CN109283912A - 一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法 - Google Patents

Abstract

本发明公开了一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法。本发明对上层制粉系统过程划分成各类下层子设备。对下层子设备，利用慢特征分析提取子设备的动静态信息及子设备内部变量的线性相关性，实现对各个子设备的独立监测；在上层系统，利用核慢特征分析，提取整个制粉系统的动静态信息及不同子设备变量组间的非线性相关性，实现对整个制粉系统过程全局状态的监测。本方法不仅能对制粉系统中单个子设备运行状态进行监测，同时可以协同各个子设备，综合分析整个制粉系统运行的动静态特性，改善了监测性能并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，大大提高了工业大规模系统状态监测和故障检测的性能。

Description

一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静 协同综合监测方法

技术领域

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

背景技术

电力工业是我国国民经济中的支柱型产业，随着我国经济与科技的飞速发展，社会对电力的需求不断提高。在我国的电源结构中，火力发电一直是中国的主力电源。现代工业系统的规模和复杂程度都在日益提高，火力发电过程日趋复杂化、大型化发展，一旦出现异常，都可能带来重大的财产损失和人员伤亡。同时电厂锅炉制粉系统是火电厂机组的一个重要组成部分，它的经济调整直接影响整个火电发电厂运行的经济效益。因此，为了保证制粉系统在运行的安全性与可靠性，提高火电机组经济效益，及时发现系统运行中的异常情况并进行处理，减少生产中的安全隐患，提高设备使用周期，十分有必要采用有效手段对制粉系统进行实时监测和故障检测。

火力发电机组是由多个设备、多个子系统组成的复杂的大范围连续生产系统。各子系统之间存在着高维非线性的关联关系，并且故障类型多，机理各不相同，具有典型的分布式特点。所以针对火力发电机组系统的状态监测与故障检测必须适应火力发电机组的特点，才能在实现迅速、准确的诊断，为运行管理人员及时提供可靠的信息。

随着传感技术的发展，在工业现场获得数据变得越来越容易，过程数据中蕴含了大量的过程信息，基于数据的状态监测和故障监测逐渐成为研究的热点。在过去的几十年时间里，过程监测和故障检测技术得到了广泛研究和发展，大量研究成果得到发表，前人对基于数据的故障检测和故障诊断作出了相应的研究。主成分分析(PCA)，偏最小二乘(PLS)和费舍尔判别分析(FDA)等多元统计分析方法已经被广泛应用于基于数据的过程监测领域。然而，这些方法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特性，这些动态特性亦包含了有利于过程监测的关键信息。具体地说，静态特性反映了过程在稳定工况的工作模式，而动态特性则反映了过程的受控情况(实际工业过程中往往存在着闭环控制系统)。因而，为了确保过程安全生产和提高产品性能，同时提取和分析过程动静态特性进行过程监测是十分必要的。前人提出了一系列的基于动态特性分析的过程监测方法，在实际应用中卓有成效。其中，尚超等人将慢特征分析(Slow Feature Analysis，SFA)应用于工业过程监测，分别提取过程的动静态特性，并建立不同的统计指标用于衡量不同的过程特性的变化，取得了较好的监测性能。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变量相关性。

针对电力系统这样一个日趋复杂的大系统的故障诊断问题，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，而在综合运用各种方法、诊断多设备故障方面研究甚少，难以适应电力系统的实际情况。随着信息技术、计算机网络技术以及人工智能的技术的发展，针对火力发电机组的功能分布和地域分布的特点，分布式监测诊断技术逐渐发展。后来出现了分布式控制系统DCS(Distributed Control System)(又称集散控制系统),以其高可靠性、高性能、分散控制、集中监视和管理的优良特性赢得了工业界广大用户的青睐，成为大型工业控制系统的发展趋势。系统级分布式监测与诊断技术的主要思想是根据研究对象在结构和功能上的分布性和层次性特点，将系统监测诊断任务递归分解(即把整个系统的监测诊断分解为各个子系统的监测诊断)。系统的诊断任务由多个具有不同知识面的诊断系统协作完成。每个诊断子系统根据自己的监测诊断方法或领域知识对任务进行求解，并将求解结果交给结论融合子系统进行融合，最终形成大系统监测诊断任务的求解结果。这种分而治之的分布式诊断思想能够充分发挥单个系统或设备诊断系统的功能，综合运用多种监测诊断方法进行综合分析，提高监测诊断系统的实时性和可靠性，增加准确性和系统的智能性，设计思想如图1。近年来分布式监测诊断模式在医学、航空各个领域均有应用，在电力系统方面也有应用要集中在汽轮机和电气设备方面。

本发明针对大规模火力发电机组制粉系统，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。火电机组的制粉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制粉系统的动静态特性。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，综合分析整个制粉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智能火电机组制粉系统，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。

本发明的目的是通过以下技术方案实现的：面向大规模火力发电机组制粉系统的动静态特性协同分析的系统级分布式建模和监测方法，包括以下步骤：

(1)首先根据制粉系统结构进行分布式划分，划分出下层各个子设备变量组(包括磨煤机变量组、给煤机变量组、一次风机变量组等)，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：

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。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。针对所分离的两组慢特征，计算两类统计监测指标：

●静态监测指标

●动态监测指标

(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Ω^F 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：(其中，和协同，统一用表示，D² _i,f和D² _i,s协同，统一用表示。)

(5.1)底层监测结果

(1)如果和均超过控制限，则意味着第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：

3)若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，且该故障仅影响了不同的设备变量间的非线性相关性，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不同设备变量组间的非线性动静态相关性，而且影响了局部子设备的线性动静态特性；

(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。

本发明的有益效果为：本方法从工业系统分布式角度出发，将智能电厂火电机组制粉系统监测任务根据功能结构划分，划分成下层不同子设备变量组，不仅能对单个设备的动静态特性进行监测，区分正常的工况切换和过程故障；同时本方法进一步可以协同各个设备，综合分析整个制粉系统的动静态特性以及不同设备变量间的非线性相关性，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。

附图说明

图1是系统级分布式监测流程图；

图2是各个子设备的动静态指标的变化情况图；

图3是上层制粉系统的监测结果。

具体实施方式

下面结合附图及火力发电机组制粉系统具体实例，对本发明作进一步详细说明。

电厂锅炉制粉系统是火电厂机组的一个重要组成部分，它的经济调整直接影响整个火电发电厂运行的经济效益，因此对火电机组制粉系统的状态监测与故障检测有着十分重要的意义。本发明以浙江嘉华电厂3号机组制粉系统为例，该机组功率为60万千瓦。针对制粉系统过程的研究总共包含57个变量，其中包括12个给煤机相关变量，17个一次风机相关变量，25个磨煤机相关变量，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制粉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：

(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＝1,2,3)，其中n对应下层子设备个数。

(1)首先根据制粉系统结构进行分布式划分，划分出下层各个子设备变量组(包括磨煤机变量组、给煤机变量组、一次风机变量组三个子设备)，每个变量组包括该设备的可测变量。设对于一个下层子设备包含J个可测变量，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＝1,2,3，其中下层子设备个数为3。

(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＝1,2,3)。

(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。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。针对所分离的两组慢特征，计算两类统计监测指标：

●静态监测指标

●动态监测指标

(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Ω^F 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_spj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：(其中，和协同，统一用表示，D² _i,f和D² _i,s协同，统一用表示。)

(5.1)底层监测结果

(1)如果和均超过控制限，则意味着第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，且该故障仅影响了不同的设备变量间的非线性相关性，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不同设备变量组间的非线性动静态相关性，而且影响了局部子设备的线性动静态特性；

(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是本方法用于嘉华电厂火电机组制粉系统的监测结果，从图2可以知道，磨煤机动静态指标均超限说明发生了故障，而给煤机与一次风机的动静态指标均未超限，说明其保持良好的运行状态；从图3的制粉系统上层监测结果可见，动静态指标均未超限说明制粉系统维持良好的运行状态。综合上下两层结果可以看出制粉系统中虽然磨煤机发生一定的故障，但是给煤机与一次风机均保持良好的运行状态，而磨煤机的故障也并未影响整个系统的运行状态，整个系统保持良好的运行状态。根据现场人员的故障分析鉴于该故障磨煤机的密封风/一次风差压异常，该测点对磨煤机运行安全性并无太大影响，实际运行中最多可能的原因是测点问题。由于制粉系统的压力类测点工作条件较差，差压有时出现较大的变化是正常的，一般是测量管道有堵塞，有时能自行恢复，有时需检修人员对其进行疏通。对运行人员来说由于该项类测点并不影响磨煤机的安全运行，日常工作中即便于发现数据不正常，由于出现次数太多，因此不会及时入缺通知检修处理。所以综合现场结果也说明了本方法的正确性，不仅能实现对各个子设备的状态监测，同时能综合多个设备对制粉系统进行监测，提高监测效率。

Claims (2)

1.一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法，其特征在于，包含以下步骤：

(1)首先根据制粉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。设对于一个下层子设备包含J个可测变量，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：

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。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。针对所分离的两组慢特征，计算两类统计监测指标：

●静态监测指标

●动态监测指标

(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，则意味着第i个设备的动静态线性模式被破坏，从而发生了故障；其中，和协同，统一用表示，D² _i,f和D² _i,s协同，统一用表示。

(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：

1)若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，且该故障仅影响了不同的设备变量间的非线性相关性，并未影响设备内的线性特性；其中，和协同，统一用表示，和协同，统一用表示；

(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不同设备变量组间的非线性动静态相关性，而且影响了局部子设备的线性动静态特性；

(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。

2.根据权利要求1所述的方法，其特征在于，所述子设备变量组包括磨煤机变量组、给煤机变量组、一次风机变量组等。