[发明专利]一种基于在线滚动判别特征分析的PTA装置粗差判别方法

说明书

本发明公开一种基于在线滚动判别特征分析的PTA装置粗差判别方法，通过在线滚动判别特征分析来有效准确的判别PTA装置采样数据中的粗差数据。具体来讲，本发明方法通过一种在线滚动特征分析技术，不断的迭代筛选出采样数据中的粗差。本发明方法通过随机选择一半以上的样本数据当成参考数据集，并按照故障检测的特征提取思路，通过不断的滚动更新参考数据集，从而识别PTA装置的粗差。本发明方法不需要计算马氏距离，避免了采样数据协方差矩阵不可逆的问题。此外，通过在线滚动找寻能最大化区分参考矩阵与其他样本数据向量间差异的变换向量，本发明方法能有针对性的针对不同的采样数据实施粗差判别分析。

技术领域

本发明涉及一种采样数据粗差判别方法，特别涉及一种基于在线滚动判别特征分析的PTA装置粗差判别方法。

背景技术

精对苯二甲酸(Purified Terephthalic Acid，缩写：PTA)是生产聚酯切片的重要原料，由对二甲苯(PX)经液相催化氧化反应制得，在该氧化反应过程中，对羧基苯甲醛(4-CBA)是主要的副产物之一，也是PTA产品中的主要杂质及重要质量指标。根据反应机理研究，4-CBA含量过低，则氧化反应程度加深，副反应加剧，能耗及醋酸PX单耗增加过高，则可能使最终产品不合格，故4-CBA含量实时、有效控制非常重要。但实际生产中，由于4-CBA含量无法在线分析，离线分析又滞后数小时，远远不能满足控制要求。因此，软测量4-CBA技术得到了广泛的应用。

然而，PTA装置采样数据中存在的粗差数据点(或称为离群异常样本点)会直接甚至严重影响到软测量模型的精度和性能。所谓的PTA装置的粗差数据点指的是PTA装置的采样系统因环境或人为干扰，导致测量数据存在较大误差。这种情况下的采样数据对建立PTA装置的软测量模型是非常不利的。在而且实际使用软测量技术实施监测PTA装置中4-CBA含量时，历史采样数据中是否存在粗差样本点是无法知晓的，因此在建立软测量模型之前尽可能去除粗差样本点对于后续软测量模型建立是非常重要的。

在PTA装置的运行过程中，能影响4-CBA含量的主要因素包括：反应进料中的钴催化剂浓度、锰催化剂浓度、溴促进剂浓度、反应温度、反应器抽出水流量、反应器停留时间、第一结晶器温度、第一结晶器停留时间等。因此，去除这几个主要测量变量对应的采样数据中的粗差点是建立软测量模型的关键。粗差判别的基本方法之一就是应用马氏距离。由于传统的参数估计法抗差性弱歪曲了位置参数和尺度参数的估计从而所得到的马氏距离也就不具有抗差性。此外，粗差判别的难度不在于识别明显离群的粗差点，而在于如何微弱离群的异常点。而且，由于PTA装置采样数据之间的耦合性与相关性，还会使得马氏距离计算所需的协方差矩阵不可逆。因此，如何有效准确的判别PTA装置采样数据中的粗差点是本领域的技术难点。

发明内容

本发明所要解决的主要技术问题是：如何通过在线滚动特征判别特征分析来有效准确的判别PTA装置采样数据中的粗差数据点。具体来讲，本发明方法通过一种在线滚动特征分析技术，不断的迭代筛选出采样数据中的粗差点。由于粗差点的数量占比很少，不会超过总样本个数的一半，因此，本发明方法通过随机选择一半的样本数据当成参考数据集，并按照故障检测的特征提取思路，通过不断的滚动更新参考数据集，从而识别PTA装置的粗差点。

本发明方法解决上述问题所采用的技术方案为：一种基于在线滚动判别特征分析的PTA装置粗差判别方法，包括以下所示步骤：