[发明专利]一种基于典型变量相异性分析的化工过程缓变故障检测方法

说明书

本发明涉及一种基于加权概率典型变量相异性分析的化工过程缓变故障检测方法，其步骤为：对训练数据进行标准化处理并构造历史数据矩阵和未来数据矩阵，建立CVDA模型并提取训练数据的CVDA特征，并计算对应的训练WD特征，进一步计算训练WD特征对应的统计量T²、统计量Q和统计量D并确定相应的控制限；采集测试数据，构造测试数据的历史数据向量和未来数据向量，利用已建立的CVDA模型提取对应的在线CVDA特征，并计算在线WD特征，进一步计算在线加权WD特征，基于在线加权WD特征计算统计量T²、统计量Q和统计量D，并利用控制限进行监控。本发明上述故障检测方法引入了Wasserstein距离和在线加权策略，提高了化工过程数据中缓变故障的检测性能。

技术领域

本发明属于化工过程故障检测技术领域，涉及一种基于典型变量相异性分析(canonical variable dissimilarity analysis，简称CVDA)的化工过程缓变故障检测方法。

背景技术

随着科学技术的不断发展，现代化工系统的规模和复杂程度不断提升，同时对化工过程的系统性能和生产安全提出了更高的要求，正是由于现代化工系统的大规模化和高复杂性，导致故障事件不可避免地频繁发生。缓变故障具有变化缓慢，初期幅值小等特点，若能及时在化工过程的可控范围内检测缓变故障并采取相应的措施，将有效减少生产力损失和确保工作人员的生命安全，对化工过程的安全监控有着重要的实际意义。随着计算机技术的发展，化工过程的大量数据被存储下来，促使了基于数据驱动的故障诊断技术的广泛应用。

典型变量相异性分析法是化工过程监控领域的新型算法，2018年由Pilario和Cao首次提出。然而在过程监控中，传统CVDA方法仅利用原始测量数据构造统计量且所有的CVDA特征以同等的地位进行建模和监控，未考虑数据包含的概率信息和特征携带故障信息的差异性，导致缓变故障的检测效果不佳。因此，如何考虑过程数据所包含的概率信息和特征差异性以提高缓变故障的检测性能是目前化工过程监控中需要解决的关键问题。

发明内容

本发明针对传统CVDA方法存在的未考虑过程数据所包括的概率信息和特征携带故障信息的差异性等问题，提供一种基于典型变量相异性分析的化工过程缓变故障检测方法。该方法将Wasserstein距离(英文：Wasserstein Distance,简称：WD)引入到CVDA方法中，利用WD挖掘缓变故障数据所包含的概率信息，再进一步考虑特征差异性，引入了权重系数，根据特征携带故障信息的大小对特征进行在线加权，以达到提高缓变故障检测性能的目的。

为了达到上述目的，本发明提供了一种基于典型变量相异性分析的化工过程缓变故障检测方法，含有以下步骤：

(一)采集历史数据库中正常操作工况下的过程数据作为训练数据X₀，并利用训练数据X₀的均值和标准差对训练数据X₀进行标准化处理，得到标准化后的训练数据X；由训练数据X构造训练历史数据矩阵P和未来数据矩阵F；

(二)将所述历史和未来数据矩阵P和F进行典型变量相异性分析得到CVDA模型，利用所述CVDA模型提取历史和未来数据矩阵P和F的状态向量s、残差向量e和相异性特征d，利用Wasserstein距离分别计算所述状态向量s、残差向量e和相异性特征d所对应的训练WD特征s^WD、e^WD和d^WD；

(三)由所述训练WD特征s^WD、e^WD和d^WD计算相应统计量T²、统计量Q和统计量D，给定置信水平α，通过核密度估计方法计算统计量T²所对应的控制限统计量Q所对应的控制限Q_lim和统计量D所对应的控制限D_lim；