[发明专利]基于KPCA-CVA模型和随机算法的过程监测方法

说明书

本发明涉及一种基于KPCA‑CVA模型和随机算法的过程监测方法，首先采样获得过程状态数据，其后基于对正常工况下数据建立非线性KPCA‑CVA模型，并求得相应的T²统计量和Q统计量，使用随机算法获得相应的统计量阈值；再用实时测量值计算相应的统计量并和判断阈值做比较，判断天然气液化装置的运行状态是否发生非正常变化。本发明采用非线性KPCA‑CVA方法充分考虑了数据中的非线性特性，并专注于过程中的动态特性构造了过去、将来矩阵，可以更有效地发现过程中的初始故障，并且在阈值的确定上使用了随机算法，可以更为准确地确定非高斯的过程统计量阈值。

技术领域：

本发明涉及过程监测技术领域，具体涉及一种基于KPCA-CVA模型和随机算法的过程监测方法。

背景技术：

天然气液化装置中，丙烷预冷混合制冷剂液化流程(C3MR)由于结合了级联式与制冷剂液化流程的优点，具有既简单又高效的特点，被广泛应用于各个场景。C3MR流程主要分为两个环节：轻烃回收分馏过程和制冷剂循环过程。

轻烃回收分馏过程：原料气首先进行预处理利用活化甲基二乙醇胺溶液脱二氧化碳，其次通过变温等方法除去原料气中水等杂质。随后原料气依次进入脱乙烷塔、脱丙烷塔、脱丁烷塔进行轻烃回收分馏，获取丙烷制冷剂以及其他高附加值副产品，并对天然气凝液的热值进行调节,随后将处理后的天然气与制冷剂加入主换热器，进行制冷剂循环过程。

制冷剂循环过程：主要将天然气和混合制冷剂分别通过换热器制成液态天然气成品，而混合制冷剂在一定阶段被导出进行循环使用。

天然气液化装置由于长年需要在多负荷、高压、低温等环境下运行，外加上气源气压不稳定、机械部件疲劳及结构参数的不合理等情况，装置受到损坏现象十分容易发生，继而会出现产品产出效率降低的情况，严重地可能会发生重大的生产安全事故。在2016~2020期间，国家将投资高达2200亿元左右用于天然气的基础设施建设当中，其中大型天然气液化装置的建设更是其中装备建设任务的重点之一。因此，有必要对天然气液化装置进行实时过程监测，以便及时发现设备故障并进行维修，通过过程监测保证人员和设备的安全，也增加部件的使用寿命。

针对工业过程中的过程监测已有一些方法，如规范变量分析法(CVA)是在最优的统计推理原理上发展起来的，并且已证明能达到最优的统计精度，它的基本思想是将两个变量集间的相关度最大化，即将历史数据集和未来数据集间的相关度最大化，在过去和现在状态的基础上，提供对未来输出的最佳预测。将CVA算法引入到过程监测领域，更能从本质上刻画过程数据的特征。由于现有的基于CVA模型的过程监测方法不可避免的会有数据遗失的现象，本发明对基于CVA的过程监测方法进行了改进，更容易有效识别出引起故障的过程变量，有鉴于此，本案由此而生。

发明内容：

本发明公开一种基于KPCA-CVA模型和随机算法的过程监测方法，充分考虑了数据中的非线性特性而使用了KPCA方法进行分析，并专注于过程中的动态特性构造了过去、将来矩阵，可以更有效地发现过程中的初始故障，并且在阈值的确定上使用了随机算法，可以更为准确地确定非高斯的过程统计量阈值。

为了实现上述发明目的，本发明所采用的技术方案为：

基于KPCA-CVA模型和随机算法的过程监测方法，内容包括：

步骤1)：采集正常工况下的过程状态数据，每一次采样可以得到1×m的测量向量x_k，下标k表示采样时刻，经过n次采样后，得到采样矩阵 X＝[x₁,x₂…x_n]^T∈R^n×m；

步骤2)：通过数据的时序关系构建过去数据矩阵X_p和将来数据矩阵X_f，并使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵；