[发明专利]一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法

权利要求书

1.一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法，其特征在于，具体包括以下所示步骤：

步骤(1)：从合成氨过程配套的DCS数据库中，获取正常运行状态下的N组采样数据x₁，x₂，…，x_N，并将其组成正常数据矩阵X＝[x₁，x₂，…，x_N]；其中，x_i∈R^39×1表示第i组采样数据，下标号i∈{1，2，…，N}，每组采样数据具体由21个温度测量数据，6个压力测量数据和12个流量测量数据组成，R^39×1表示39×1维的实数向量；

步骤(2)：根据对X中各行的行向量分别实施标准化处理，从而得到参考数据矩阵其中，z_k∈R^1×N表示正常数据矩阵X中第k行的行向量，表示中第k行的行向量，μ_k和δ_k分别表示行向量z_k中所有元素的平均值和标准差，k∈{1，2，…，39}，R^39×N表示39×N维的实数矩阵；

步骤(3)：对参考数据矩阵中的列向量实施近邻关系特征分析，得到近邻关系矩阵Y∈R^39×N，具体实施过程如步骤(3.1)至步骤(3.4)所示；

步骤(3.1)：根据公式计算平方距离矩阵D∈R^N×N中的第i行第j列元素D(i，j)；其中，与分别表示参考数据矩阵中第i列与第j列的列向量，上标号T表示矩阵或向量的转置，下标号i∈{1，2，…，N}，下标号j∈{1，2，…，N}；

步骤(3.2)：当下标号i分别等于1，2，…，N时，重复实施步骤(3.3)至步骤(3.4)从而得到N个近邻关系向量再组建近邻关系矩阵

步骤(3.3)：根据平方距离矩阵D中第i行向量D_i∈R^1×N，确定出D_i中除第i个元素之外的最小的C个元素所在的列，并将列标号记录为对应的近邻集合φ_i；

步骤(3.4)：根据近邻集合φ_i中的C个列标号，计算参考数据矩阵中相同列的列向量的平均值向量y_i后，再根据公式计算近邻关系向量

步骤(4)：依次将分别当做成在线数据向量x_t，根据如下所示步骤(4.1)至步骤(4.5)计算得到在线近邻嵌入指标再将中的最大值记录为

步骤(4.1)：初始化i＝1后，设置在线数据向量和在线近邻关系向量

步骤(4.2)：根据x_t对应的近邻集合中的C个列标号，将邻关系矩阵Y中相同列的列向量组建成参考近邻矩阵Y_t∈R^39×C；

步骤(4.3)：求解广义特征值问题中最大特征值λ对应的特征向量w_t后，再利用公式对其实施归一化处理；

步骤(4.4)：根据公式计算出在线近邻嵌入指标

步骤(4.5)：设置后，再判断i是否小于N；若是，则设置i＝i+1后，再设置和后返回步骤(4.2)；若否；则得到N个在线近邻嵌入指标

步骤(5)：利用合成氨过程配套的DCS获取最新采样时刻的采样数据后，利用平均值μ_k和标准差δ_k通过公式对中的各行元素实施标准化处理，得到在线数据向量x_t；其中，和x_t(k)分别表示和x_t中第k行的元素；

步骤(6)：从参考数据矩阵中找出与x_t存在近邻关系的C个列向量，从而计算在线近邻关系向量y_t，具体的实施过程如步骤(6.1)至步骤(6.3)所示；

步骤(6.1)：根据公式计算得到平方距离向量D_t∈R^1×N；其中，D_t(i)表示D_t中的第i个元素；

步骤(6.2)：确定出D_t中最小的C个元素所在列，并将列标号记录为x_t对应的近邻集合φ_t；

步骤(6.3)：根据近邻集合φ_t中的C个列标号，计算中相同列的列向量的平均值向量后，再通过计算得到在线近邻关系向量y_t；

步骤(7)：根据步骤(4.2)至步骤(4.4)的实施过程，计算得到在线近邻嵌入指标后，再判断是否大于若否，则合成氨过程正常运行，返回步骤(5)继续利用最新采样时刻的采样数据实施异常检测；若是，则执行步骤(8)从而决策是否触发异常警报；

步骤(8)：返回步骤(5)继续利用最新采样时刻的采样数据实施状态监测，若连续A个采样时刻的在线近邻嵌入指标都大于则触发异常警报；反之，则合成氨过程正常运行。

2.根据权利要求1所述的一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法，其特征在于，所述步骤(4.3)广义特征值问题求解的具体过程如下所示：

步骤(A)：根据L_t＝Y_tY_t^T计算出矩阵L_t后，再对L_t实施奇异值分解，保留ξ＝min{C，39}个非零奇异值后，得到相应的酉矩阵U∈R^39×ξ和奇异值对角矩阵V∈R^ξ×ξ；其中，min{C，39}表示取C与39两个整数中的最小值；

步骤(B)：根据公式计算矩阵G_t后，再求解G_t最大特征值所对应的特征向量g；

步骤(C)：通过w_t＝UV^-0.5g计算得到特征向量w_t。