技术领域：
本发明涉及过程监测技术领域，具体涉及一种基于kpca-cva模型和随机算法的过程监测方法。
背景技术：
：
天然气液化装置中，丙烷预冷混合制冷剂液化流程(c3mr)由于结合了级联式与制冷剂液化流程的优点，具有既简单又高效的特点，被广泛应用于各个场景。c3mr流程主要分为两个环节：轻烃回收分馏过程和制冷剂循环过程。
轻烃回收分馏过程：原料气首先进行预处理利用活化甲基二乙醇胺溶液脱二氧化碳，其次通过变温等方法除去原料气中水等杂质。随后原料气依次进入脱乙烷塔、脱丙烷塔、脱丁烷塔进行轻烃回收分馏，获取丙烷制冷剂以及其他高附加值副产品，并对天然气凝液的热值进行调节,随后将处理后的天然气与制冷剂加入主换热器，进行制冷剂循环过程。
制冷剂循环过程：主要将天然气和混合制冷剂分别通过换热器制成液态天然气成品，而混合制冷剂在一定阶段被导出进行循环使用。
天然气液化装置由于长年需要在多负荷、高压、低温等环境下运行，外加上气源气压不稳定、机械部件疲劳及结构参数的不合理等情况，装置受到损坏现象十分容易发生，继而会出现产品产出效率降低的情况，严重地可能会发生重大的生产安全事故。在2016~2020期间，国家将投资高达2200亿元左右用于天然气的基础设施建设当中，其中大型天然气液化装置的建设更是其中装备建设任务的重点之一。因此，有必要对天然气液化装置进行实时过程监测，以便及时发现设备故障并进行维修，通过过程监测保证人员和设备的安全，也增加部件的使用寿命。
针对工业过程中的过程监测已有一些方法，如规范变量分析法(cva)是在最优的统计推理原理上发展起来的，并且已证明能达到最优的统计精度，它的基本思想是将两个变量集间的相关度最大化，即将历史数据集和未来数据集间的相关度最大化，在过去和现在状态的基础上，提供对未来输出的最佳预测。将cva算法引入到过程监测领域，更能从本质上刻画过程数据的特征。由于现有的基于cva模型的过程监测方法不可避免的会有数据遗失的现象，本发明对基于cva的过程监测方法进行了改进，更容易有效识别出引起故障的过程变量，有鉴于此，本案由此而生。
技术实现要素：
：
本发明公开一种基于kpca-cva模型和随机算法的过程监测方法，充分考虑了数据中的非线性特性而使用了kpca方法进行分析，并专注于过程中的动态特性构造了过去、将来矩阵，可以更有效地发现过程中的初始故障，并且在阈值的确定上使用了随机算法，可以更为准确地确定非高斯的过程统计量阈值。
为了实现上述发明目的，本发明所采用的技术方案为：
基于kpca-cva模型和随机算法的过程监测方法，内容包括：
步骤1)：采集正常工况下的过程状态数据，每一次采样可以得到1×m的测量向量xk，下标k表示采样时刻，经过n次采样后，得到采样矩阵x＝[x1,x2…xn]t∈rn×m；
步骤2)：通过数据的时序关系构建过去数据矩阵xp和将来数据矩阵xf，并使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵；
步骤3)：计算过去核矩阵的特征值λp和特征向量αp，计算将来核矩阵的特征值λf和特征向量αf，根据累计方差分别取前若干个特征值来表征所对应核矩阵的主要特征，并对所对应的核矩阵进行重构，获得重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf；
步骤4)：建立基于cva模型的目标函数，通过奇异值分解获得典型变量子空间的加权矩阵j，以及残差变量子空间的加权矩阵l，根据j和xp计算得到典型变量子空间z，根据l和xp计算得到残差变量子空间e；
步骤5)根据典型变量子空间z计算t2统计量，根据残差变量子空间e计算q统计量；
步骤6)：使用随机算法计算出t2统计量的阈值即：给定置信度并设定一个初始阈值
使用随机算法计算出q统计量的阈值即：给定置信度并设定一个初始阈值quc1，将步骤5)中计算出的q统计量与初始阈值quc1进行比较，并计算出所有统计量低于该初始阈值的概率，若概率高于给定的置信度则将初始阈值上调，若概率低于给定的置信度则将初始阈值下调，直到调整到满足置信度条件为止，此时获得的最终阈值即为q统计量的判断阈值；
步骤7)：采集实时工况下的过程状态数据，按照步骤2)至步骤5)的方法计算出实时t2统计量和实时q统计量，将实时t2统计量与步骤6)中最后获得的t2统计量的判断阈值比较，将实时q统计量与步骤6)中最后获得的q统计量的判断阈值比较，若两个统计量中有任何一个统计量小于等于其判断阈值，则意味着设备无故障，若两个统计量均大于各自的判断阈值，则表示设备故障需要维修。
进一步，所述步骤2)中首先构建过去数据向量xp,k以及将来数据向量xf,k，其中，
进一步，所述使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵具体方式如下：
xp→kp∈rn×n,xf→kf∈rn×n，n＞＞p或f；
进一步，所述步骤3)中过去核矩阵的特征值λp和特征向量αp根据公式(2)计算，将来核矩阵的特征值λf和特征向量αf根据公式(1)计算：
nλfαf＝kfαf(1)
nλpαp＝kpαp(2)
重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf分别如下：zf＝kfαf,b1，zp＝kpαp,b2，其中，αf,b1为前b1个最大特征值对应的特征向量组成的数据矩阵，αp,b2为前b2个最大特征值对应的特征向量组成的数据矩阵。
进一步，所述步骤4)中基于cva模型的目标函数如下：
其中，
通过构建矩阵，优化目标j和l可通过对ψ奇异值分解求得：
ψ＝∑p1/2∑pf∑f1/2＝γλδt(4)
上式中，γ为包含左奇异向量的数据矩阵，δ为包含右奇异向量的数据矩阵，λ为奇异值矩阵；
典型变量子空间的加权矩阵j和残差变量子空间的加权矩阵l按下式计算：j＝∑p1/2δc,
典型变量子空间z＝jxp，残差变量子空间e＝lxp。
进一步，所述步骤5)中t2＝ztz,q＝ete。
本发明将kpca-cva建模和随机算法的非线性方法与过程监测相结合，与其他基于多元统计方法的过程监测方式相比，非线性kpca-cva方法充分考虑了数据中的非线性特性，并专注于过程中的动态特性构造了过去、将来矩阵，可以更有效地发现过程中的初始故障，并且在阈值的确定上使用了随机算法，可以更为准确地确定非高斯的过程统计量阈值。
以下通过附图和具体实施方式对本发明做进一步阐述。
附图说明：
图1为本发明实施例中过程监测方法流程图。
具体实施方式：
本实施例公开一种基于kpca-cva模型和随机算法的过程监测方法，主要是面向天然气液化装置上使用，需要将各个传感器(流量传感器、温度传感器、浓度传感器等)分别安装于天然气液化装置中，用来采集需要监测的信号数据，具体的监测方法包括以下步骤(如图1所示)：
步骤1)：采集正常工况下的过程状态数据，每一次采样可以得到1×m的测量向量xk，下标k表示采样时刻，经过n次采样后，得到采样矩阵x＝[x1,x2…xn]t∈rn×m；
步骤2)：通过数据的时序关系构建过去数据矩阵xp和将来数据矩阵xf，并使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵，具体方法如下：
先对所有时刻数据进行均一化处理，对于给定k时刻，构建过去数据向量xp,k以及将来数据向量xf,k，其中，
使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵具体方式如下：
xp→kp∈rn×n,xf→kf∈rn×n，n＞＞p或f；
因为数据在低维度空间不是线性可分的，但是在高维度空间就可以变成线性可分了，因此为了获得数据的非线性特征，需要对上述获得的核矩阵执行kpca方法，即：将原始数据通过核函数映射到高维度空间，再利用pca算法进行降维，具体操作体现在步骤3)：计算过去核矩阵的特征值λp和特征向量αp，计算将来核矩阵的特征值λf和特征向量αf，根据累计方差分别取前若干个特征值来表征所对应核矩阵的主要特征，并对所对应的核矩阵进行重构，获得重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf。
步骤3)中过去核矩阵的特征值λp和特征向量αp根据公式(2)计算，将来核矩阵的特征值λf和特征向量αf根据公式(1)计算：
nλfαf＝kfαf(1)
nλpαp＝kpαp(2)
重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf分别如下：zf＝kfαf,b1，zp＝kpαp,b2，其中，αf,b1为前b1个最大特征值对应的特征向量组成的数据矩阵，αp,b2为前b2个最大特征值对应的特征向量组成的数据矩阵。
为分析其动态相关性，执行步骤4)：建立基于cva模型的目标函数，通过奇异值分解获得典型变量子空间的加权矩阵j，以及残差变量子空间的加权矩阵l，根据j和xp计算得到典型变量子空间z，根据l和xp计算得到残差变量子空间e。
步骤4)中基于cva模型的目标函数如下：
其中，
通过构建矩阵，优化目标j和l可通过对ψ奇异值分解求得：
ψ＝∑p1/2∑pf∑f1/2＝γλδt(4)
上式中，γ为包含左奇异向量的数据矩阵，δ为包含右奇异向量的数据矩阵，λ为奇异值矩阵；
典型变量子空间的加权矩阵j和残差变量子空间的加权矩阵l按下式计算：j＝∑p1/2δc,
步骤5)根据典型变量子空间z计算t2统计量向量(包含n个t2统计量)，根据残差变量子空间e计算q统计量向量(包含n个q统计量)，有t2＝ztz,q＝ete。
步骤6)：使用随机算法获得相应的统计量阈值，其中t2统计量的阈值计算方式如下：给定置信度并设定一个初始阈值
q统计量的阈值计算方法同上，即：给定置信度并设定一个初始阈值quc1，将步骤5)中计算出的q统计量逐一与初始阈值quc1进行比较，并计算出所有统计量低于该初始阈值quc1的概率，若概率高于给定的置信度则将初始阈值quc1上调，若概率低于给定的置信度则将初始阈值quc1下调，按照此原则直到调整到满足置信度条件为止，此时获得的最终阈值即为q统计量的判断阈值。
按照上述方式确定了每个统计量的判断阈值后，可以利用该判断阈值对实时监测数据进行判断，具体执行步骤7)：采集实时工况下的过程状态数据，按照步骤2)至步骤5)的方法计算出实时t2统计量和实时q统计量，将实时t2统计量与步骤6)中最后获得的t2统计量的判断阈值比较，将实时q统计量与步骤6)中最后获得的q统计量的判断阈值比较，根据比较结果判断设备是否出现故障，具体判断条件如下：若满足实时t2统计量小于等于其判断阈值，或者满足实时q统计量小于等于其判断阈值，则表示设备无故障，无需维护；若满足实时t2统计量大于其判断阈值，并且满足实时q统计量大于其判断阈值，则表示设备出现故障，需要维护。
以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。
1.基于kpca-cva模型和随机算法的过程监测方法，其特征在于：内容包括：
步骤1)：采集正常工况下的过程状态数据，每一次采样可以得到1×m的测量向量xk，下标k表示采样时刻，经过n次采样后，得到采样矩阵x＝[x1,x2…xn]t∈rn×m；
步骤2)：通过数据的时序关系构建过去数据矩阵xp和将来数据矩阵xf，并使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵；
步骤3)：计算过去核矩阵的特征值λp和特征向量αp，计算将来核矩阵的特征值λf和特征向量αf，根据累计方差分别取前若干个特征值来表征所对应核矩阵的主要特征，并对所对应的核矩阵进行重构，获得重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf；
步骤4)：建立基于cva模型的目标函数，通过奇异值分解获得典型变量子空间的加权矩阵j，以及残差变量子空间的加权矩阵l，根据j和xp计算得到典型变量子空间z，根据l和xp计算得到残差变量子空间e；
步骤5)根据典型变量子空间z计算t2统计量，根据残差变量子空间e计算q统计量；
步骤6)：使用随机算法计算出t2统计量的阈值即：给定置信度并设定一个初始阈值
使用随机算法计算出q统计量的阈值即：给定置信度并设定一个初始阈值quc1，将步骤5)中计算出的q统计量与初始阈值quc1进行比较，并计算出所有统计量低于该初始阈值的概率，若概率高于给定的置信度则将初始阈值上调，若概率低于给定的置信度则将初始阈值下调，直到调整到满足置信度条件为止，此时获得的最终阈值即为q统计量的判断阈值；
步骤7)：采集实时工况下的过程状态数据，按照步骤2)至步骤5)的方法计算出实时t2统计量和实时q统计量，将实时t2统计量与步骤6)中最后获得的t2统计量的判断阈值比较，将实时q统计量与步骤6)中最后获得的q统计量的判断阈值比较，若两个统计量中有任何一个统计量小于等于其判断阈值，则意味着设备无故障，若两个统计量均大于各自的判断阈值，则表示设备故障需要维修。
2.根据权利要求1所述的基于kpca-cva模型和随机算法的过程监测方法，其特征在于：所述步骤2)中首先构建过去数据向量xp,k以及将来数据向量xf,k，其中，
3.根据权利要求2所述的基于kpca-cva模型和随机算法的过程监测方法，其特征在于：所述使用高斯核函数将低维数据投影到高维特征空间中，获得过去核矩阵和将来核矩阵具体方式如下：
xp→kp∈rn×n,xf→kf∈rn×n，n＞＞p或f；
4.根据权利要求3所述的基于kpca-cva模型和随机算法的过程监测方法，其特征在于：所述步骤3)中过去核矩阵的特征值λp和特征向量αp根据公式(2)计算，将来核矩阵的特征值λf和特征向量αf根据公式(1)计算：
nλfαf＝kfαf(1)
nλpαp＝kpαp(2)
重构后的过去高维特征矩阵zp以及重构后的将来高维特征矩阵zf分别如下：zf＝kfαf,b1，zp＝kpαp,b2，其中，αf,b1为前b1个最大特征值对应的特征向量组成的数据矩阵，αp,b2为前b2个最大特征值对应的特征向量组成的数据矩阵。
5.根据权利要求4所述的基于kpca-cva模型和随机算法的过程监测方法，其特征在于：所述步骤4)中基于cva模型的目标函数如下：
其中，
通过构建矩阵，优化目标j和l可通过对ψ奇异值分解求得：
ψ＝∑p1/2∑pf∑f1/2＝γλδt(4)
上式中，γ为包含左奇异向量的数据矩阵，δ为包含右奇异向量的数据矩阵，λ为奇异值矩阵；
典型变量子空间的加权矩阵j和残差变量子空间的加权矩阵l按下式计算：j＝∑p1/2δc,
典型变量子空间z＝jxp，残差变量子空间e＝lxp。
6.根据权利要求5所述的基于kpca-cva模型和随机算法的过程监测方法，其特征在于：所述步骤5)中t2＝ztz,q＝ete。
技术总结