CN113033649B - 一种基于实时判别型动态特征提取的pta过程异常监测方法 - Google Patents

Abstract

本发明公开一种基于实时判别型动态特征提取的PTA过程异常监测方法，通过设计一种实时利用在线采样数据进行特征提取的算法，来实时的针对各个在线采样数据进行特征提取，其目的在于保证实时提取的特征能最大化程度的判别出各个采样数据中潜藏的异常变化特征。本发明方法的最大优势在于：其不同于传统的数据驱动的异常监测方法，本发明方法实时根据在线采样数据进行特征提取，旨在最大化监测指标，从而使经投影变换后得到的特征能始终尽可能的偏离零点；从这个角度来讲，本发明方法实施的实时判别型特征提取，总能找到反应出在线采样数据中潜藏的异常变化特征，从而能对各式各样的异常工况数据进行有效的判别。

Description

一种基于实时判别型动态特征提取的PTA过程异常监测方法

技术领域

本发明涉及一种化工过程异常状态监测方法，特别涉及一种基于实时判别型动态特征提取的PTA过程异常监测方法。

背景技术

精对苯二甲酸(Purified Terephthalic Acid，缩写：PTA)是石化工业非常重要的原材料，可用于化学纤维、轻工业、电力设备的生产。PTA的生产原料对二甲苯是以醋酸为溶剂，生产PTA的设备主要由三个单元组成：回流罐，再沸器，和溶剂脱水塔。实时监测PTA过程的运行状态对维持其技术生产水平和产品质量具有重要的作用，因此PTA过程的异常监测一直都是工业技术领域较热门与前言的话题。事实上，整个化工过程流程都离不开一个能在线监测运行状态异常的的监测系统或方法，对生产过程的平稳性以及生产安全都具有重要的研究意义。

近年来，在以工业4.0为主导的智能制造大背景下，利用实时采样的数据实施化工过程异常状态监测已经成为一个重要的领域分支，得到了学术界与工业界的广泛关注。在现有的科技文献与专利文件中，实施数据驱动的化工过程监测都依赖于单分类的建模思想。这主要是因为，化工过程在绝大多数时间内是处于稳定运行的正常状态下，所采集的海量数据都属于正常工况数据。相比之下，异常状态下的数据是微乎其微的，尤其是对已经持续运行很久的化工生产而言，异常状态下的数据基本上是不存在的。这也就导致特征提取算法在本技术领域得到了广泛的研究与应用，以主成分分析与独立成分分析为代表的的过程监测方法层出不穷。

然而，化工过程因其生产的动态时序变化特性，采样数据间肯定存在时序相关性。值得注意的是，时序相关性不仅体现在采样时间的先后，而且还可以体现在不同变量之间在不同测量时间节点上的交叉相关性。再者，从实施异常监测的角度出发，单独挖掘正常工况的数据的潜在特征无法保证所提取特征在用于识别异常状态上的有效性与敏感性。不同的特征提取算法所提取的潜在特征可能会针对不同类型的异常状态数据有效，可是PTA过程可能的异常状态种类与可能数是无法计量的。因此，如何实时提取有效的判别型动态特征，对PTA过程异常状态的监测具有重要的研究与实践意义。

发明内容

本发明所要解决的主要技术问题是：如何实时提取能判别在线采样数据中潜藏的异常变化特征，从而保证针对PTA过程异常状态监测的持续有效性。具体来讲，本发明方法通过设计一种实时利用在线采样数据进行特征提取的算法，来实时的针对各个在线采样数据进行特征提取，其目的在于保证实时提取的特征能最大化程度的判别出各个采样数据中潜藏的异常变化特征。

本发明方法解决上述问题所采用的技术方案为：一种基于实时判别型动态特征提取的PTA过程异常监测方法，包括以下所示步骤：

步骤(1)：在PTA生产过程正常运行状态下，采集得到n个样本数据向量x₁，x₂，…，x_n，每个样本数据向量具体包括m个采样数据，依次是：进料流量，进料温度，分馏塔顶部回流量，冷凝器冷却水流量，再沸器蒸汽流量，分馏塔顶部气体流量，分馏塔底部的产品流量，分馏塔中各层塔板的温度；其中，第i个样本数据向量x_i∈R^m×1，R^m×1表示m×1维的实数向量，R表示实数集，i∈{1，2，…，n}。

设分馏塔中的塔板的层数为A层，每层塔板都会有相应的温度测量仪表，实时获取各层塔板的温度数据，即A个塔板温度数据。因此，步骤(1)中的m＝A+6。

步骤(2)：利用x₁，x₂，…，x_n的均值向量μ和标准差向量δ，分别对x₁，x₂，…，x_n实施标准化处理，对应得到n个数据向量

步骤(3)：按照如下所示公式组建增广矩阵

其中，R^N×M表示N×M维的实数矩阵，N＝n-D，M＝m(D+1)，上标号T表示矩阵或向量的转置，D表示时序阶数，其建议取值范围是在区间[2，4]中的整数。

步骤(4)：按照如下所示步骤(4.1)至步骤(4.4)计算得到个监测指标

步骤(4.1)：初始化i＝1。

步骤(4.2)：按照如下所示公式组建堆叠矩阵Y_i∈R^D×M：

步骤(4.3)：设置Y＝Y_i后，实施实时判别型动态特征提取，得到左投影向量u∈R^{(D +1)×1}和右投影向量v∈R^M×1，具体的实施过程包括步骤(A)至步骤(D)

步骤(A)：随机初始化右投影向量v为任意一个M×1维的实数向量。

步骤(B)：求解特征值问题Yvv^TY^Tp＝ηp中，最大特征值η所对应的特征向量p，再根据公式u＝p/||p||计算得到左投影向量u；其中，表示计算特征向量p的长度。

步骤(C)：求解特征值问题中，最大特征值λ所对应的特征向量q，再根据公式/>计算得到右投影向量v。

步骤(D)：判断v是否收敛；若否，则返回步骤(B)；若是，则得到左投影向量u和右投影向量v。

步骤(4.4)：根据公式计算第i个监测指标/>后，判断是否满足条件若是，则设置i＝i+1后返回步骤(4.2)；若否，则得到/>

步骤(5)：将中的最大值记录为/>后，再根据公式/>计算得到控制上限/>其中，γ表示放大系数，其取值范围是γ∈[1.1，1.3]。

值得注意的是，上述步骤(A)至步骤(D)为本发明所涉及的实时判别型动态特征算法的具体实施过程，而实时判别型动态特征算法的目标函数如下所示：

其中，||u^TYv||²即为矩阵Y所对应的监测指标。上式③的求解可使用经典的朗格朗日乘子法，即通过拉格朗日乘子λ和η构造如下所示的朗格朗日函数L。

考虑到||u^TYv||²＝u^TYvv^TY^Tu＝v^TY^Tuu^TYv，则得到如下所示的偏微分方程：

进而转换为如下所示的两个特征值问题：

Y_tvv^TY_t ^Tu＝ηu ⑥

此外，若在上式⑥和⑦的等式两边分别同乘u^T和v^T，则可得到λ＝η＝||u^TY_tv||²。因此，需要求解上式⑥和⑦中的最大特征值。

步骤(6)：在线采集最新采样时刻的样本数据向量x_t∈R^m×1，并对其实施与步骤(2)中相同的标准化处理，从而得到数据向量其中，下标号t表示最新采样时刻。

步骤(7)：根据如下所示公式组建堆叠矩阵Y_t：

其中，分别表示样本数据向量x_t-1，x_t-2，…，x_t-2D经与步骤(2)中相同的标准化处理后得到的数据向量。

步骤(8)：设置Y＝Y_t后，按照上述步骤(A)至步骤(D)实施实时判别型动态特征提取，从而得到左投影向量u和右投影向量v。

步骤(9)：根据公式计算监测指标/>后，判断是否满足条件/>若是，则当前采样时刻PTA过程正常运行，返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测；若否，则执行步骤(10)。

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测，若连续6个最新采样时刻的监测指标皆满足条件则触发故障警报。

通过以上所述实施步骤，本发明方法的优势介绍如下。

本发明方法的最大优势在于：其不同于传统的数据驱动的异常监测方法，本发明方法实时根据在线采样数据进行特征提取，旨在最大化监测指标，从而使经投影变换后得到的特征能始终尽可能的偏离零点；从这个角度来讲，本发明方法实施的实时判别型特征提取，总能找到反应出在线采样数据中潜藏的异常变化特征，从而能对各式各样的异常工况数据进行有效的判别。

附图说明

图1为本发明方法的实施流程示意图。

图2为PTA生产过程的示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于实时判别型动态特征提取的PTA过程异常监测方法，其中本发明方法最关键的实施实时判别型特征提取的流程如图1所示。下面结合一个具体应用实例来说明本发明方法的具体实施方式。

本实施案例中的PTA生产过程的示意图如图1所示。在本实施案例中，采集PTA生产过程最近一段时间处于正常运行工况下的1000个样本数据，即n＝1000，并实施如下所示步骤(1)至步骤(5)，从而得到实施在线异常监测所需的各个参数。

步骤(1)：在PTA生产过程正常运行状态下，采集得到n个样本数据向量x₁，x₂，…，x_n。

步骤(2)：利用x₁，x₂，…，x_n的均值向量μ和标准差向量δ，分别对x₁，x₂，…，x_n实施标准化处理，对应得到n个数据向量

步骤(3)：设置D＝2后，按照前述公式①组建增广矩阵

步骤(4)：按照前述步骤(4.1)至步骤(4.4)计算得到个监测指标

步骤(5)：将中的最大值记录为/>后，再根据公式/>计算得到控制上限/>其中，γ表示放大系数。

完成上述步骤(1)至步骤(5)后，即可得到实施在线异常监测所需的各个参数，具体包括：步骤(2)中的均值向量μ与标准差向量δ，步骤(3)中的增广矩阵与时序阶数D，步骤(5)中的控制上限/>

接下来，即可按照如下所示步骤(6)至步骤(10)不断的根据最新采样时刻的样本数据向量实施针对PTA过程的在线异常监测。

步骤(6)：在线采集最新采样时刻的样本数据向量x_t∈R^m×1，并对其实施与步骤(2)中相同的标准化处理，从而得到数据向量

步骤(7)：根据上述公式⑧组建堆叠矩阵Y_t∈R^(D+1)×M。

步骤(8)：设置Y＝Y_t后，按照上述步骤(A)至步骤(D)实施实时判别型动态特征提取，从而得到左投影向量u和右投影向量v。

步骤(9)：根据公式计算监测指标/>后，判断是否满足条件/>若是，则当前采样时刻PTA过程正常运行，返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测；若否，则执行步骤(10)。

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测，若连续6次皆满足条件则触发故障警报。

Claims (2)

1.一种基于实时判别型动态特征提取的PTA过程异常监测方法，其特征在于，具体包括以下步骤：

步骤(1)：在PTA生产过程正常运行状态下，采集得到n个样本数据向量x₁，x₂，…，x_n，每个样本数据向量具体包括m个采样数据，依次分别是：进料流量，进料温度，分馏塔顶部回流量，冷凝器冷却水流量，再沸器蒸汽流量，分馏塔顶部气体流量，分馏塔底部的产品流量，分馏塔中各层塔板的温度；其中，第i个样本数据向量x_i∈R^m×1，R^m×1表示m×1维的实数向量，R表示实数集，i∈{1，2，…，n}；

步骤(2)：利用x₁，x₂，…，x_n的均值向量μ和标准差向量δ，分别对x₁，x₂，…，x_n实施标准化处理，对应得到n个数据向量

步骤(3)：设置时序阶数为D后，按照如下所示公式组建增广矩阵

其中，R^N×M表示N×M维的实数矩阵，N＝n-D，M＝m(D+1)，上标号T表示矩阵或向量的转置；

步骤(4)：按照如下所示步骤(4.1)至步骤(4.4)计算个监测指标/>

步骤(4.1)：初始化i＝1；

步骤(4.2)：按照如下所示公式组建堆叠矩阵Y_i∈R^(D+1)×M：

步骤(4.3)：设置Y＝Y_i后，实施实时判别型动态特征提取，得到左投影向量u∈R^(D+1)×1和右投影向量v∈R^M×1；

步骤(4.4)：根据公式计算第i个监测指标/>后，判断是否满足条件/>若是，则设置i＝i+1后返回步骤(4.2)；若否，则得到/>

步骤(5)：将中的最大值记录为/>后，再根据公式/>计算得到控制上限/>其中，γ表示放大系数；

步骤(6)：在线采集最新采样时刻的样本数据向量x_t∈R^m×1，并对其实施与步骤(2)中相同的标准化处理，从而得到数据向量其中，下标号t表示最新采样时刻；

步骤(7)：根据如下所示公式组建堆叠矩阵Y_t∈R^(D+1)×M：

其中，分别表示样本数据向量x_t-1，x_t-2，…，x_t-2D经与步骤(2)中相同的标准化处理后得到的数据向量；

步骤(8)：设置Y＝Y_t后，实施实时判别型动态特征提取，从而得到左投影向量u∈R^(D+1)×1和右投影向量v∈R^M×1；

步骤(9)：根据公式计算监测指标/>后，判断是否满足条件/>若是，则当前采样时刻PTA过程正常运行，返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测；若否，则执行步骤(10)；

步骤(10)：返回步骤(6)继续利用最新采样时刻的样本数据向量实施异常监测，若连续6个最新采样时刻的监测指标皆满足条件则触发故障警报。

2.根据权利要求1所述的一种基于实时判别型动态特征提取的PTA过程异常监测方法，其特征在于，所述步骤(4.3)与步骤(8)中实施实时判别型动态特征提取的具体实施过程如下所示：

步骤(A)：随机初始化右投影向量v为任意一个M×1维的实数向量；

步骤(B)：求解特征值问题Yvv^TY^Tp＝ηp中，最大特征值η所对应的特征向量p，再根据公式u＝p/||p||计算得到左投影向量u；其中，表示计算特征向量p的长度；

步骤(C)：求解特征值问题中，最大特征值λ所对应的特征向量q，再根据公式/>计算得到右投影向量v；

步骤(D)：判断v是否收敛；若否，则返回步骤(B)；若是，则得到左投影向量u和右投影向量v。