CN104656635B - 非高斯动态高含硫天然气净化过程异常检测与诊断方法 - Google Patents
非高斯动态高含硫天然气净化过程异常检测与诊断方法 Download PDFInfo
- Publication number
- CN104656635B CN104656635B CN201410849339.9A CN201410849339A CN104656635B CN 104656635 B CN104656635 B CN 104656635B CN 201410849339 A CN201410849339 A CN 201410849339A CN 104656635 B CN104656635 B CN 104656635B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msup
- msub
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Abstract
本发明公开了一种非高斯动态高含硫天然气净化过程异常检测与诊断方法,该诊断方法按如下步骤进行:随机采集高含硫天然气净化过程数据组成原始测量样本集;对数据进行预处理;通过分析工业过程自回归模型,确定模型时滞阶次,然后将数据投影到核独立元空间,通过监控独立元对应的T2和SPE统计量是否超出正常状态设定的控制限实现异常检测。最后计算T2统计量对原始变量的一阶偏导数,绘制其贡献图,从而实现异常诊断。本方法能够及时检测故障发生,并追溯工艺操作参数导致故障发生原因,从而为系统故障排查和恢复提供决策参考依据,实现非线性、动态、非高斯过程监控。
Description
技术领域
本发明属于高含硫天然气脱硫生产过程故障检测与诊断技术,涉及一种非高斯动态高含硫天然气净化过程。
背景技术
高含硫天然气净化脱硫工业流程复杂,过程工艺参数众多,受温度、压力、流量、设备老化和原料气处理量等不确定因素影响,是典型的复杂非线性动态特性化工系统。高含硫天然气净化脱硫过程主要包括以下部分:主吸收塔MDEA溶液吸收酸性组分H2S和CO2,水解反应器脱除(COS),再生塔MDEA溶液的循环再生以及换热过程,具体工艺流过程如图2所示。一旦系统发生异常,如何及时检测故障发生,并追溯工艺操作参数导致故障发生原因,从而为系统故障排查和恢复提供决策参考依据,对指导实际工业生产具有重要的现实意义。
原料气处理量负荷波动、脱硫单元吸收塔发泡、硫磺回收装置硫收率下降是高含硫天然气过程常见的三种异常工况。目前高含硫天然气异常工况检测与诊断主要依赖现场生产经验,异常工况发生机理描述的不够透彻,缺乏对高含硫天然气异常工况的检测与诊断机制。
目前围绕主元分析的多元统计过程监控已取得阶段性研究成果。已有针对分析数据维度高、变量互耦合特性,提出基于主元分析的故障检测与诊断方法。然而主元分析是线性投影方法,不适用于非线性工业过程。有引入核映射将低维非线性空间映射到高维线性空间,提出基于核主元分析的故障检测与诊断方法。考虑到工业过程动态特性,监测参数表现一定时序自相关性。通过分析工业过程自回归模型,确定模型时滞阶次,提出基于动态核主元分析的故障检测与诊断方法,从而实现非线性、动态工业过程监控。
主元分析是基于变量服从高斯分布的假设提出的数据处理手段。然而工业过程多为非高斯过程,有通过独立分量分析进一步提取变量高阶统计信息,提出基于独立分量分析的故障检测与诊断方法。以及提出基于核独立分量分析的故障检测与诊断方法,实现非线性、非高斯过程监控。然而对于动态工业过程时序自相关性的问题,仍需进一步深入研究。
发明内容
本发明的目的在于克服现有技术不能及时检测故障发生的不足,提供一种非高斯动态高含硫天然气净化过程,它能够及时检测故障发生,并追溯工艺操作参数导致故障发生原因,从而为系统故障排查和恢复提供决策参考依据。
本发明的目的是这样实现的:
一种非高斯动态高含硫天然气净化过程异常检测与诊断方法,按照以下步骤进行:
步骤1:随机采集m组高含硫天然气净化过程数据组成原始测量样本集X=[x1,x2,…,xm]∈Rm×N,每个样本含有N个独立的高含硫天然气净化过程参数采样值;
步骤2:对样本数据进行预处理,选择最能反映出生产过程实际特性的有效数据;具体为:剔除采集数据中缺失参数的样本,并保证样本满足企业净化气技术指标,得到的数据为X*=[x1,x2,…,xn]∈Rm×l,l为处理后采集样本数量,l<N;
步骤3:分析步骤2所得的数据X*的自回归模型,确定其动态时滞阶次:
3.1使用最小二乘估计法,对于p阶自回归模型有xt=β1xt-1+β2xt-2+…+βpxt-p+εt,其中xt为模型变量,β1,β2,…βp为模型的回归系数,εt为模型随机误差,p为模型阶次,使用最小二乘估计法:Y=Xβ+ε,误差向量为ε=[εp+1,εp+2,…εn]T,n为观测次数;自回归模型系数β=[β1,β2,…βp],时间排序的样本p阶观测矩阵为:X=[xp,xp-1,…x1,xp+1,xp,…x2,…xn-1,xn-2,…xn-p],p为模型阶次,β最小二乘解为β=(XTX)-1XTY;
对于数据X*的p阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βpxt-p+εt,
其自回归模型系数β=[β1,β2,…βp],其参数估计残差平方和为Sp;
数据X*的p-1阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βp-1xt-p+1+εt,
其自回归模型系数β=[β1,β2,…βp-1],其参数估计残差平方和为Sp-1;
3.2假设H0:bp=0成立时,可作F分布统计量为选显著水平α,以分子自由度1,分母自由度n-p,查表得Fα,如果F>Fα,则表示H0不成立,p阶与p-1阶模型有显著差别,采用p阶;反之,采用p-1阶;
步骤4:形成新的数据为Xh=[x1 h,x2 h,…,xn-h h]∈Rm(h+1)×(n-h),xi h=[x1,i,x1,i-1,…,x1,i-h,x2,i,x2,i-1,…,x2,i-h,…,xm,i,xm,i-1,…,xm,i-h];
步骤5:利用KPCA核主元分析对数据Xh进行白化处理,提取核主元分量并采用独立分量分析估计独立元su;
步骤6:过程监控,计算独立元su对应的SPE统计量和T2统计量,并分析与SPE控制限和T2控制限对比是否超限,若SPE统计量或T2统计量超限则过程发生异常工况,否则正常;所述SPE控制限和T2控制限根据经验得到,SPE统计量和T2统计量通过以下公式计算得到:
利用步骤5得到独立元su计算T2:
利用投影特征空间矩阵φ(xh)计算SPE:
其中,φ(xh)内积可由投影变换的格拉姆矩阵K=ΦΦT计算,V为格拉姆矩阵的特征向量;
步骤7:利用T2贡献图法实现异常诊断;
将T2统计量对原始变量的一阶偏导数作为衡量原始变量对诱导故障发生贡献程度,T2统计量对应的一阶偏导数最大的原始变量作为诱导故障发生的原因;核映射矩阵的一阶偏导数为:
其中v=[v1,v2,…,vn],vi设定为1其他设定为0,得到第i个变量在扩展矩阵中的偏导数;是离线训练Xh中第j个观测向量;是在线监测观测向量;得到核映射矩阵的一阶偏导数是在线监测向量第i个变量对于第j个观测向量的贡献:
则T2统计量对数据X*的变量xn的一阶偏导数为:
其中,Λ为格拉姆矩阵特征值构成对角矩阵。
本发明的有益效果:
本发明的非高斯动态高含硫天然气净化过程异常检测与诊断方法,采用核独立分量分析,不仅能够提取非线性过程的监控信息,而且克服核主元分析无法适用于非高斯过程监控的缺陷;同时,通过自回归模型分析参数的时序自相关性,确定时滞阶次,进而获取整个动态过程的时序自相关性,并结合核独立分量分析实现统计过程分析,从而实现非线性、非高斯、动态过程监控。
附图说明
图1是本发明的流程图;
图2是某企业高含硫天然气脱硫模拟工艺流程;
图3是采用静态的核独立分量分析得到基于T2统计量核独立分量分析异常工况检测;
图4是采用静态的核独立分量分析得到基于SPE统计量核独立分量分析异常工况检测;
图5是采用动态时序相关的核独立分量分析得到基于T2统计量动态独立分量分析异常工况检测;
图6是采用动态时序相关的核独立分量分析得到基于SPE统计量动态独立分量分析异常工况检测;
图7是T2统计量对应的贡献图法进行工艺参数追溯。
附图标记:
图2中,1水解反应器进料分离器;2水解反应器预热器;3水解反应器;4水解反应器进/出料换热器;5水解反应器后冷器;6二级吸收塔;7一级吸收塔;8贫胺液泵;9中间胺液泵;10中间胺液冷却器;11贫胺液后冷器;12再生塔;13再生塔顶空冷器;14胺液再生塔顶回流罐;15酸水回流泵;16再生塔底贫胺液泵;17贫富液换热器;18贫胺液空冷器;19胺液闪蒸罐;Feedgas:原料天然气;Treated gas:净化气;Acid gas:酸气。
具体实施方式
下面结合实施例和附图对本发明作详细说明:
实施例1
如图1所示,一种非高斯动态高含硫天然气净化过程异常检测与诊断方法,按照以下步骤进行:
步骤1:随机采集m组高含硫天然气净化过程数据组成原始测量样本集X=[x1,x2,…,xm]∈Rm×N,每个样本含有N个独立的高含硫天然气净化过程参数采样值。
步骤2:对样本数据进行预处理,选择最能反映出生产过程实际特性的有效数据;具体为:剔除采集数据中缺失参数的样本,并保证样本满足企业净化气技术指标,得到的数据为X*=[x1,x2,…,xn]∈Rm×l,l为处理后采集样本数量,l<N。
步骤3:分析步骤2所得的数据X*的自回归模型,确定其动态时滞阶次:
3.1使用最小二乘估计法,对于p阶自回归模型有xt=β1xt-1+β2xt-2+…+βpxt-p+εt,其中xt为模型变量,β1,β2,…βp为模型的回归系数,εt为模型随机误差,p为模型阶次,使用最小二乘估计法:Y=Xβ+ε,误差向量为ε=[εp+1,εp+2,…εn]T,n为观测次数;自回归模型系数β=[β1,β2,…βp],时间排序的样本p阶观测矩阵为:X=[xp,xp-1,…x1,xp+1,xp,…x2,…xn-1,xn-2,…xn-p],p为模型阶次,β最小二乘解为β=(XTX)-1XTY。
对于数据X*的p阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βpxt-p+εt,
其自回归模型系数β=[β1,β2,…βp],其参数估计残差平方和为Sp;
数据X*的p-1阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βp-1xt-p+1+εt,
其自回归模型系数β=[β1,β2,…βp-1],其参数估计残差平方和为Sp-1。
3.2假设H0:bp=0成立时,可作F分布统计量为选显著水平α,以分子自由度1,分母自由度n-p,查表得Fα,如果F>Fα,则表示H0不成立,p阶与p-1阶模型有显著差别,采用p阶;反之,采用p-1阶。
步骤4:形成新的数据为Xh=[x1 h,x2 h,…,xn-h h]∈Rm(h+1)×(n-h),xi h=[x1,i,x1,i-1,…,x1,i-h,x2,i,x2,i-1,…,x2,i-h,…,xm,i,xm,i-1,…,xm,i-h]。
步骤5:利用KPCA核主元分析对数据Xh进行白化处理,提取核主元分量并采用独立分量分析估计独立元su。
步骤6:过程监控,计算独立元su对应的SPE统计量和T2统计量,并分析与SPE控制限和T2控制限对比是否超限,若SPE统计量或T2统计量超限则过程发生异常工况,否则正常;所述SPE控制限和T2控制限根据经验得到,SPE统计量和T2统计量通过以下公式计算得到:
利用步骤5得到的独立元su计算T2:
利用投影特征空间矩阵φ(xh)计算SPE:
其中,φ(xh)内积可由投影变换的格拉姆矩阵K=ΦΦT计算,V为格拉姆矩阵的特征向量。
步骤6:利用T2贡献图法实现异常诊断;
将T2统计量对原始变量的一阶偏导数作为衡量原始变量对诱导故障发生贡献程度,T2统计量对应的一阶偏导数最大的原始变量作为诱导故障发生的原因;核映射矩阵的一阶偏导数为:
其中v=[v1,v2,…,vn],vi设定为1其他设定为0,得到第i个变量在扩展矩阵中的偏导数;是离线训练Xh中第j个观测向量;是在线监测观测向量;得到核映射矩阵的一阶偏导数是在线监测向量第i个变量对于第j个观测向量的贡献:
则T2统计量对数据X*的变量xn的一阶偏导数为:
其中,Λ为格拉姆矩阵特征值构成对角矩阵。
以某高含硫净化厂天然气脱硫脱硫装置的生产数据进行分析,监控数据由DCS系统即时显示。选取某段时间内500组数据进行影响分析,包括有脱硫吸收塔胺液入口管流量x1(t/h)、尾气吸收塔胺液入口管流量x2(t/h)、原料气处理量x3(kNm3/h)、半富胺液的循环量x4(t/h)、一级吸收塔胺液入口温度x5(℃)、二级吸收塔胺液入口温度x6(℃)、闪蒸罐压力x7(MPa)、重沸器A入口蒸气消耗量x8(kg/h)、重沸器B入口蒸气消耗量x9(kg/h)和蒸气预热器流量x10(t/h)、净化气中H2S含量Y1(mg/m3)和CO2体积百分含量Y2(%)12个原始参数(变量),如表2所示。原料气处理量负荷波动、脱硫单元吸收塔发泡、硫磺回收装置硫收率下降是高含硫天然气净化过程常见的三种异常状态,如表1所示。
表1高含硫天然气净化过程常见的异常状态
表2某高含硫净化厂脱硫装置数据列表
剔除样本集中中缺失参数的样本,并保证样本满足企业净化气技术指标,即净化气H2S含量低于6mg/m3,净化气CO2体积百分含量低于3%,得到478组样本的集合。
通过自回归模型确定每个变量的最佳模型阶次α=0.05Fα=0.05(1,724)=Fα=0.05(1,723)=3.83,如表3所示。12个变量最佳阶次均为1,因此整个模型最佳时滞阶次确定为1。
表3变量最佳AR模型阶次确定
首先采用静态的核独立分量分析进行异常检测和诊断,核函数选用高斯函数K(x,y)=exp(-||x-y||2/σ),σ=3600。所选取的独立元对应的特征值满足λ>0.0001。由核独立分量分析可得不同观测时刻独立元对应的的T2和SPE统计量,如图3、图4所示。
采用动态时序相关的核独立分量分析进行试验进一步进行异常检测与诊断,自回归模型阶次p=1,核函数选用高斯函数K(x,y)=exp(-||x-y||2/σ),σ=7200。所选取的独立元对应的特征值满足λ>0.0001。由核独立分量分析可得不同观测时刻独立元对应的的T2和SPE统计量,如图5、图6所示。
综上所述,对于高含硫天然气净化过程,基于静态核独立分量分析和动态时序相关的核独立分量分析的异常检测精度,如表4所示。动态时序相关的核独立分量分析的高含硫异常检测不仅改善静态核独立分量分析T2统计量对于异常检测精度不高的缺陷,还降低对于正常状态的错误检测。
表4静态和动态时序相关的核独立分量分析异常检测精度列表
采用T2统计量对原始变量的一阶偏导数作为衡量原始变量对诱导异常发生贡献程度,T2统计量对应的一阶偏导数最大的原始变量作为诱导异常发生的原因。对于监测异常状态下观测向量,计算其T2统计量,并绘制贡献图,进行工艺参数追溯,挖掘导致异常状态发生的原因,如图7所示。
通过分析T2统计量对应的贡献图法进行工艺参数追溯,发现第三个变量原料气处理量是导致异常发生的原因,属于原料气处理量负荷波动异常工况。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种非高斯动态高含硫天然气净化过程异常检测与诊断方法,其特征在于按照以下步骤进行:
步骤1:随机采集m组高含硫天然气净化过程数据组成原始测量样本集X=[x1,x2,…,xm]∈Rm×N,每个样本含有N个独立的高含硫天然气净化过程参数采样值;
步骤2:对样本数据进行预处理,选择最能反映出生产过程实际特性的有效数据;具体为:剔除采集数据中缺失参数的样本,并保证样本满足企业净化气技术指标,得到的数据为X*=[x1,x2,…,xm]∈Rm×l,l为处理后采集样本数量,l<N;
步骤3:分析步骤2所得的数据X*的自回归模型,确定其动态时滞阶次:
3.1使用最小二乘估计法,对于p阶自回归模型有xt=β1xt-1+β2xt-2+…+βpxt-p+εt,其中xt为模型变量,β1,β2,…βp为模型的回归系数,εt为模型随机误差,p为模型阶次,使用最小二乘估计法:Y=Xβ+ε,误差向量为ε=[εp+1,εp+2,…εn]T,n为观测次数;自回归模型系数β=[β1,β2,…βp],时间排序的样本p阶观测矩阵为:X=[xp,xp-1,…x1,xp+1,xp,…x2,…xn-1,xn-2,…xn-p],p为模型阶次,β最小二乘解为β=(XTX)-1XTY;
对于数据X*的p阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βpxt-p+εt,
其自回归模型系数β=[β1,β2,…βp],其参数估计残差平方和为Sp;
数据X*的p-1阶自回归模型为:
xt=β1xt-1+β2xt-2+…+βp-1xt-p+1+εt,
其自回归模型系数β=[β1,β2,…βp-1],其参数估计残差平方和为Sp-1;
3.2假设H0:bp=0成立时,可作F分布统计量为选显著水平α,以分子自由度1,分母自由度n-p,查表得Fα,如果F>Fα,则表示H0不成立,p阶与p-1阶模型有显著差别,采用p阶;反之,采用p-1阶;
步骤4:形成新的数据为Xh=[x1 h,x2 h,…,xn-h h]∈Rm(h+1)×(n-h),xi h=[x1,i,x1,i-1,…,x1,i-h,x2,i,x2,i-1,…,x2,i-h,…,xm,i,xm,i-1,…,xm,i-h];
步骤5:利用KPCA核主元分析对数据Xh进行白化处理,提取核主元分量并采用独立分量分析估计独立元su;
步骤6:过程监控,计算独立元su对应的SPE统计量和T2统计量,并分析与SPE控制限和T2控制限对比是否超限,若SPE统计量或T2统计量超限则过程发生异常工况,否则正常;所述SPE控制限和T2控制限根据经验得到,SPE统计量和T2统计量通过以下公式计算得到:
利用步骤5得到的独立元su计算T2:
<mrow>
<msup>
<mi>T</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<msubsup>
<mi>s</mi>
<mi>u</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>s</mi>
<mi>u</mi>
</msub>
<mo>,</mo>
</mrow>
利用投影特征空间矩阵φ(xh)计算SPE:
<mrow>
<mi>S</mi>
<mi>P</mi>
<mi>E</mi>
<mo>=</mo>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mi>h</mi>
</msup>
<mo>,</mo>
<msup>
<mi>x</mi>
<mi>h</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>2</mn>
<msup>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mi>k</mi>
<mi>V</mi>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mo>+</mo>
<msup>
<mi>n</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mi>T</mi>
</msup>
<msup>
<mi>V</mi>
<mi>T</mi>
</msup>
<mi>K</mi>
<mi>V</mi>
<mover>
<mi>z</mi>
<mo>^</mo>
</mover>
<mo>;</mo>
</mrow>
其中,φ(xh)内积可由投影变换的格拉姆矩阵K=ΦΦT计算,V为格拉姆矩阵的特征向量;
步骤7:利用T2贡献图法实现异常诊断;
将T2统计量对原始变量的一阶偏导数作为衡量原始变量对诱导故障发生贡献程度,T2统计量对应的一阶偏导数最大的原始变量作为诱导故障发生的原因;核映射矩阵的一阶偏导数为:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&chi;</mi>
<mi>j</mi>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&chi;</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&chi;</mi>
<mi>j</mi>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&chi;</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&sigma;</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&chi;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&chi;</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&chi;</mi>
<mi>j</mi>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&chi;</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中v=[v1,v2,…,vn],vi设定为1其他设定为0,得到第i个变量在扩展矩阵中的偏导数;是离线训练Xh中第j个观测向量;是在线监测观测向量;得到核映射矩阵的一阶偏导数是在线监测向量第i个变量对于第j个观测向量的贡献:
<mrow>
<mi>c</mi>
<mo>_</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&sigma;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>.</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>...</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&sigma;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>.</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>h</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
则T2统计量对数据X*的变量xn的一阶偏导数为:
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>T</mi>
<mn>2</mn>
</msup>
<mo>,</mo>
<msub>
<mi>&chi;</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>&gamma;</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&gamma;</mi>
<mo>-</mo>
<mi>h</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mi>&gamma;</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>_</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>...</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>V&Lambda;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mi>B</mi>
<mi>d</mi>
</msub>
<mo>|</mo>
<msup>
<msub>
<mo>|</mo>
<mi>j</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
其中,Λ为格拉姆矩阵特征值构成对角矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410849339.9A CN104656635B (zh) | 2014-12-31 | 2014-12-31 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410849339.9A CN104656635B (zh) | 2014-12-31 | 2014-12-31 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104656635A CN104656635A (zh) | 2015-05-27 |
CN104656635B true CN104656635B (zh) | 2017-10-13 |
Family
ID=53247896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410849339.9A Active CN104656635B (zh) | 2014-12-31 | 2014-12-31 | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104656635B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897509B (zh) * | 2017-02-16 | 2020-06-16 | 大连理工大学 | 一种动态非高斯结构监测数据异常识别方法 |
CN109308225B (zh) * | 2017-07-28 | 2024-04-16 | 上海中兴软件有限责任公司 | 一种虚拟机异常检测方法、装置、设备及存储介质 |
CN108170648B (zh) * | 2017-12-15 | 2021-05-18 | 宁波大学 | 一种基于已知数据回归的非高斯过程监测方法 |
CN108181894B (zh) * | 2017-12-15 | 2020-11-24 | 宁波大学 | 一种基于修剪独立元回归策略的非高斯过程监测方法 |
CN108153267B (zh) * | 2017-12-15 | 2020-06-30 | 宁波大学 | 一种基于误差主元分析模型的工业过程监测方法 |
CN108445867B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于分散式icr模型的非高斯过程监测方法 |
CN108681653A (zh) * | 2018-06-05 | 2018-10-19 | 重庆科技学院 | 基于动态子空间高阶累积量分析的天然气净化过程异常监测方法 |
CN108803520B (zh) * | 2018-06-11 | 2020-06-16 | 宁波大学 | 一种基于变量非线性自相关性剔除的动态过程监测方法 |
CN110346160B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN110852585B (zh) * | 2019-10-30 | 2022-05-10 | 北京师范大学 | 植被生长稳定性的计算方法及装置 |
WO2023133683A1 (zh) * | 2022-01-11 | 2023-07-20 | 东北大学 | 基于特征回归的多视角数据异常工况检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6095681A (en) * | 1998-07-28 | 2000-08-01 | The United States Of America As Represented By The Secretary Of Commerce | Method for operating a sensor to differentiate between analytes in a sample |
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN103245759A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于自回归全潜结构投影模型的产品质量监测方法 |
CN103488091A (zh) * | 2013-09-27 | 2014-01-01 | 上海交通大学 | 一种数据驱动的基于动态成分分析的控制过程监控方法 |
CN103729569A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 |
CN103853152A (zh) * | 2014-03-21 | 2014-06-11 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
-
2014
- 2014-12-31 CN CN201410849339.9A patent/CN104656635B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6095681A (en) * | 1998-07-28 | 2000-08-01 | The United States Of America As Represented By The Secretary Of Commerce | Method for operating a sensor to differentiate between analytes in a sample |
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN103245759A (zh) * | 2013-03-28 | 2013-08-14 | 杭州电子科技大学 | 基于自回归全潜结构投影模型的产品质量监测方法 |
CN103488091A (zh) * | 2013-09-27 | 2014-01-01 | 上海交通大学 | 一种数据驱动的基于动态成分分析的控制过程监控方法 |
CN103729569A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 |
CN103853152A (zh) * | 2014-03-21 | 2014-06-11 | 北京工业大学 | 一种基于ar-pca的间歇过程故障监测方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive kernel principal component analysis for nonlinear dynamic process monitoring;Chakour Chouaib;《Control Conference (ASCC)》;20130923;全文 * |
Adaptive PCA based fault diagnosis scheme in Imperial Smelting Process;Hu Zhikun;《2013 10th IEEE International Conference on Control and Automation (ICCA)》;20130614;全文 * |
基于多元统计分析的非高斯过程的故障诊断;樊继聪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S2期);全文 * |
基于核PLS方法的非线性过程在线监控;胡益 等;《化工学报》;20110930;第62卷(第9期);全文 * |
基于统计模量分析间歇过程故障检测方法研究;张成等;《仪器仪表学报》;20130930;第34卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104656635A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104656635B (zh) | 非高斯动态高含硫天然气净化过程异常检测与诊断方法 | |
CN104635724B (zh) | 基于动态核独立分量分析的天然气净化过程异常检测方法 | |
Bui et al. | Flexible operation of CSIRO's post-combustion CO2 capture pilot plant at the AGL Loy Yang power station | |
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN101825502B (zh) | 汽机带疏水冷却器的加热器出水及疏水温度测算方法 | |
CN104636600A (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
CN101169623A (zh) | 基于核主元分析贡献图的非线性过程故障辨识方法 | |
CN104657586B (zh) | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 | |
CN104656441A (zh) | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 | |
Sahraie et al. | An optimization framework to investigate the CO2 capture performance by MEA: Experimental and statistical studies using Box-Behnken design | |
CN104199441B (zh) | 基于稀疏贡献图的高炉多工况故障分离方法及系统 | |
CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN108764305A (zh) | 一种改进的群智能机器学习故障诊断系统 | |
Heo et al. | Internal leakage detection for feedwater heaters in power plants using neural networks | |
CN104504271A (zh) | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 | |
Peng et al. | Real-time simulations to enhance distributed on-line monitoring and fault detection in Pressurized Water Reactors | |
CN202677707U (zh) | 多功能传热实训装置 | |
CN108762242A (zh) | 一种基于多块典型相关分析模型的分布式故障检测方法 | |
CN103529161A (zh) | 选择性催化还原法脱硝系统催化剂活性的检测装置和方法 | |
CN104801096A (zh) | 一种智能型前置过滤器在线监测与诊断装置及方法 | |
Gupta et al. | Forecasting of Fouling in Air Pre-Heaters Through Deep Learning | |
CN103995985A (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
CN1570629A (zh) | 基于限定记忆部分最小二乘算法的4-cba含量在线软测量建模方法 | |
CN106782703A (zh) | 一种核电站一回路冷却剂泄漏的软测量方法 | |
CN101852658B (zh) | 汽机带蒸冷和疏冷器加热器出水及疏水温度测算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |