[发明专利]基于多块投影非负矩阵分解的化工生产过程监控方法

说明书

一种基于多块投影非负矩阵分解(MPNMF)的化工生产过程监控方法，包括：获取化工生产过程中m个物理量监测点监测的物理量的n个历史正常样本，对数据预处理后划分为B个子块，计算每个子块的统计量N_b²、SPE_b及其控制限SPE_b,lim；在线采集化工生产过程中m个物理量监测点的物理量数据，采用相同预处理的方式预处理后把数据对应到B个子块内，计算每一个子块的统计量SPE_b,new，采用贝叶斯推理构造统计量和BIC_SPE。统计量BIC_SPE超出其控制限时表示有故障发生。监测到故障后计算每一个子块中物理量数据的加权重构贡献值并取最大值，数值最大的对应的物理量数据是发生故障时的物理量数据。该方法简化了所需监控的统计量的个数，监控结果更加直观，节省了监控成本。

技术领域

本发明属于工业生产过程故障监测技术领域，具体涉及一种化工生产过程监控方法，用于提高化工生产过程故障检测与识别的准确率。

背景技术

随着数据采集和计算机技术的飞速发展，化工生产过程变得更加自动化、智能化。近几年，化工生产过程中频频发生事故，生产安全变得至关重要，过程监控受到越来越多的关注。多元统计过程监控(MSPM)方法，如主成分分析(PCA)、偏最小二乘(PLS)等，由于能够从过程数据中提取出有效特征信息，进行过程监控，在工业过程中应用广泛。

MSPM主要用于处理高斯数据，但是现实生活中，还存在着大量的非高斯数据。为了解决非高斯问题，一些学者提出了非负矩阵分解(NMF)算法，NMF算法除了对测量数据有非负性的要求以外没有其他任何的要求，因此应用范围更广泛。Yuan等人在NMF算法的基础上，加入约束条件，增加了矩阵的稀疏性，提出了投影非负矩阵分解(PNMF)算法(Yuan,Z.,Oja,E.Projective nonnegative matrix factorization for image compression andfeature extraction.Lecture Notes in Computer Science.2005,3540:333-342)，该算法收敛速度快，计算复杂度低。目前对NMF的改进算法有很多，但应用在过程监控领域却很少。而且NMF模型大多是依据全局数据建立的，忽视了数据的局部信息。

公开于2019年2月1日的中国专利文献CN109298633A记载了一种基于自适应分块非负矩阵分解的化工生产过程故障监测方法，使用该方法监测其实施例中的具体化工生产过程，通常需要监控12～18个统计量。且随着物理量监测点的个数增加，所需监控的统计量更多，需要更多的计算处理，对硬件要求高，且处理需要花费较多的时间。

发明内容

本发明要解决的技术问题是应用现有的分块式化工生产过程故障检测方法时所需监控的统计量数目较多，不利于降低计算速度、使用成本的技术问题，为此，本发明提供一种基于多块投影非负矩阵分解(MPNMF)的化工生产过程监控方法。

为解决上述问题，本发明采用如下的技术方案。

一种基于多块投影非负矩阵分解的化工生产过程监控方法，用于处理化工生产过程中在多个物理量监测点获取的物理量数据，以识别出与故障相关的物理量数据，便于生产维护人员及早发现生产中的问题并做出相应处理，所述物理量监测点监测的物理量包括温度、压力、液位、流体速度和流量中的至少一种，包括以下步骤：

步骤一，MPNMF模型的建立

(1)获取化工生产过程中m个物理量监测点监测的物理量的n个历史正常样本，并构建矩阵X′＝[x₁,x₂,…,x_m]∈R^n×m,将X′的每一列减去这一列所有样本数据的均值，然后除以这一列所有样本数据的标准差，最后对矩阵里面的每个处理后的数据取绝对值，得到矩阵X；