表，在正常运行状态时采集N个样本数据x1，x2，…，xN，其中第i个采样时刻的样本数据xi∈Rm×1由m个采样数据组成，具体包括温度，压力，流量，液位这四类采样数据，Rm×1表示m×1维的实数向量，i∈{1，2，…，N}
步骤(2)：对N个样本数据x1，x2，…，xN实施标准化处理，得到N个m×1维的数据向量
步骤(3)：根据如下所示公式计算核矩阵K∈RN×N中第a行第b列的元素K(a，b)：
其中，δ为核参数，通常可取
步骤(4)：根据如下所示公式对核矩阵K进行中心化处理得到矩阵
其中，矩阵IIN∈RN×N中全部元素都是1。
至此，离线建模阶段已完成。也就是说本发明方法的离线建模阶段只涉及两个任务：其一，正常工况的数据采集与标准化处理；其二，核矩阵计算及其中心化处理。接下来就是根据在线新测量得到的数据实时驱动非线性特征分析任务。
步骤(5)：在最新采样时刻t，利用化工过程安装的测量仪表测量得到由m个采样数据组成的数据向量xt∈Rm×1，并对其实施与步骤(2)中相同的标准化处理，得到新数据向量
步骤(6)：根据如下所示公式计算核向量kt∈R1×N中的第b个元素kt(b)：
上式中，b∈{1，2，…，N}，
步骤(7)：根据如下所示公式对核向量kt实施中心化处理得到
上式中，向量IIt∈R1×N中所有元素都为1，矩阵IIN∈RN×N中全部元素都是1。
步骤(8)：根据公式
值得指出的是，步骤(8)中求解特征值问题实际上是求解如下所示优化问题的最优解：
上式中，上标号T表示矩阵或向量的转置符号，w为投影变换向量。
值得注意的是，
上式⑤的优化求解可通过经典的拉格朗日乘子法完成，需要先引入中间量
此外，求矩阵G最大特征值所对应的特征向量可通过数值解法实现，具体介绍如下。
步骤(8.1)：初始化特征向量p为任意N×1维的实数向量。
步骤(8.2)：根据公式p＝Gp更新特征向量p后，对其进行归一化处理p＝p/||p||，其中||p||表示计算特征向量p的长度。
步骤(8.3)：判断特征向量p是否收敛；若是，则得到G最大特征值所对应的特征向量p∈RN×1；若否，则返回步骤(8.2)。
步骤(9)：根据公式w＝Ap计算投影变换向量w∈RN×1后，再计算监测指标向量
步骤(10)：根据公式
步骤(11)：返回步骤(5)继续实施对下一最新采样时刻样本数据的运行状态监测，若连续3个采样时刻的监测指标都不满足步骤(10)中的判断条件，则化工过程进入故障工况并触发故障报警；否则，返回步骤(5)继续实施对下一最新采样时刻的运行状态监测。
与本发明方法的优势与特点如下所示。
首先，本发明方法摒弃传统实施离线特征分析与提取的策略，改为根据在线数据实时驱动特征分析任务，从而提取最适合监测故障数据的特征成分。其次，通过接下来的具体实施案例，验证本发明方法在监测连续搅拌反应釜这种常见化工过程对象运行状态上的优越性。
附图说明
图1为本发明方法的实施流程示意图。
图2为连续搅拌反应釜的结构示意图及其测量仪表。
图3为本发明方法与传统方法在监测CSTR运行状态的实时监测对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示，本发明公开了一种在线数据驱动的非线性化工过程监测方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。
如图2所示，连续搅拌反应釜(Continuous Stirred Tank Reactor，缩写：CSTR)的流程图及其相应的测量仪表。CSTR生产单元是化工厂最为常见的生产设备，本实施案例中的应用对象是一个涉及放热反应过程的CSTR设备。因此，该CSTR设备需配备一个冷凝器对反应物的出口温度进行降温处理。从图2中可以发现，该连续搅拌反应釜所涉及的测量变量有m＝6个，分别是：进料流量、反应器压力、反应器液位、反应器温度、反应器冷凝水流量，以及冷凝器冷却水流量。
步骤(1)：利用CSTR所安装的测量仪表，在CSTR正常运行状态时采集N＝1000个样本数据x1，x2，…，x1000。
步骤(2)：对1000个样本数据x1，x2，…，x1000实施标准化处理，对应得到1000个6×1维的数据向量
步骤(3)：根据上述公式①计算核矩阵K∈RN×N。
步骤(4)：根据上述公式②对核矩阵K进行中心化处理得到矩阵
步骤(5)：在最新采样时刻t，利用CSTR安装的测量仪表测量得到由m个采样数据组成的数据向量xt∈Rm×1，并对其实施与步骤(2)中相同的标准化处理，得到新数据向量
步骤(6)：根据前述公式③计算核向量kt∈R1×N中的第i个元素kt(i)。
步骤(7)：根据前述公式④对核向量kt实施中心化处理得到
步骤(8)：根据公式
步骤(9)：根据公式w＝Ap计算投影变换向量w∈RN×1后，再计算监测指标向量
步骤(10)：根据公式
步骤(11)：返回步骤(5)继续实施对下一最新采样时刻样本数据的运行状态监测，若连续3个采样时刻的监测指标都不满足步骤(10)中的判断条件，则CSTR设备进入故障工况并触发故障报警；否则，返回步骤(5)继续实施对下一最新采样时刻的运行状态监测.
将传统的核主元分析(英文缩写：KPCA)与核独立成分分析(英文缩写：KICA)同样用于该CSTR化工设备的运行状态监测，本发明方法与KPCA和KICA的监测对比图如图3所示。值得指出的是，本发明方法只使用一个监测指标，而KPCA与KICA一般是使用两个监测指标(即：Dt与Qt)。从图中可以发现，在CSTR进入异常状态后，利用采样数据实施状态监测时，本发明方法对故障工况数据的监测更为敏感。这主要是因为本发明方法能在线提取最利于分离故障的特征成分。
上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。
