CN111915121B - 一种基于广义典型变量分析的化工过程故障检测方法 - Google Patents

Abstract

本发明公开一种基于广义典型变量分析的化工过程故障检测方法，旨在充分提取化工过程采样数据在时间序列上的典型相关性，并对该相关性特征进行合理描述，从而实现对化工过程的故障运行状态的有效监测。与传统方法相比，本发明方法涉及的广义典型相关分析算法是将典型相关系数的平方考虑进来，因此所提取的特征成分是满足典型相关系数最大化要求的。此外，本发明方法将时间序列相关的特征与静态特征分开进行考虑，并对应使用两个综合监测指标分开实施在线过程监测。最后，在具体实施案例中将验证本发明方法在提取时间序列相关特征上的优越性以及其在监测化工过程运行状态上的可靠性，从而说明本发明方法是一种更为优选化工过程故障检测方法。

Description

一种基于广义典型变量分析的化工过程故障检测方法

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于广义典型变量分析的化工过程故障检测方法。

背景技术

由于计算机技术被广泛应用于管理现代化工过程的生产、监控、调度等等场景，现代化工过程逐步走向智能化的发展模式。另外由于先进仪表与存储设备的大量安装使用，化工过程对象可以离线存储与在线实时测量海量的采样数据，这些数据中蕴含着能体现生产过程运行状态的潜在有用信息，为化工过程运行状态的监测奠定了充实的数据基础。因此，如何充分而有效地利用采样数据对化工过程中出现的故障工况进行实时监测体现了现代化工过程的数字化与智能化的管理水准。近十几年来，无论是学术界还是工业界，都投入了大量的人力与物力研究数据驱动的故障检测方法与技术。这其中，统计过程监测是被研究得最多的方法技术，其中主元分析(Principal Component Analysis，缩写：PCA)与独立元分析(Independent Component Analysis，缩写：ICA)为最主流的实施技术手段。

由于计算机能力的提升以及先进测量仪表的广泛应用，化工过程采样数据不可避免的存在序列自相关性，因此动态过程监测技术比传统静态的更适用。通常来讲，序列自相关性与交叉相关性都是采样数据的自身具备的通用特征，两者在数据建模与特征提取时，都必须予以充分的考虑。在现有文献与专利材料中，实施动态过程监测大多依赖于为各个采样数据引入延时测量数据，即将多个在采样时间上连续的样本数据当成一个样本，然后再实施建模与监测。这种方法技术的典型代表就是动态PCA与动态ICA，都是将序列自相关性与交叉相关性混合在一起同时提取。最近，也有研究工作提出通过最大化协方差目标函数的方式，引导采样数据的潜在特征的挖掘，而不依赖于使用增广向量或矩阵，典型的代表方式主要是动态潜变量(Dynamic Latent Variable，缩写：DLV)。

然而，采样数据的序列自相关性特征的提取理应充分考虑典型相关性。协方差信息虽然能在一定程度上体现相关性，但是数据间的共线性问题同样可以使协方差最大。因此，为充分提取采样数据的序列自相关性，需要使用典型相关系数。采样数据的序列自相关性特征的挖掘对于化工过程故障的监测有着重要意义，因为很多故障对采样数据的负面影响就是体现在采样时间先后上。比如，管道阀门粘滞会引起操作变量的影响效果滞后，带来的可能就是时间序列上的负面影响。因此，充分挖掘时间序列上的自相关性特征，并对这种自相关性予以合理恰当的描述对于化工过程的故障检测有着积极的作用与意义。

发明内容

本发明所要解决的主要技术问题是：如何充分提取化工过程采样数据在时间序列上的典型相关性，并对该典型相关性特征进行合理描述，从而实现对化工过程的故障运行状态的有效监测。具体来讲，本发明方法首先推理出一种全新的特征提取算法，该算法以最大化潜在特征变量体现在时间序列上的典型相关性为目标，为时间序列样本数据优化出相应的转换基从而得到时间序列典型相关的特征。然后，利用最小二乘回归算法来描述潜变量之间的相关性。最后，利用回归误差与静态特征分别实施对化工过程运行状态的实时监测。

本发明解决上述技术问题所采用的技术方案为：一种基于广义典型变量分析的化工过程故障检测方法，包括以下所示步骤：

步骤(1)：采集化工过程正常运行状态下的n个样本数据x₁，x₂，…，x_n，组成训练数据矩阵X＝[x₁，x₂，…，x_n]^T∈R^n×m，并对X中各样本数据实施标准化处理得到矩阵其中m为测量变量数、R为实数集、R^n×m表示n×m维的实数矩阵、x_i∈R^m×1与/>分别表示第i个样本数据向量及其标准化处理后的数据向量、i＝1，2，…，n、上标号T表示矩阵或向量的转置。

值得指出的是，化工过程的各个采样数据一般都是由温度、压力、流量、液位等测量仪表测量得到的数据。步骤(1)中测量变量的个数为m，则表示有m个测量仪表对化工过程对象进行实时采样。

此外，由于各个测量变量的变化范围不可能一致，也就导致各个测量变量之间存在量纲的差异影响。因此，需要使用标准化处理的方式，将各个测量变量的采样数据皆变换成均值为0，标准差为1的数据。

步骤(2)：设置时间序列自相关阶数为D(一般可取D＝3或4)后，根据如下所示公式依次构造D个时间序列矩阵X₁，X₂，…，X_D：

上式中，d＝1，2，…，D，N＝n-D+1。

本发明方法所涉及的广义典型变量分析算法是一种全新的特征提取算法，其目标函数如下所示：

上式中，k＝1，2，…，D、λ＝1，2，…，D、W₁，W₂，…，W_D分别时间序列矩阵X₁，X₂，…，X_D的变换基、I表示单位矩阵、表示计算矩阵中各个元素的平方和、s.t.为单词Subject To的缩写，表示约束条件的意思，argmax表示最大化目标函数。

若是令与/>其中C_kλ＝X_k ^TX_λ，上式②中定义的优化问题可转换成如下所示形式：

上式②中优化求解变换基W₁，W₂，…，W_D的问题就变成了上式③中优化求解U₁，U₂，…，U_D的问题，其中S_kλ的定义如下所示：

通过上式②可以发现，目标函数中使用是将经变换基W₁，W₂，…，W_D转换后得到的潜变量之间的典型相关系数进行平方处理后，再进行累加和处理。因此，本发明方法所涉及的广义典型相关分析充分地考虑到了潜变量之间的典型相关性。

考虑到其中A表示任意一个实数矩阵、tr()表示计算矩阵的迹(等价于计算矩阵对角线元素之和或所有特征值之和)，上式③中的目标函数可进行如下所示的等价变换：

上式中，矩阵很显然，由于矩阵Φ_k是对称的，因此上式④中U_k的最优解即为矩阵Φ_k的所有特征向量。然而，矩阵Φ_k的计算与U_λ的优化求解使耦合的，因此，特设计出如下所示的迭代循环求解过程：

步骤(一)：分别初始化U₁，U₂，…，U_D为任意m×m维的随机实数矩阵，并设置k＝1。

步骤(二)：计算矩阵Φ_k后，求解特征值问题Φ_kμ＝ημ中所有特征值所对应的特征向量μ₁，μ₂，…，μ_m，并保证特征向量的长度都为1，再更新矩阵U_k＝[μ₁，μ₂，…，μ_m]，此步要求特征向量μ₁，μ₂，…，μ_m按照特征值大小的降序排列而进行先后排列。

步骤(三)：若k＜D，则设置k＝k+1后返步骤(二)；若k≥D，则执行步骤(四)。

步骤(四)：若U₁，U₂，…，U_D都收敛，则执行步骤(五)；若U₁，U₂，…，U_D中存在未收敛的情况，则设置k＝1后，返回步骤(二)。

步骤(五)：根据公式计算得到变换基W₁，W₂，…，W_D。

基于上述广义典型相关分析算法，可对D个时间序列子块矩阵X₁，X₂，…，X_D进行特征提取，即实施步骤(3)

步骤(3)：利用广义典型相关分析算法求解得到对应于D个时间序列矩阵X₁，X₂，…，X_D的变换基W₁，W₂，…，W_D，具体的实施过程如上述步骤(一)至步骤(五)所述。

步骤(4)：根据公式S_k＝X_kW_k计算得到得分矩阵S₁，S₂，…，S_D后，再确定时间序列相关特征的个数为d，从而将分别将变换基W₁，W₂，…，W_D对应分成两部分：与其中k＝1，2，…，D、/>由变换基W_k中前d列的列向量组成，/>由W_k中后m-d列向量组成。

确定时间序列相关特征的个数需要考虑到各个得分矩阵S₁，S₂，…，S_D之间各个列向量之间的典型相关性大小。为此，本发明方法使用如下所示步骤客观地确定出时间序列相关特征的个数d。

步骤(4.1)：初始化j＝1与d＝0，并设S_k(j)表示S_k中的第j列的列向量。

步骤(4.2)：按照公式J_kλ(j)＝|S_k(j)^TS_λ(j)|S_kλ计算得分矩阵S₁，S₂，…，S_D中第j列的列向量之间的典型相关系数的绝对值J_kλ(j)，其中k＝1，2，…，D、λ＝1，2，…，D。

步骤(4.3)：根据J_kλ(j)的数值大小确定出其中的最大值，并记做J_max(j)。

步骤(4.4)：设定截止参数后，若/>则设置d＝d+1与j＝j+1后返回步骤(4.2)；若/>则得到时间序列相关特征的个数d。

步骤(5)：利用最小二乘回归算法建立输入矩阵与/>之间的回归模型：/>其中/>分别由得分矩阵S₁，S₂，…，S_D中前d列的列向量构成、E_k为回归误差矩阵、/>表示回归系数矩阵、k＝1，2，…，D。

步骤(6)：根据公式计算静态特征矩阵/>后，再分别计算回归误差矩阵E_k与静态特征矩阵/>的协方差矩阵Λ_k＝E_kE_k/(N-1)与/>

步骤(7)：根据公式ψ_k＝diag{E_kΛ_k ^-1E_k ^T}与分别计算监测指标向量ψ_k与Q_k，其中k＝1，2，…，D，并利用核密度估计(Kernel Density Estimation，缩写KDE)法分别确定出各监测指标向量在置信限α＝99％条件下的具体数值，分别对应记做δ_k与β_k，其中diag{}表示将矩阵对角线的元素转变成向量的操作。

步骤(8)：根据如下所示公式⑥计算综合监测指标向量ψ与Q：

并再次使用核密度估计法确定ψ与Q在置信限α＝99％条件下的具体数值，分别对应记做δ与β；

离线建模阶段至此完成，接下来进入在线动态过程监测阶段，包含以下所示实施步骤。

步骤(9)：收集新采样时刻的样本数据x_t∈R^m×1，并对x_t实施与步骤(1)中相同的标准化处理对应得到向量其中t表示最新采样时刻。

步骤(10)：根据公式与/>计算动态得分向量s_D与静态得分向量u_D。

步骤(11)：将标准化处理后的第t-1个采样时刻至第t-D+1个采样时刻的数据向量分别进行变换得到动态得分向量/>与静态得分向量/>其中γ＝1，2，…，D-1。

步骤(12)：根据公式e_k＝s_k-z_kΘ_k计算回归误差向量e_k，其中z_k＝[s₁，…，s_k-1，s_k+1，…，s_D]，再分别根据公式与θ_k＝u_kV_k ^-1u_k ^T计算监测指标/>与θ₁，θ₂，…，θ_D，其中k＝1，2，…，D。

步骤(13)：根据如下所示公式⑦计算t采样时刻的综合监测指标ψ_t与Q_t：

步骤(14)：判断是否满足条件：ψ_t≤δ且Q_t≤β，若是，则当前采样时刻化工过程运行正常，返回步骤(9)继续实施对下一个新时刻样本数据的监测；若否，则当前采样时刻化工过程进入异常工作状态，触发故障警报并返回步骤(9)继续实施监测。

与传统方法相比，本发明方法的优势在于：

首先，本发明方法所涉及的广义典型相关分析算法是将典型相关系数的平方考虑进特征提取的过程，因此所提取的特征成分是满足典型相关系数最大化要求的。其次，本发明方法为化工过程对象的采样数据建立多个模型，并非常方便地将多个模型的监测指标综合成一个指标。最后，本发明方法将时间序列相关的特征与静态特征分开进行考虑，两个综合监测指标能够清楚地指明故障工况数据是改变了采样数据动态自相关特性或是静态特性。因此，本发明方法是一种更优越的化工过程监测方法。

附图说明

图1为本发明方法的实施流程图。

图2为本发明方法时间序列相关特征的典型相关性大小示意图。

图3为DLV方法提取出的时间序列相关特征的典型相关性大小示意图。

图4为TE过程冷凝器冷却水阀门粘滞故障工况的监测详情对比图。

具体实施方式

下面结合附图与具体的实施案例对本发明方法进行详细的说明。

如图1所示，本发明公开一种基于时序多块建模策略的化工过程监测方法，下面结合一个具体的化工过程对象来说明本发明方法的具体实施过程，以及相对于现有方法的优越性。

应用对象是来自于美国田纳西-伊斯曼(TE)化工生产过程，TE过程是伊斯曼化工生产车间的一个实际工艺流程，其流程示意图如图2所示。目前，TE过程因其流程的复杂性，已作为一个标准实验平台被广泛用于过程运行状态监测研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。该TE化工过程对象可以模拟仿真多种不同的故障类型，如物料进口温度阶跃变化、冷却水故障变化等等。为了对该过程进行监测，选取如表1所示的33个过程测量变量。由于采样间隔时间较短，TE过程采样数据不可避免的存在序列自相关性，接下来结合该TE过程对本发明具体实施步骤进行详细的阐述。

表1：TE过程监测变量。

序号	变量描述	序号	变量描述	序号	变量描述
						1	物料A流量	12	分离器液位	23	D进料阀门位置
2	物料D流量	13	分离器压力	24	E进料阀门位置
						3	物料E流量	14	分离器塔底流量	25	A进料阀门位置
4	总进料流量	15	汽提塔等级	26	A和C进料阀门位置
						5	循环流量	16	汽提塔压力	27	压缩机循环阀门位置
6	反应器进料	17	汽提塔底部流量	28	排空阀门位置
						7	反应器压力	18	汽提塔温度	29	分离器液相阀门位置
8	反应器等级	19	汽提塔上部蒸汽	30	汽提塔液相阀门位置
						9	反应器温度	20	压缩机功率	31	汽提塔蒸汽阀门位置
10	排空速率	21	反应器冷却水出口温度	32	反应器冷凝水流量
						11	分离器温度	22	分离器冷却水出口温度	33	冷凝器冷却水流量

首先，利用TE过程正常工况下采样的n＝960个样本数据实施本发明方法的离线建模，包括以下步骤：

步骤(1)：采集化工过程正常运行状态下的n＝960个样本数据x₁，x₂，…，x₉₆₀，组成训练数据矩阵X＝[x₁，x₂，…，x₉₆₀]^T∈R^960×33，并对X实施标准化处理得到矩阵

步骤(2)：设置D＝4后，根据上述公式①依次得到4个子块矩阵X₁，X₂，X₃，X₄。

步骤(3)：根利用广义典型相关分析算法求解得到D个时间序列子块矩阵X₁，X₂，…，X_D的变换基W₁，W₂，W₃，W₄。

步骤(4)：根据公式S_k＝X_kW_k计算得到得分矩阵S₁，S₂，S₃，S₄后，再确定时间序列相关特征的个数为d＝14，从而将W₁，W₂，…，W_D对应分成两部分：与/>

步骤(5)：利用最小二乘回归算法建立输入矩阵与/>之间的回归模型：/>其中时间序列相关特征矩阵/>

为了测试时间序列相关特征的典型相关性，特将中对应列的列向量之间的典型相关性用颜色差异的方式展示于图2中，颜色越深代表典型相关性程度越强。从图2中可以发现，确定的14个时间序列相关特征皆存在明显的相关性。

此外，特将DLV方法提取的时间序列相关特征的典型相关性同样以颜色图的形式展示于图3中。从图3中可以发现，DLV方法提取的特征有出现了2个不存在典型相关性的时间序列特征。从图2与图3的对比中，可以明显地发现本发明方法所涉及的广义典型相关分析具备更强的提取时间序列相关特征的能力。

步骤(6)：根据公式计算静态特征矩阵/>后，再分别计算回归误差矩阵E_k与静态特征矩阵/>的协方差矩阵Λ_k＝E_kE_k/(N-1)与/>

步骤(7)：根据公式ψ_k＝diag{E_kΛ_k ^-1E_k ^T}与分别计算监测指标向量ψ_k与Q_k，其中k＝1，2，3，4，并利用核密度估计(Kernel Density Estimation，缩写KDE)法分别确定出各监测指标向量在置信限α＝99％条件下的具体数值，分别对应记做δ_k与β_k。

步骤(8)：根据上述公式⑥计算综合监测指标向量ψ与Q，并再次使用核密度估计法确定ψ与Q在置信限α＝99％条件下的具体数值，分别对应记做δ与β。

离线建模阶段至此完成，接下来进入在线动态过程监测阶段。利用TE化工过程在冷凝器冷却水阀门粘滞故障工况下的960个测试数据对本发明方法的故障监测性能进行测试。其中，这960个数据的前160个数据采集自TE过程的正常运行状态，从第161个样本点开始TE过程才进入故障工况。

步骤(9)：收集新采样时刻的样本数据x_t∈R^m×1，并对x_t实施与步骤(1)中相同的标准化处理对应得到向量其中t表示最新采样时刻。

步骤(10)：根据公式与/>计算动态得分向量s_D与静态得分向量u_D。

步骤(11)：将标准化处理后的第t-1个采样时刻至第t-D+1个采样时刻的数据向量分别进行变换得到动态得分向量/>与静态得分向量/>

步骤(12)：根据公式e_k＝s_k-z_kΘ_k计算回归误差向量e_k，其中z_k＝[s₁，…，s_k-1，s_k+1，…，s_D]，再分别根据公式与θ_k＝u_kV_k ^-1u_k ^T计算监测指标/>与θ₁，θ₂，θ₃，θ₄；

步骤(13)：根据前述公式⑦计算t采样时刻的综合监测指标ψ_t与Q_t。

步骤(14)：判断是否满足条件：ψ_t≤δ且Q_t≤β，若是，则当前采样时刻化工过程运行正常，返回步骤(9)继续实施对下一个新时刻样本数据的故障检测；若否，则当前采样时刻化工过程进入异常工作状态，触发故障警报并返回步骤(9)继续实施故障检测。

如图4所示，本发明方法与传统动态PCA、DLV、和传统动态ICA方法的在监测该故障工况数据的监测图。从图4中对比可以很明显地发现，本发明方法在故障检测成功率明显优越于其他动态过程监测方法。因此，可以说本发明方法具有更可靠的过程监测性能。

Claims (3)

1.一种基于广义典型变量分析的化工过程故障检测方法，其特征在于，包括以下步骤：

步骤(1)：采集化工过程正常运行状态下的n个样本数据x₁，x₂，…，x_n，组成训练数据矩阵X＝[x₁，x₂，…，x_n]^T∈R^n×m，并对X中各样本数据实施标准化处理得到矩阵其中m为测量变量数、R为实数集、R^n×m表示n×m维的实数矩阵、x_i∈R^m×1与/>分别表示第i个样本数据向量及其标准化处理后的数据向量、i＝1，2，…，n、上标号T表示矩阵或向量的转置；

步骤(2)：设置自相关阶数为D后，根据如下所示公式依次得到D个时间序列矩阵X₁，X₂，…，X_D：

上式中，d＝1，2，…，D，N＝n-D+1；

步骤(3)：利用广义典型相关分析算法求解得到对应于D个时间序列矩阵X₁，X₂，…，X_D的变换基W₁，W₂，…，W_D，具体的实施过程如步骤(一)至步骤(五)所述；

步骤(一)：分别初始化U₁，U₂，…，U_D为任意m×m维的随机实数矩阵，并设置k＝1；

步骤(二)：计算矩阵后，求解特征值问题Φ_kμ＝ημ中所有特征值所对应的特征向量μ₁，μ₂，…，μ_m，并保证各特征向量的长度都为1且按照特征值大小的降序排列而进行先后排列，再更新矩阵U_k＝[μ₁，μ₂，…，μ_m]，其中C_kλ＝X_k ^TX_λ、C_kk＝X_k ^TX_k、C_λλ＝X_λ ^TX_λ、λ＝1，2，…，D、S_kλ的定义如下所示：

步骤(三)：若k＜D，则设置k＝k+1后返步骤(二)；若k≥D，则执行步骤(四)；

步骤(四)：若U₁，U₂，…，U_D都收敛，则执行步骤(五)；若U₁，U₂，…，U_D中存在未收敛的情况，则设置k＝1后，返回步骤(二)；

步骤(五)：根据公式计算得到变换基W₁，W₂，…，W_D；

步骤(4)：根据公式S_k＝X_kW_k计算得到得分矩阵S₁，S₂，…，S_D后，再确定时间序列相关特征的个数为d，从而将分别将变换基W₁，W₂，…，W_D对应分成两部分：与/>其中k＝1，2，…，D、/>由变换基W_k中前d列的列向量组成，/>由W_k中后m-d列向量组成；

步骤(5)：利用最小二乘回归算法建立输入矩阵与/>之间的回归模型：/>其中/>分别由得分矩阵S₁，S₂，…，S_D中前d列的列向量构成、E_k为回归误差矩阵、/>表示回归系数矩阵、k＝1，2，…，D；

步骤(6)：根据公式计算静态特征矩阵/>后，再分别计算回归误差矩阵E_k与静态特征矩阵/>的协方差矩阵Λ_k＝E_k ^TE_k/(N-1)与/>

步骤(7)：根据公式ψ_k＝diag{E_kΛ_k ^-1E_k ^T}与分别计算监测指标向量ψ_k与Q_k，其中k＝1，2，…，D，并利用核密度估计法分别确定出各监测指标向量在置信限α＝99％条件下的具体数值，分别对应记做δ_k与β_k，其中diag{ }表示将大括号内矩阵对角线的元素转变成向量的操作；

步骤(8)：根据如下所示公式计算综合监测指标向量ψ与Q：

并再次使用核密度估计法确定ψ与Q在置信限α＝99％条件下的具体数值，分别对应记做δ与β；

离线建模阶段至此完成，接下来进入在线监测阶段，包含以下所示实施步骤；

步骤(9)：收集新采样时刻的样本数据x_t∈R^m×1，并对x_t实施与步骤(1)中相同的标准化处理对应得到向量其中t表示最新采样时刻；

步骤(10)：根据公式与/>计算动态得分向量s_D与静态得分向量u_D；

步骤(11)：将标准化处理后的第t-1个采样时刻至第t-D+1个采样时刻的数据向量分别进行变换得到动态得分向量/>与静态得分向量/>其中γ＝1，2，…，D-1；

步骤(12)：根据公式e_k＝s_k-z_kΘ_k计算回归误差向量e_k，其中z_k＝[s₁，…，s_k-1，s_k+1，…，s_D]，再分别根据公式与θ_k＝u_kV_k ^-1u_k ^T计算监测指标/>与θ₁，θ₂，…，θ_D，其中k＝1，2，…，D；

步骤(13)：根据如下所示公式计算t采样时刻的综合监测指标ψ_t与Q_t：

步骤(14)：判断是否满足条件：ψ_t≤δ且Q_t≤β，若是，则当前采样时刻化工过程运行正常，返回步骤(9)继续实施对下一个新时刻样本数据的故障检测；若否，则当前采样时刻化工过程进入异常工作状态，触发故障警报并返回步骤(9)继续实施故障检测。

2.根据权利要求1所述的一种基于广义典型变量分析的化工过程故障检测方法，其特征在于，所述步骤(3)中广义典型变量分析算法的原理如下所示：

首先，确定如下所示的目标函数及约束条件：

上式中，k＝1，2，…，D、λ＝1，2，…，D、W₁，W₂，…，W_D分别为对应于时间序列矩阵X₁，X₂，…，X_D的变换基、I表示单位矩阵、表示计算矩阵中各个元素的平方和、s.t.为单词SubjectTo的缩写，表示约束条件的意思；

其次，令与/>后，上式⑤中定义的优化问题可转换成如下所示形式：

因此，求解变换基W₁，W₂，…，W_D的问题就变成了优化求解上式⑥中U₁，U₂，…，U_D的问题；

然后，由于其中A表示任意一个实数矩阵、tr( )表示计算矩阵的迹、tr( )等价于矩阵中所有特征值之和，上式⑥中的目标函数可进行如下所示的等价变换：

上式⑦中，矩阵

最后，由于矩阵Φ_k是对称的，因此上式⑥中U_k的最优解即为矩阵Φ_k的所有特征向量。

3.根据权利要求1所述的一种基于广义典型变量分析的化工过程故障检测方法，其特征在于，所述步骤(4)中确定时间序列相关特征个数d的具体实施过程如下所示：

步骤(4.1)：初始化j＝1与d＝0，并设S_k(j)表示S_k中的第j列的列向量；

步骤(4.2)：按照公式J_kλ(j)＝|S_k(j)^TS_λ(j)|S_kλ计算得分矩阵S₁，S₂，…，S_D中第j列的列向量之间的典型相关系数的绝对值J_kλ(j)，其中k＝1，2，…，D、λ＝1，2，…，D；

步骤(4.3)：根据J_kλ(j)的数值大小确定出其中的最大值，并记做J_max(j)；

步骤(4.4)：设定截止参数后，若/>则设置d＝d+1与j＝j+1后返回步骤(4.2)；若/>则得到时间序列相关特征的个数d。