[发明专利]一种新型多模态化工过程异常状态检测方法

说明书

本发明公开一种新型多模态化工过程异常状态检测方法，旨在发明出一种可以挖掘多模态之间相关特征的过程建模技术并将之应用于多模态化工过程异常状态检测。具体来讲，本发明首先根据多模态采样数据的两个特征：其一，多模态采样数据之间是存在相关性的；其二，多模态采样数据具备各自的独特性，来实施多模态化工过程异常状态检测；相比之下，多模态PCA方法为各个模态采样数据单独建立模型，只考虑到了各模态的独特性。其次，本发明方法分别利用相关特征成分和独立特征成分分别实施在线异常状态检测，较全面地利用了挖掘出的潜在特征；最后，通过具体的实施案例，对比验证了本发明在多模态的连续搅拌反应釜异常运行状态检测上的优越性。

技术领域

本发明涉及一种化工过程运行状态监测方法，特别涉及一种新型多模态化工过程异常状态检测方法。

背景技术

现代化工过程在运行中，通常会不间断地实时地通过测量仪器仪表采集生产过程中的温度，压力，流量等数据信息。这些海量存储的采样数据以及实时更新的在线采样数据为当前化工“大数据”建设与智能化工应用奠定了坚实的数据基础。近十几年来，利用采样数据来检测化工过程运行中出现的异常状态在安全化工生产领域受到了越来越多的重视，其思想在于通过采样数据来检测化工过程运行是否进入异常状态，从而保证安全生产与维持产品质量的稳定性。无论是学术界还是工业界，都投入了大量的人力与财力研究数据驱动的异常状态检测方法与技术，应用对象除涵盖化工领域外，还涉及机械制造业与工业控制系统安全领域。数据驱动的化工过程监测经过多年的研究发展，出现了许多以主成分分析(Principal Component Analysis，缩写：PCA)和偏最小二乘(Partial Least Square，缩写：PLS)为基础的异常状态检测方法。这些主流的过程监测方法实施的核心主要关注于数据潜在特征的挖掘。换句话说，所建立的数据驱动模型都是旨在提取采样数据数据中潜藏的特征。

一个典型的化工过程对象的核心生产单元都包含有：反应设备、分离设备、冷却设备、和回流装置。这些设备之间相互链接，运行机理与控制系统回路较为复杂。此外，由于化工厂的订单要求波动、能耗调度问题等原因，化工过程对象并非一直运行在某个固定的生产状态下。即使不考虑各种异常状态情况，正常的运行状态就具备多种生产模态。例如，因化工企业的高能耗原因，通常会根据工业用电早晚价格的差异，适当调整白天与黑夜的生产产量。这种运行在多个正常工况下的化工过程称之为多模态化工过程，相应的异常状态检测就称为多模态的化工过程异常状态检测。在现有的科研文件与专利技术材料中，针对多模态化工过程异常状态检测的研究主要是为每个生产模态都各自建立相应的检测模型。例如，最经典的方法就是：首先区分出各个生产模态下的采样数据，然后利用PCA算法为各个模态分别建立相应的异常状态检测模型，最后分别利用多模态PCA模型对多模态化工过程实施在线的异常状态检测。

值得指出的是，即使化工生产过程对象有多个正常运行的生产模态，每个生产模态都是在同一套生产流程上完成的。因此，各个生产模态下的采样数据之间是存在潜在关系的。虽然多模态PCA模型很好的区分了各个模态，但是模态之间的关联特征却忽略了。正如前面所提到的，数据驱动的异常状态检测方法的核心在与如何充分有效地挖掘采样数据的潜在特征。从这个角度讲，经典的多模态PCA方法未曾考虑各个模态之间的关系，因此多模态PCA方法从实施路线上来看是无法挖掘多模态采样数据之间的关联特征。因此，发明出一种可以挖掘多模态之间相关特征的多模态化工过程建模算法并将之应用于异常状态检测是一个丞待解决的问题。

发明内容

本发明所要解决的主要技术问题是：发明出一种可以挖掘多模态之间相关特征的多模态化工过程建模算法并将之应用于多模态化工过程异常状态检测。具体来讲，本发明方法首先根据多模态采样数据的两个特征：其一，多模态采样数据之间是存在相关性的；其二，多模态采样数据具备各自的独特性，来构造新型多模态建模算法的目标函数；其次，本发明方法在朗格朗日乘子法的基础上结合迭代算法来优化求解出能挖掘多模态之间相关特征的多个投影向量；最后，实时在线异常状态检测时，本发明方法对多模态相关特征与独特特征分别进行检测，从而实现对多模态化工过程对象的异常状态检测。