CN115358293A - 一种降低系统偏差对评估结果干扰的组合方法 - Google Patents

Abstract

本发明公开了一种降低系统偏差对评估结果干扰的组合方法，步骤包括：将模型评估对象的所有测点划分成两个子集CV和MV；计算集合CV和MV内各元素的相关性矩阵r_CVMV；定义

是cv_n变量与集合MV内所有变量的相关性矩阵，计算cv_n与

的历史全部残差

遍历集合CV内所有元素，得到所有被控变量对操控变量MV正常响应时的历史残差topR_CV，使用topR_CV历史数据进行评估模型建模，输入topR_CV当前数据组，将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算，找出与该状态组值最相似的一组数据模型特征组值，即cv_n的响应误差预测值

将

和cv_n的响应误差实际值

比较，得出cv_n误差的预测残差

当

的绝对值有增大的趋势时，表征cv_n对其相关MV的响应出现持续异常的现象，此时引起评估模型的健康度HPI趋势下降。

Description

一种降低系统偏差对评估结果干扰的组合方法

技术领域

本发明涉及水泥生产控制领域，特别是一种降低系统偏差对评估结果干扰的组合方法。

背景技术

在生产控制领域，mυ变量是指可以操作的变量。cυ变量是指通过操控可操作的变量mυ间接影响的相关不可操控的变量，称作被控变量。

水泥生产属于生产粗放型，并且自动化程度较低的行业。很多情况下，如避峰生产、计划减产、设备运维等都会导致人为干预，采取调整mυ变量的方案实现生产控制目的，因此人为操作对水泥生产运行的干扰程度非常大。

评估系统是一种利用工厂布设的测点传感器，获取正常运行数据，通过相似度理论进行数据挖掘，从而建立各设备、工艺段的监测模型。应用在水泥行业时，评估系统往往会产生频繁的误报警。这些误报警中大多是人为操作引起的，主要表现在当人为调整操作变量mυ时，存在较大幅度的变化，这种变化通常会引起与之关联的cυ变量产生巨大的连锁反应。由于这种变化不属于评估对象正常生产模式，因此会导致评估系统健康度HPI值陡然降低，触发预警。

专利CN102270271A《基于相似度曲线的设备故障早期预警及优化的方法和系统》权利要求1中的生成步骤，提出了对设备在线运行时的每个运行时刻采样形成状态组值，再将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算，找出与该状态组值最相似的一组数据模型特征组值，两组数据的距离度量形成相似度曲线。

将上述专利技术应用在水泥行业的实践中，出现了以下几个问题：

1.设备在线运行时的每个运行时刻采样形成的状态组值中，存在人为操作MV变量引起的与之关联的cυ变量产生巨大的偏离，导致在数据模型中与之最相似的一组数据模型特征值，两者的相似度超出阈值范围，从而引起人为操作的误报警现象。

2.设备在线运行时的每个运行时刻采样形成的状态组值中，存在人为操作MV变量引起的与之关联的cυ变量产生轻微偏离，导致在数据模型中与之最相似的一组数据模型特征值，两者的相似度产生阈值范围内的偏差，这种偏差虽然不会引起人为操作的误报警，但是会导致得出的评估结果可信度不高。

3.在设备正常运行时，被控变量cυ对操控变量mυ响应存在偏差，在一定范围内，这种偏差属于正常的传递误差，理论上不应该引起设备模型健康度的下降亦或震荡变化。

4.同时，针对被控变量cυ对操控变量mυ响应偏差，当偏差有持续变大或者超出一定范围时，设备模型应该进行提前预警，而专利CN102270271A忽略了这一点。

发明内容

针对现有技术中存在的问题，本发明提供了一种可以识别人为操作引起的误报警并且屏蔽；模型健康度值不受人为操作mυ变量的影响；减少设备传递误差导致的模型健康度下降亦或震荡变化；识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警的降低人为操作对评估系统有效性干扰的方法。

本发明的目的通过以下技术方案实现。

一种降低系统偏差对评估结果干扰的组合方法，步骤包括：

1)将模型评估对象的所有测点划分成两个子集：CV和MV，CV是评估对象的全部被控变量集合，MV是评估对象的全部操作变量集合；

CV＝{cυ₁，cυ₂，…，cυ_n}，其中cυ_n是评估对象第n个被控变量；

MV＝{mυ₁，mυ₂，…，mυ_n}，其中mυ_n是评估对象第n个操控变量；

2)计算集合CV和MV内各元素的相关性矩阵r_CVMV：

其中，S_CVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵，S_CV表示CV内每个元素的样本标准差矩阵，S_MV表示MV每个元素的样本标准差矩阵；

3)定义

是cυ_n变量与集合MV内所有变量的相关性矩阵，其中

r_T是cu_n变量和mυ变量相关性阈值，在集合MV中选择

的mυ变量，带入以下的多元线性回归方程中，使用最小二乘法求解系数β₀、β₁...β_s

其中，

是cυ_n的预测值，表示了cυ_n对MV集合内部分变量的期望响应值，以上该函数表达了评估对象内部cυ变量对mυ变量的正常响应模式，

使用历史数据，根据上述多元线性回归方程，计算模型R²，若模型R²大于

表明评估对象内部cυ变量对mυ变量具有响应规律模式，进入步骤4)；否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强，利用量化有无人为操控变量时，MV方差变化率绝对值的均值的变化异常方案解决人为操作干扰问题；

4)计算cυ_n与

的历史全部残差

是属于高斯分布的一组数据，表示cυ_n对MV集合内部分变量的响应误差；

使用密度聚类的算法，以此按照

内样本数量排序，保留样本数量最多的类

其余类别表征了

中的离群点；

5)重复步骤3)-4)，直至遍历集合CV内所有元素，得到所有被控变量对操控变量MV正常响应时的历史残差topR_CV，

topR_CV是基于CV对MV的正常响应误差，这部分误差的范围表征系统的正常容错；

6)使用topR_CV历史数据进行评估模型建模，模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差；topR_CV是评估对象历史运行数据模型中每个状态点的数值组，根据数据分布的概率密度，进行均衡采样，按照“相似不重复”的原则，得到覆盖评估模型全部工况的状态点组；

7)输入topR_CV当前数据组，将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算，找出与该状态组值最相似的一组数据模型特征组值，即cυ_n的误差值

两组数据的距离度量形成相似度曲线，即模型健康度HPI。

8)将步骤7)得到的cυ_n误差预测值

和实际值

比较，得出cυ_n误差的残差

当

有增大的趋势时，表征cυ_n对其相关MV的响应出现持续异常的现象，此时引起评估模型的健康度HPI趋势下降。

所述步骤1)中在设备启停机前后，剔除建模对象历史数据中启机后和停机前k段时间的数据。

所述步骤4)中所述

中的离群点表示了cυ_n对MV非正常响应，建立评估模型需要剔除

中的离群点的数据。

所述步骤6)中使用topR_CV集合内cυ_n的历史误差的上限

作为测点cυ_n预警阈值，其中

若超出阈值

表征cυ_n对其相关MV变量的异常响应，此时评估系统对cυ_n测点进行预警。

所述步骤3)中量化有无人为操控变量时，方差变化率绝对值的均值的变化异常方案具体方法如下：

A)根据建模对象所属工艺单元，选择该工艺单元相关的MV操控变量一年的数据，得到MV矩阵，MV＝[mυ₁ mυ₂ … mυ_n]；

B)将时间窗长win，间隔t分钟的采集频率，换算成采样点数量为win_t，win_t＝win/t；计算间隔win_t内MV各变量的方差MV_υar，MV_υar＝[mυ_1υar mυ_2υar … mυ_nυar]，

计算MV_υar内各元素mυ_nυar相邻两点的斜率mυ_nυars，得到集合MV_υars，

MV_υars＝[mυ_1υars mυ_2υors … mυ_nυars]；

定义MV_υars是mυ变量在win时间内的相邻两点方差变化的斜率，其数值大小反映了mυ的震荡趋势，在人为操作mυ时，其数值会瞬间增大，为了增加结果的鲁棒性，引入MV_υars的均值。

C)计算间隔win_t内mυ_nυars的均值mυ_nυarsm，形成集合MV_υarsm，

MV_υarsm＝[mυ_1υarsm mυ_2υarsm … mυ_nυarsm]

定义MV_υarsm是mυ变量在2个win时间内的相邻两点方差变化的斜率的均值；

D)初始化mυ_n变量在时间窗长win内，方差的斜率的均值的阈值TmV_nυarsm＝100，删除mυ_n中Tmυ_nυarsm＞100的时间段，得到去除人为操作的mυ_n变量nυ_nNormal；

E)定义

是变量mυ_nNormal全部数据的方差，经过步骤A)-E)去除了mυ_n变量中人为操作时间段，即波动较大的数据，因此在理想状态下，

相对较小；

计算mυ_nNormal在滚动时间窗win_t内的方差mυ_nNormalVar，

mυ_nNormalVar的均值

上述

是mυ_n的整体方差，而mυ_nNprmalVarM是mυ_n的滑动窗长win_t内的所有方差均值，当mυ_nNormalVarM大于

时，表示通过Tmυ_nυarsm阈值限定后，在某些滑动窗长win_t内仍存在异常值，使得局部方差和整体方差有差异，因此需要减少Tmυ_nυarsm值，进一步排除异常数据，所以有：

如果

Tmυ_nυarsm-1

F)循环步骤E)，直至nυ_{nNormalVarMean}≤Tmυ_{nNormalVarMean}；

G)循环步骤D)-F)，直至集合MV内所有变量都遍历结束，得到所有mυ变量的方差的斜率的均值的阈值TMV_υarsm

TMV_υarsm＝[Tmυ_1υarsm Tnυ_2υarsm …Tmυ_nυarsm]

H)评估模型预警联合判断。当评估模型产生预警时，判断预警模型的所有mυ变量在时间窗长win内，方差的斜率的均值MV_υarsm是否小于TMV_υarsm，如果成立，则正常预警；否则不进行预警，以此屏蔽人为操作引起的误报警。

相比于现有技术，本发明的优点在于：1.识别人为操作引起的误报警并且屏蔽；2.模型健康度值不受人为操作mυ变量的影响；3.减少设备传递误差导致的模型健康度下降亦或震荡变化；4.识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警。

附图说明

图1为斗提总电流和喂料称总喂料量曲线拟合图。

图2为斗提总电流和喂料称总喂料量预测残差异常标记图。

图3为剔除异常残差后的斗提总电流和喂料称总喂料量散点图。

图4为本发明有效识别出人为操作引起的误报警并且屏蔽示意图。

图5为本发明模型健康度值更加稳定，不受人为操作mυ变量的影响示意图。

图6为本发明识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警示意图。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

本发明提供了两种解决方案，方案二是对方案一的补充，在方案一技术条件满足的前提下，优先使用方案一。方案一主要思想是通过分析cυ对mυ的响应状态，屏蔽人为操作引起的预警。的具体方法如下：

步骤1：将模型评估对象的所有测点划分成两个子集：CV和MV，CV是评估对象的全部被控变量集合，MV是评估对象的全部操作变量集合。

CV＝{cυ₁，cυ_2，…，cυ_n}，其中cυ_n是评估对象第n个被控变量；

MV＝{mυ₁，mυ₂，…，mυ_n}，其中mυ_n是评估对象第n个操控变量；

需要注意的是，在设备启停机前后，cυ对mυ的响应过程与正常运行时有较大的差别，因此使用该方法前，需要剔除建模对象历史数据中启机后和停机前k段时间的数据；

步骤2：为了得到评估对象CV和MV集合内各个元素的相关性，找出引起cυ变化的mυ变量，建立低误差的回归函数，需要计算集合CV和MV内各元素的相关性矩阵r_CVMV

其中，S_CVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵，S_CV表示CV内每个元素的样本标准差矩阵，S_MV表示MV每个元素的样本标准差矩阵。

步骤3：定义

是cυ_n变量与集合MV内所有变量的相关性矩阵，其中

r_T是cυ_n变量和mυ变量相关性阈值，在集合MV中选择

的mυ变量，带入以下的多元线性回归方程中，使用最小二乘法求解系数β₀、β₁...β_s

其中，

是cυ_n的预测值，表示了cυ_n对MV集合内部分变量的期望响应值。以上该函数表达了评估对象内部cυ变量对mυ变量的正常响应模式。

使用历史数据，根据上述多元线性回归方程，计算模型R²，若模型R²大于

表明评估对象内部cυ变量对mυ变量具有响应规律模式，进入步骤4；否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强，选用方案二解决人为操作干扰问题。

步骤4：计算cυ_n与

的历史全部残差

是属于高斯分布的一组数据，表示cυ_n对MV集合内部分变量的响应误差。

使用密度聚类的算法。以此按照

内样本数量排序，保留样本数量最多的类

其余类别表征了

中的离群点，这些离群点表示了cυ_n对MV非正常响应，建立评估模型需要剔除这部分的数据。

步骤5：重复步骤3、4，直至遍历集合CV内所有元素，得到所有被控变量对操控变量MV正常响应时的历史残差topR_CV，

topR_CV是基于CV对MV的正常响应误差，这部分误差的范围表征系统的正常容错。

步骤6：使用topR_CV历史数据进行评估模型建模，模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差。topR_CV是评估对象历史运行数据模型中每个状态点的数值组，根据数据分布的概率密度，进行均衡采样，按照“相似不重复”的原则，得到覆盖评估模型全部工况的状态点组。此外，使用topR_CV集合内cυ_n的历史误差的上限

作为测点cυ_n预警阈值，其中

若超出阈值

表征cυ_n对其相关MV变量的异常响应，此时评估系统对cυ_n测点进行预警。

步骤7：输入topR_CV当前数据组，将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算，找出与该状态组值最相似的一组数据模型特征组值，即cυ_n的误差值

两组数据的距离度量形成相似度曲线，即模型健康度HPI。

步骤8：将步骤7得到的cυ_n误差预测值

和实际值

比较，得出cυ_n误差的残差

当

有增大的趋势时，表征cυ_n对其相关MV的响应出现持续异常的现象，此时引起评估模型的健康度HPI趋势下降。

方案二的具体方法如下：

分析工厂历史数据时发现：当人为操控变量时，一段时间内的MV方差变化率对比无人为操控状态下，两者绝对值的均值有较大差异。量化并捕捉这一变化异常即可屏蔽人为操控引起的误报警。具体方法如下：

步骤1：根据建模对象所属工艺单元，选择该工艺单元相关的MV操控变量一年的数据，得到MV矩阵，MV＝[mυ₁ mυ₂ … mυ_n]；

步骤2：将时间窗长min，间隔t分钟的采集频率，换算成采样点数量为win_t，win_t＝win/t；计算间隔win_t内MV各变量的方差MV_υar，MV_υar＝[mυ_1υar mυ_2υar … mυ_nυar]，

计算MV_υar内各元素mυ_nυar相邻两点的斜率mυ_nυars，得到集合MV_υars，

MV_υars＝[mυ_1υars mυ_2υars … mυ_nυars]；

定义MV_υars是mυ变量在win时间内的相邻两点方差变化的斜率，其数值大小反映了mυ的震荡趋势，在人为操作mυ时，其数值会瞬间增大。为了增加结果的鲁棒性，引入MV_υars的均值。

步骤3：计算间隔win_t内mυ_nυars的均值mυ_nυarsm，形成集合MV_υarsm，

MV_υarsm＝[mυ_1υarsm mυ_2υarsm … mυ_nυarsm]

定义MV_υarsm是mυ变量在2个win时间内的相邻两点方差变化的斜率的均值。相较于集合MV_υars，虽然判断人为操作mυ变量的灵敏性有所降低，但是增加了稳定性，降低了误判断比例。

步骤4：初始化mυ_n变量在时间窗长win内，方差的斜率的均值的阈值Tmυ_nυarsm＝100，删除mυ_n中Tmυ_nυarsm＞100的时间段，得到去除人为操作的mυ_n变量mυ_nNormal。

步骤5：定义

是变量mυ_nNormal全部数据的方差。经过步骤1-5去除了mυ_n变量中人为操作时间段，即波动较大的数据，因此在理想状态下，

相对较小。

计算mυ_nNormal在滚动时间窗win_t内的方差mυ_nNormalVar，

mυ_nNormalVar的均值

上述

是mυ_n的整体方差，而mυ_nNormalVarM是mυ_n的滑动窗长win_t内的所有方差均值，当mυ_nNormalVarM大于

时，表示通过Tmυ_nυarsm阈值限定后，在某些滑动窗长win_t内仍存在异常值，使得局部方差和整体方差有差异。因此需要减少Tmυ_nυarsm值，进一步排除异常数据，所以有：

如果

Tmυ_nυarsm-1

步骤6：循环步骤5，直至mυ_{nNormalVarMean}≤Tmυ_{nNormalVarMean}。

步骤7：循环步骤4、5、6，直至集合MV内所有变量都遍历结束。得到所有mυ变量的方差的斜率的均值的阈值TMV_υarsm

TMV_υarsm＝[Tmυ_1υarsm Tmυ_2υarsm … Tmυ_nυarsm]

步骤8：评估模型预警联合判断。当评估模型产生预警时，判断预警模型的所有mυ变量在时间窗长win内，方差的斜率的均值MV_υarsm是否小于TMV_υarsm，如果成立，则正常预警；否则不进行预警，以此屏蔽人为操作引起的误报警。

实施例

以生料入窑系统评估模型为例，生料入窑系统包含生料小仓仓重、喂料斗提总电流、喂料称总喂料量、库荷及预热器斜槽风机(电流)、入预热器回转锁风阀(电流)测点。

去除建模对象启停机前后1小时内的数据，得到去停机后的数据，将以上测点划分为MV、CV两种，MV＝{喂料称总喂料量}，

CV＝{生料小仓仓重，喂料斗提总电流，库荷及预热器斜槽风机(电流)，入预热器回转锁风阀(电流)}以喂料斗提总电流这个CV为例，计算其与MV＝{喂料称总喂料量}相关性，得到两者相关系数r＝0.84，大于阈值0.5，属于较强相关。遂选择喂料称总喂料量作为喂料斗提总电流的影响变量。

建立喂料斗提总电流和喂料称总喂料量的多元线性回归方程，通过最小二乘法求解得到下述方程：

其中，mυ₁是喂料称总喂料量，

是预测的喂料斗提总电流。以上模型R²＝0.72，大于阈值

继续方案一。

将以上结果曲线绘制成散点图和曲线拟合图，如图1所示：

计算喂料斗提总电流对喂料称总喂料量的响应误差，即：

其中，cυ_n是喂料斗提总电流的实际值，

是根据喂料称总喂料量预测的喂料斗提总电流。

对斗提总电流预测值和实际值的残差

进行密度聚类，超参eps等于1，min_samples等于3，根据密度分布去除残差较大的总体总电流离群点。结果图2所示，图中使用除蓝色以外的其他颜色标记出了残差较大的离群点。

剔除残差较大的离群点，得到斗提总电流对喂料称总喂料量的正常响应状态点，如图3所示，使用图中数据点与拟合点的残差

放入评估模型建模。

输入评估系统的超球模型实时预测cυ_n的误差值

和cυ_n误差实际值

比较，得出cυ_n误差的残差

关于斗提总电流对喂料称总喂料量的正常响应误差.剔除异常残差后的斗提总电流和喂料称总喂料模型预测残差范围在[-7.5，7.5]范围内，如图3所示，。

斗提总电流和喂料称总喂料量的历史误差数值的上限

若超出15，表征斗提总电流对喂料称总喂料量的异常响应，评估系统对斗提总电流测点进行预警。

利用上述方案，本发明有效识别出人为操作引起的误报警并且屏蔽，如图4所示：

图中1、2、3、4、5处的HPI下降，源于MV：喂料称总喂料量人为操作引起的，在IEM触发预警时，当前MV变量的方差的斜率的均值超出阈值93.5，模型屏蔽预警。

模型健康度值更加稳定，不受人为操作mυ变量的影响，如图5所示。

图中两个健康度HPI曲线分别用cυ测点数值以及cυ测点对mυ测点的响应误差建模。由图中可知，第二条曲线使用cυ测点对mυ测点的响应误差建模，得到的曲线不受人为操作mυ变量的影响，更加稳定。

减少设备传递误差导致的模型健康度下降亦或震荡变化；

4.识别监测模型的被控变量cυ对操控变量mυ响应偏差的持续劣化现象并提前预警，如图6所示。

Claims (5)

1.一种降低系统偏差对评估结果干扰的组合方法，其特征在于步骤包括：

1)将模型评估对象的所有测点划分成两个子集：CV和MV，CV是评估对象的全部被控变量集合，MV是评估对象的全部操作变量集合；

CV＝{cv₁，cv₂，…，cv_n}，其中cv_n是评估对象第n个被控变量；

MV＝{mv₁，mv₂，…，mv_n}，其中mv_n是评估对象第n个操控变量；

2)计算集合CV和MV内各元素的相关性矩阵r_CVMV：

其中，S_CVMV表示集合CV内所有元素和集合MV内所有元素的样本协方差矩阵，S_CV表示CV内每个元素的样本标准差矩阵，S_MV表示MV每个元素的样本标准差矩阵；

3)定义

是cv_n变量与集合MV内所有变量的相关性矩阵，其中

r_T是cv_n变量和mv变量相关性阈值，在集合MV中选择

的mv变量，带入以下的多元线性回归方程中，使用最小二乘法求解系数β₀、β₁...β_s

其中，

是cv_n的预测值，表示了cv_n对MV集合内部分变量的期望响应值，以上该函数表达了评估对象内部cv变量对mv变量的正常响应模式，

使用历史数据，根据上述多元线性回归方程，计算模型R²，若模型R²大于

表明评估对象内部cv变量对mv变量具有响应规律模式，进入步骤4)；否则表明了通过建模和模型误差的方式屏蔽人为操作干扰随机性太强，利用量化有无人为操控变量时，MV方差变化率绝对值的均值的变化异常方案解决人为操作干扰问题；

4)计算cv_n与

的历史全部残差

是属于高斯分布的一组数据，表示cv_n对MV集合内部分变量的响应误差；

使用密度聚类的算法，以此按照

内样本数量排序，保留样本数量最多的类

其余类别表征了

中的离群点；

5)重复步骤3)-4)，直至遍历集合CV内所有元素，得到所有被控变量对操控变量MV正常响应时的历史残差topR_CV，

topR_CV是基于CV对MV的正常响应误差，这部分误差的范围表征系统的正常容错；

6)使用topR_CV历史数据进行评估模型建模，模型学习的数据模式是基于评估对象所有CV对MV的正常响应误差；topR_CV是评估对象历史运行数据模型中每个状态点的数值组，根据数据分布的概率密度，进行均衡采样，按照“相似不重复”的原则，得到覆盖评估模型全部工况的状态点组；

7)输入topR_CV当前数据组，将该状态组值和设备正常运行数据模型中每个状态点的数值组进行比较计算，找出与该状态组值最相似的一组数据模型特征组值，即cv_n的误差值

两组数据的距离度量形成相似度曲线，即模型健康度HPI。

8)将步骤7)得到的cv_n误差预测值

和实际值

比较，得出cv_n误差的残差

当

的绝对值有增大的趋势时，表征cv_n对其相关MV的响应出现持续异常的现象，此时引起评估模型的健康度HPI趋势下降。

2.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法，其特征在于所述步骤1)中在设备启停机前后，剔除建模对象历史数据中启机后和停机前k段时间的数据。

3.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法，其特征在于所述步骤4)中所述

中的离群点表示了cv_n对MV非正常响应，建立评估模型需要剔除

中的离群点的数据。

4.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法，其特征在于所述步骤6)中使用topR_CV集合内cv_n的历史误差的上限

作为测点cv_n预警阈值，其中

若超出阈值

表征cv_n对其相关MV变量的异常响应，此时评估系统对cv_n测点进行预警。

5.根据权利要求1所述的一种降低系统偏差对评估结果干扰的组合方法，其特征在于所述步骤3)中量化有无人为操控变量时，方差变化率绝对值的均值的变化异常方案具体方法如下：

A)根据建模对象所属工艺单元，选择该工艺单元相关的MV操控变量一年的数据，得到MV矩阵，MV＝[mv₁ mv₂ … mv_n]；

B)将时间窗长win，间隔t分钟的采集频率，换算成采样点数量为win_t，win_i＝win/t；计算间隔win_t内MV各变量的方差MV_var，MV_var＝[mv_1var mv_2var … mv_nvar]，

计算MV_var内各元素mv_nvar相邻两点的斜率mv_nvars，得到集合MV_vars，

MV_vars＝[mv_1vars mv_2vars … mv_nvars]；

定义MV_vars是mv变量在win时间内的相邻两点方差变化的斜率，其数值大小反映了mv的震荡趋势，在人为操作mv时，其数值会瞬间增大，为了增加结果的鲁棒性，引入Mv_vars的均值。

C)计算间隔win_t内mv_nvars的均值mv_nvarsm，形成集合MV_varsm，

MV_varsm＝[mv_1varsm mv_2varsm ··· mv_nvarsm]

定义MV_varsm是mv变量在2个win时间内的相邻两点方差变化的斜率的均值；

D)初始化mv_n变量在时间窗长win内，方差的斜率的均值的阈值Tmv_nvarsm＝100，删除mv_n中Tmv_nvarsm＞100的时间段，得到去除人为操作的mv_n变量mv_nNormal；

E)定义

是变量mv_nNormal全部数据的方差，经过步骤A)-E)去除了mv_n变量中人为操作时间段，即波动较大的数据，因此在理想状态下，

相对较小；

计算mv_nNormal在滚动时间窗win_t内的方差mv_nNormalVar，

mv_nNormalVar的均值

上述

是mv_n的整体方差，而mv_nNormalVarM是mv_n的滑动窗长win_t内的所有方差均值，当mv_nNormalVarM大于

时，表示通过Tmv_nvarsm阈值限定后，在某些滑动窗长win_t内仍存在异常值，使得局部方差和整体方差有差异，因此需要减少Tmv_nvarsm值，进一步排除异常数据，所以有：

如果

F)循环步骤E)，直至mv_{nNormalVarMean}≤Tmv_{nNormalVarMean}；

G)循环步骤D)-F)，直至集合MV内所有变量都遍历结束，得到所有mv变量的方差的斜率的均值的阈值TMV_varsm

TMV_varsm＝[Tmv_1varsm Tmv_2varsm … Tmv_nvarsm]

H)评估模型预警联合判断。当评估模型产生预警时，判断预警模型的所有mv变量在时间窗长win内，方差的斜率的均值MV_varsm是否小于TMV_varsm，如果成立，则正常预警；否则不进行预警，以此屏蔽人为操作引起的误报警。

Images