CN108873853A - 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法 - Google Patents

Abstract

本发明公开了一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法。本发明从整个汽水系统出发，根据系统分布式的思想将汽水系统根据系统物理结构划分成下层各类子设备。在下层，利用慢特征分析提取各设备的特征，独立监测各个子设备的动静态特性和设备变量间的线性关系；在上层系统，综合各子设备所提取过程特征，利用核慢特征分析对整个系统的动静态特性和设备间的非线性关系。本方法不仅可以实现对不同设备的独立监测，同时将不同类型的设备不同特性的过程变量转化成相同类型的特征，可以进一步协同各类设备的信息对整个系统进行全局监测，简化了整个系统的监测任务，监测设备间的非线性关系，同时提取的动静态信息可以帮助统能有效地区分系统及子设备的正常的工况切换和过程故障，提高了火电机组汽水系统状态监测性能。

Description

一种基于分层慢特征分析的智能电厂汽水系统分布式监测 方法

技术领域

本发明属于工业系统过程监测领域，是针对大规模智能电厂燃煤发电机组汽水系统的状态监测方法。

背景技术

随着国民经济的迅速发展和人民生活水平的提高，社会对能源的需求在不断提升。21世纪，电力工业发展迅速，尽管以风能、太阳能为代表的新能源得到巨大发展，但受一次能源结构的限制，我国以煤为主的电力生产格局在很长一段时间内不可能改变。截至2014年底，全国全口径发电装机容量为13.6亿千瓦，其中火电装机容量9.2亿千瓦，30万千瓦及以上火电机组比例达到77.7％。为满足国民经济发展的需要，加快电力发展的步伐，确保大型燃煤火力发电机组的长期可靠安全经济运行对我国电力工业生产具有重大意义。

汽轮发电机组是火电厂关键设备，具有投资大、结构复杂、工作条件特殊(高温、高压、高转速)、连续运行要求高等特点。随着机组不断朝大型化和高参数方向发展，单台机组的投资规模和影响更大，一旦出现故障引起的非计划停机，中断发电，造成的损失和影响非常大。所以对机组的安全性要求更高。同时电站汽水系统生产运行环境复杂，一旦出现异常轻则造成系统局部故障或设备停止运转，重则带来重大事故，造成电站人员伤亡及财产损失。同时关于汽轮机组等相关设备的实际运行经验积累尚比较少，而且随着电厂设备自动化水平的不断提高，运行人员数量也大幅度减少。因此如何在提高电厂设备经济优化运行的同时，保证设备安全性，管理和使用好这类重大关键设备，提高其运行的稳定性、可靠性、安全性以及使用寿命，避免造成重大事故和影响电力供应，成为急待解决的关键问题，有必要进行深入的研究工作。

近代故障诊断技术己经经历了近30年的发展，它的兴起与发展是结合工程实际需要与多学科理论进步的结果，国内外学者对火电机组状态监测和故障诊断理论与方法也进行了广泛的研究，概括说来，火电机组状态监测与故障诊断方法主要包括基于解析模型的方法和基于数据驱动的方法。随着电站设备集成度越来越高，系统越来越复杂，基于数据驱动方法的技术越来越多的应用到热力系统的状态监测和故障诊断中。基于解析模型的方法需要对对象及故障机理有深刻的认识，然而对于火电机组这样的复杂非线性系统，其结构复杂、动态时变以及强耦合特性严重，使得难以建立精确的解析模型完成状态监测和故障诊断。基于数据驱动的方法通过对系统运行数据进行分析处理，从而在不需知道诊断对象的先验知识和系统精确解析模型的情况下完成系统的状态监测与故障诊断，主要包括多元统计的方法和人工智能的方法。

然而，这些方法将所有变量当作一个整体进行分析建模，难以揭示大规模过程中复杂多样的非线性变量相关性。同时，早期的研究多采用单一诊断方法，针对单一故障或设备的检测与诊断，汽水系统是一个包含各类系统同时包含线性和非线性关系，并且变量间高度耦合的复杂系统,制约了现有的状态监测和故障诊断技术在汽水系统中的应用。并且现有的大部分多元统计分析仅仅分析了过程的静态特性，而忽视了过程的动态信息。在实际工业过程中，由于工况切换、产品变更等原因，过程往往存在着较强的动态变化，这些动态特性亦包含了有利于过程监测的关键信息。

基于前人的研究，本发明针对大规模火力发电机组汽水系统，结合系统级分布式思想，基于数据驱动，提出一种动静态特性协同分析的系统级分布式建模和监测方法。火电机组的汽水系统是中由许多下层设备构成的，下层设备各自独立又相互协同地维护系统运行，相同设备的变量间存在线性相关性，不同设备的变量间存在的非线性相关性。所以本方法从工业系统分布式角度出发，将大型工业系统监测任务根据功能结构划分，首先在下层利用慢特征(SFA)分析对每个设备的动静态特性单独建模和监测，然后在上层利用核慢特征(KSFA)分析综合分析各个设备间的非线性关系以及整个汽水系统的动静态特性。本方法不仅能对分析单个设备的动静态特性和其变量间的线性相关关系，同时本方法进一步可以协同各个设备，综合分析整个汽水系统的动静态特性以及不同设备变量间的非线性相关性，在实现对个单个设备状态监测的基础上实现了对整个系统的状态监测，改善了监测性能并能有效地区分正常的工况切换和过程故障。本方法到目前为止，尚未见到与本发明相关的研究报道。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法。

本发明采用如下技术方案：一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法，本方法包含以下步骤：

(1)首先根据汽水系统结构进行分布式划分，划分出下层各个子设备变量组(包括汽轮机本体变量组、给水泵变量组、高低压加热器变量组等)，每个变量组包括该设备的重要可测变量设及流量、转速、振动幅值、振动频率等。设对于一个包含J个变量的下层子设备，每次采样可以得到一个1×J的向量，采样M次后得到一个正常过程下的二维设备变量矩阵Xd_i(M×J)，其中i表示第i个子设备，i＝1,2,……n，其中n对应子设备个数。

(2)数据标准化：经过上述步骤得到了若干个设备变量矩阵Xd_i(M×J)，依次对每个矩阵按列减去该列的均值，并除以该列标准差进行标准化，获得标准化后的设备变量矩阵X_i(i＝1,2,...,n)。

(3)下层建模：X_i表示第i个设备标准化后的变量矩阵，在下层，对X_i进行SFA建模，目标函数描述如下：

其中，argmin{}表示函数在函数取值最小时的自变量取值，tr()表示矩阵的迹，即矩阵主对角线元素的总和，I为单位矩阵，Ω_i是设备变量矩阵X_i的协方差矩阵，是设备变量矩阵的一阶导数的协方差矩阵。W_i是所求取的投影方向构成的矩阵，称为负载矩阵。下层子设备动静态指标的求解包括如下步骤：

(3.1)上述目标函数化为以下特征值分解问题进行求解：

其中，L_i是对应特征值所构成的对角矩阵。基于此，慢特征S_i和时序的慢特征计算如下：

S_i＝X_iW_i (1.3)

(3.2)利用慢特征准则划分慢特征，该准则表示为：

其中，card{}表示计算集合中的元素个数。

计算两类统计监测指标：

●静态监测指标

●动态监测指标

其中

考虑到汽水系统工作在高频振动的工作环境中，系统周围噪声干扰严重，采集到各类信号中包含较强噪声，残差空间中变量相关性较弱，无法表征系统运行特征，所以针对汽轮机子设备分析时仅分析系统慢特征即可。

(4)上层建模：在上层，将每个设备的变量组的系统慢特征组合S_i,s起来构成上层的样本，记为x_sp,i(i＝1,2,...,n)。采用核慢特征分析(KSFA)表征整个过程的非线性分布特性，具体步骤如下：

(4.1)设各个设备组合成的上层样本为X_sp＝[x_sp,1,x_sp,2,...,x_sp,n]，KSFA是通过核函数将原始数据映射到高维特征空间后，在高维空间进行SFA变换提取慢特征S_sp＝X_spW_sp，W_sp是核慢特征的负载矩阵。由于核函数的引入，KSFA算法具有处理非线性特征的能力。设Φ表示核函数，F表示特征空间，则在特征空间中的协方差矩阵Ω^F和时序协方差矩阵计算公式如下：

其中，Φ(X_sp)和分别表示特征空间中经过中心化处理的测量数据，N为数据X_sp维度。

将KSFA的目标函数转化为对的特征根求解问题。引入一个中间变量a^T＝[a₁,a₂,...,a_N]，该变量满足其中，w_sp是W_sp的列向量。KSFA的目标函数化为以下的特征根分解问题：

其中，和是特征空间中中心化的核函数矩阵，由以下公式求得：

其中，下标u和v分表示核函数矩阵的第u行和第v列,K_uv和分别对应和的第u行第v列个元素，k()表示核函数方程，l_N是N维的单位阵。

将KSFA的目标函数转化为求的特征根问题。令 是K^*的一个特征向量，该特征向量对应的慢特征为：s_sp,j＝K^*b_j。

(4.2)经过KSFA建模后，可以得到慢特征矩阵S_sp＝[s_sp,1,s_sp,2,...,s_sp,N]。同理，为了选取系统慢特征，将公式(1.5)拓展到高维特征空间，其表达如下：

其中，为s_sp,j的一阶差分，表示矩阵对角线上第j个元素；同理，表示Φ(x_sp,j)^TΦ(x_sp,j)矩阵对角线上第j个元素。通过上述选取准则，上层慢特征也被划分为两部分：系统上层慢特征S_sp,s和残差上层慢特征S_sp,f。计算上层系统动态监测指标和静态监测指标如下：

上层残差部分动态监测指标和静态监测指标如下：

其中，静态指标和用以衡量全过程的静态非线性特性，动态指标和评估了过程的全局非线性动态特性。

(5)两层分布式协同监测：当获得新样本时，根据建模阶段所得的变量组划分结果对新样本进行划分。然后调用历史正常数据的标准化信息，包括每列的均值和标准差，对新样本进行标准化处理，每一列减去对应的正常数据的均值，然后除以对应的标准差。最后调用分布式的过程模型对样本计算上下层监测指标进行在线监测，得到以下的监测结果：

(5.1)底层监测结果

(1)如果T_i ²和D_i ²均超过控制限，则意味着汽水系统的第i个设备的动静态线性模式被破坏，从而发生了故障；

(2)如果T_i ²和D_i ²超限后又恢复正常，则意味该扰动并未影响第i个设备的动态特性。这说明局部过程进入了一个新的工作模式，该模式具有新的静态特性且未包含在历史数据库中；

(3)如果T_i ²和D_i ²均没有超过控制限，则表明第i个设备仍处于当前正常的工作状态。

基于底层的监测结果，可以知道局部子设备运行状态是否受到过程故障或者工作模式改变的影响。然而，子设备过程局部特性未受影响并不能说明系统过程的全局特性未受影响。因此，进一步进行了上层的系统过程的全局特性的监测。

(5.2)上层监测结果，其中，和协同，统一用表示，和协同，统一用表示：

3)若汽水系统的子设备特性未受影响

(1.1)如果和都超限，则说明发生了过程故障，且该故障影响了不同的设备变量间的非线性相关性，但是并未影响设备内的线性特性；

(1.2)如果和超限后先超限然后恢复正常，则说明系统过程的全局非线性动态特性未受影响，而整个汽水系统进入了一个新的工作模式，该工作模式具有新的全局的静态非线性相关性。

(1.3)如果和都未超限，则说明汽水系统过程的局部和全局的特性都未受影响。

4)若子设备的局部特性受到影响

(2.1)如果和都超限，则说明发生了过程故障，且该故障不仅影响了局部子设备的线性动静态特性，而且使得不同设备变量组间的非线性相关性也遭到了破坏，控制器无法调节；

(2.2)如果和超限后先超限然后恢复正常，则意味着整个系统进入了一个新的工作模式，该工作模式的子设备内部动静态特性和系统全局动静特性均发生了显著变化；

(2.3)如果和都未超限，则说明该扰动仅仅影响了子设备的特性。

附图说明

图1是汽水系统分布式监测流程图；

图2是汽轮机本体的动静态指标的变化情况图；

图3是给水泵、凝汽器和凝结水泵的动静态指标的变化情况图；

图4是上层汽水系统的综合检测动静态指标的变化情况图。

具体实施方式

下面结合附图及火力发电机组汽水系统具体实例，对本发明作进一步详细说明。

本发明所用数据均采集自嘉兴发电厂的二期机组，由于嘉兴发电厂二期的业主是浙江嘉华发电有限责任公司，所以机组以“嘉华”命名。二期工程有四台机组，分别为嘉华3号机、嘉华4号机、嘉华5号机以及嘉华6号机，装机容量皆为60万千瓦。本发明所用数据只涉及到嘉华3号机。针对汽水系统过程的研究总共涉及四种设备，包含26个变量，其中包括9个汽轮机本体过程变量，6个给水泵过程变量，8个凝汽器变量，3个凝结水泵变量，这些变量包括压力、温度、流量等。

如图1所示，本发明是针对大规模火力发电机组汽水系统动静态协同分析的系统级分布式建模与监测方法，包括以下步骤：

(1)首先根据汽水系统结构进行分布式划分，划分出下层四个子设备变量组(包括汽轮机本体变量组、给水泵变量组、凝汽器变量组和凝结水泵变量组)，每个变量组包括该设备的重要可测变量。设对于一个下层子设备包含J个变量，每次采样可以得到一个1×J的向量，采样M次后得到一个正常过程下的二维设备变量矩阵Xd_i(M×J)，其中i表示第i个子设备，i＝1,2,……n，其中n对应下层子设备个数。

(2)数据标准化：经过上述步骤得到了若干个设备变量矩阵Xd_i(M×J)，依次对每个矩阵按列减去该列的均值，并除以该列标准差进行标准化，获得标准化后的设备变量矩阵X_i(i＝1,2,...,n)。

(3)下层建模：X_i表示第i个设备标准化后的变量矩阵，在下层，对X_i进行SFA建模，目标函数描述如下：

其中，argmin{}表示函数在函数取值最小时的自变量取值，tr()表示矩阵的迹，即矩阵主对角线元素的总和，I为单位矩阵，Ω_i是设备变量矩阵X_i的协方差矩阵，是设备变量矩阵的一阶导数的协方差矩阵。W_i是所求取的投影方向构成的矩阵，称为负载矩阵。下层子设备动静态指标的求解包括如下步骤：

(3.1)上述目标函数化为以下特征值分解问题进行求解：

其中，L_i是对应特征值所构成的对角矩阵。基于此，慢特征S_i和时序的慢特征计算如下：

(3.2)利用慢特征准则划分慢特征，该准则表示为：

其中，card{}表示计算集合中的元素个数。因此在子设备变量组中，慢特征被划分为两部分：(1)系统慢特征S_i,s；(2)残差慢特征S_i,f。由于电厂火电机组数据中，汽水系统的四种设备的有效测点较少，每种设备的过程变量并不多，所以针对嘉华电厂的汽水系统子设备分析所得慢特征全部作为系统慢特征，所以计算两类统计监测指标：

●静态监测指标

●动态监测指标

其中

(4)上层建模：在上层，将每个设备的变量组的系统慢特征组合S_i,s起来构成上层的样本，记为x_sp,i(i＝1,2,...,n)。采用核慢特征分析(KSFA)表征整个过程的非线性分布特性，具体步骤如下：

(4.1)设各个设备组合成的上层样本为X_sp＝[x_sp,1,x_sp,2,...,x_sp,n]，KSFA是通过核函数将原始数据映射到高维特征空间后，在高维空间进行SFA变换提取慢特征S_sp＝X_spW_sp，W_sp是核慢特征的负载矩阵。由于核函数的引入，KSFA算法具有处理非线性特征的能力。设Φ表示核函数，F表示特征空间，则在特征空间中的协方差矩阵Ω^F和时序协方差矩阵计算公式如下：

其中，Φ(X_sp)和分别表示特征空间中经过中心化处理的测量数据，N为数据X_sp维度。

将KSFA的目标函数转化为对的特征根求解问题。引入一个中间变量a^T＝[a₁,a₂,...,a_N]，该变量满足其中，w_sp是W_sp的列向量。KSFA的目标函数化为以下的特征根分解问题：

其中，和是特征空间中中心化的核函数矩阵，由以下公式求得：

其中，下标u和v分表示核函数矩阵的第u行和第v列,K_uv和分别对应和的第u行第v列个元素，k()表示核函数方程，l_N是N维的单位阵。

将KSFA的目标函数转化为求的特征根问题。令 是K^*的一个特征向量，该特征向量对应的慢特征为：s_sp,j＝K^*b_j。

(4.2)经过KSFA建模后，可以得到慢特征矩阵S_sp＝[s_sp,1,s_sp,2,...,s_sp,N]。同理，为了选取系统慢特征，将公式(1.5)拓展到高维特征空间，其表达如下：

其中，为s_sp,j的一阶差分，表示矩阵对角线上第j个元素；同理，表示Φ(x_sp,j)^TΦ(x_sp,j)矩阵对角线上第j个元素。通过上述选取准则，上层慢特征也被划分为两部分：系统上层慢特征S_sp,s和残差上层慢特征S_sp,f。计算上层系统动态监测指标和静态监测指标如下：

上层残差部分动态监测指标和静态监测指标如下：

其中，静态指标和用以衡量全过程的静态非线性特性，动态指标和评估了过程的全局非线性动态特性。

(5)两层分布式协同监测：当获得新样本时，根据建模阶段所得的变量组划分结果对新样本进行划分。然后调用历史正常数据的标准化信息，包括每列的均值和标准差，对新样本进行标准化处理，每一列减去对应的正常数据的均值，然后除以对应的标准差。最后调用分布式的过程模型对样本计算上下层监测指标进行在线监测，得到以下的监测结果：

(5.1)底层监测结果

(1)如果和均超过控制限，则意味着汽水系统的第i个设备的动静态线性模式被破坏，从而发生了故障；

(2)如果和超限后又恢复正常，则意味该扰动并未影响第i个设备的动态特性。这说明局部过程进入了一个新的工作模式，该模式具有新的静态特性且未包含在历史数据库中；

(3)如果和均没有超过控制限，则表明第i个设备仍处于当前正常的工作状态。

基于底层的监测结果，可以知道局部子设备运行状态是否受到过程故障或者工作模式改变的影响。然而，子设备过程局部特性未受影响并不能说明系统过程的全局特性未受影响。因此，进一步进行了上层的系统过程的全局特性的监测。

(5.2)上层监测结果，其中，和协同，统一用表示，和协同，统一用表示：

5)若汽水系统的子设备特性未受影响

(1.1)如果和都超限，则说明发生了过程故障，且该故障影响了不同的设备变量间的非线性相关性，但是并未影响设备内的线性特性；

(1.2)如果和超限后先超限然后恢复正常，则说明系统过程的全局非线性动态特性未受影响，而整个汽水系统进入了一个新的工作模式，该工作模式具有新的全局的静态非线性相关性。

(1.3)如果和都未超限，则说明汽水系统过程的局部和全局的特性都未受影响。

6)若子设备的局部特性受到影响

(2.1)如果和都超限，则说明发生了过程故障，且该故障不仅影响了局部子设备的线性动静态特性，而且使得不同设备变量组间的非线性相关性也遭到了破坏，控制器无法调节；

(2.2)如果和超限后先超限然后恢复正常，则意味着整个系统进入了一个新的工作模式，该工作模式的子设备内部动静态特性和系统全局动静特性均发生了显著变化；

(2.3)如果和都未超限，则说明该扰动仅仅影响了子设备的特性。

图2、3、4是本方法用于嘉华电厂火电机组汽水系统的监测结果，本发明所用的数据是现场数据，包含很多的噪声干扰，验证数据从第10个采样点开始出现故障。从图2可以知道，汽轮机本体动静态指标均超限说明发生了故障，图3显示给水泵、凝汽器和凝结水泵的动静态指标均未超限说明其运行状态良好，其中给水泵的静态指标短暂的超限是受到数据包含的现场噪声影响；从图4的汽水系统上层监测结果可见，静态指标在故障发生初期短暂超限，波动与汽轮机本体指标的波动协同，说明汽轮机本体的变化对汽水系统的运行产生一定的影响，但是不足以完全破坏汽水系统的运行。综合上下两层结果可以看出汽水系统中汽轮机本体发生一定的故障，但是给水泵等其他设备保持良好的运行状态，并未受到其影响，整个系统的运行状态受到一定的影响，但是没有完全被破坏。根据现场报告显示故障确实发生在3号机汽轮机轴振2X低报警和机盖振2Y低报警。

Claims (1)

1.一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法，其特征在于，包含以下步骤：

(1)首先根据汽水系统结构进行分布式划分，划分出下层各个子设备变量组，每个变量组包括该设备的可测变量。设对于一个包含J个变量的下层子设备，每次采样可以得到一个1×J的向量，采样M次后得到一个正常过程下的二维设备变量矩阵Xd_i(M×J)，其中i表示第i个子设备，i＝1,2,……n，其中n对应子设备个数。

(2)数据标准化：经过上述步骤得到了若干个设备变量矩阵Xd_i(M×J)，依次对每个矩阵按列减去该列的均值，并除以该列标准差进行标准化，获得标准化后的设备变量矩阵X_i(i＝1,2,...,n)。

(3)下层建模：X_i表示第i个设备标准化后的变量矩阵，在下层，对X_i进行SFA建模，目标函数描述如下：

其中，argmin{}表示函数在函数取值最小时的自变量取值，tr()表示矩阵的迹，即矩阵主对角线元素的总和，I为单位矩阵，Ω_i是设备变量矩阵X_i的协方差矩阵，是设备变量矩阵的一阶导数的协方差矩阵。W_i是所求取的投影方向构成的矩阵，称为负载矩阵。下层子设备动静态指标的求解包括如下步骤：

(3.1)上述目标函数化为以下特征值分解问题进行求解：

其中，L_i是对应特征值所构成的对角矩阵。基于此，慢特征S_i和时序的慢特征计算如下：

S_i＝X_iW_i (1.3)

(3.2)利用慢特征准则划分慢特征，该准则表示为：

其中，card{}表示计算集合中的元素个数。

计算两类统计监测指标：

●静态监测指标

●动态监测指标

其中

(4)上层建模：在上层，将每个设备的变量组的系统慢特征组合S_i,s起来构成上层的样本，记为x_sp,i(i＝1,2,...,n)。采用核慢特征分析(KSFA)表征整个过程的非线性分布特性，具体步骤如下：

(4.1)设各个设备组合成的上层样本为X_sp＝[x_sp,1,x_sp,2,...,x_sp,n]，KSFA是通过核函数将原始数据映射到高维特征空间后，在高维空间进行SFA变换提取慢特征S_sp＝X_spW_sp，W_sp是核慢特征的负载矩阵。由于核函数的引入，KSFA算法具有处理非线性特征的能力。设Φ表示核函数，F表示特征空间，则在特征空间中的协方差矩阵Ω^F和时序协方差矩阵计算公式如下：

其中，Φ(X_sp)和分别表示特征空间中经过中心化处理的测量数据，N为数据X_sp维度。

将KSFA的目标函数转化为对的特征根求解问题。引入一个中间变量a^T＝[a₁,a₂,...,a_N]，该变量满足其中，w_sp是W_sp的列向量。KSFA的目标函数化为以下的特征根分解问题：

其中，和是特征空间中中心化的核函数矩阵，由以下公式求得：

其中，下标u和v分表示核函数矩阵的第u行和第v列,K_uv和分别对应和的第u行第v列个元素，k()表示核函数方程，l_N是N维的单位阵。

将KSFA的目标函数转化为求的特征根问题。令 是K^*的一个特征向量，该特征向量对应的慢特征为：s_sp,j＝K^*b_j。

(4.2)经过KSFA建模后，可以得到慢特征矩阵S_sp＝[s_sp,1,s_sp,2,...,s_sp,N]。同理，为了选取系统慢特征，将公式(1.5)拓展到高维特征空间，其表达如下：

其中，为s_sp,j的一阶差分，表示矩阵对角线上第j个元素；同理，表示Φ(x_sp,j)^TΦ(x_sp,j)矩阵对角线上第j个元素。通过上述选取准则，上层慢特征也被划分为两部分：系统上层慢特征S_sp,s和残差上层慢特征S_sp,f。计算上层系统动态监测指标和静态监测指标如下：

上层残差部分动态监测指标和静态监测指标如下：

其中，静态指标和用以衡量全过程的静态非线性特性，动态指标和评估了过程的全局非线性动态特性。

(5)两层分布式协同监测：当获得新样本时，根据建模阶段所得的变量组划分结果对新样本进行划分。然后调用历史正常数据的标准化信息，包括每列的均值和标准差，对新样本进行标准化处理，每一列减去对应的正常数据的均值，然后除以对应的标准差。最后调用分布式的过程模型对样本计算上下层监测指标进行在线监测，得到以下的监测结果：

(5.1)底层监测结果

(1)如果T_i ²和均超过控制限，则意味着汽水系统的第i个设备的动静态线性模式被破坏，从而发生了故障；

(2)如果T_i ²和超限后又恢复正常，则意味该扰动并未影响第i个设备的动态特性。这说明局部过程进入了一个新的工作模式，该模式具有新的静态特性且未包含在历史数据库中；

(3)如果T_i ²和均没有超过控制限，则表明第i个设备仍处于当前正常的工作状态。

基于底层的监测结果，可以知道局部子设备运行状态是否受到过程故障或者工作模式改变的影响。然而，子设备过程局部特性未受影响并不能说明系统过程的全局特性未受影响。因此，进一步进行了上层的系统过程的全局特性的监测。

(5.2)上层监测结果，其中，和协同，统一用表示，和协同，统一用表示：

1)若汽水系统的子设备特性未受影响

(1.1)如果和都超限，则说明发生了过程故障，且该故障影响了不同的设备变量间的非线性相关性，但是并未影响设备内的线性特性；

(1.2)如果和超限后先超限然后恢复正常，则说明系统过程的全局非线性动态特性未受影响，而整个汽水系统进入了一个新的工作模式，该工作模式具有新的全局的静态非线性相关性。

(1.3)如果和都未超限，则说明汽水系统过程的局部和全局的特性都未受影响。

2)若子设备的局部特性受到影响

(2.1)如果和都超限，则说明发生了过程故障，且该故障不仅影响了局部子设备的线性动静态特性，而且使得不同设备变量组间的非线性相关性也遭到了破坏，控制器无法调节；

(2.2)如果和超限后先超限然后恢复正常，则意味着整个系统进入了一个新的工作模式，该工作模式的子设备内部动静态特性和系统全局动静特性均发生了显著变化；

(2.3)如果和都未超限，则说明该扰动仅仅影响了子设备的特性。