一种基于即时近邻重构误差的一段炉运行异常检测方法

1.本发明涉及一种工业过程运行状态监测方法，特别涉及一种基于即时近邻重构误差的一段炉运行异常检测方法。


背景技术：

2.一段转化炉是氨合成区成套设备中最关键的设备之一，它的作用是将原料及水蒸气转化成合成氨用的工艺气体。其结构主要由辐射段、过度段、对流段、烟道、引风机及烟囱等几部分组成。其工艺是将天然气中甲烷进行一次转化，即：天然气经一段炉对流段加热到510℃，经上集气管、猪尾管分配到转化管，经转化后的工艺气由炉底中心管上升汇集于炉顶输气管，送二段转化炉进一步转化。可以说，一段炉运行状态的实时监测尤为重要，这是因为它不仅是高能耗单元，而且还决定是否可以有效的提高氢气的产量与纯度。
3.由于一段炉是合成氨过程中非常关键的一环，根据工艺经验可知，一段炉高效且平稳的运行要求维持较高的一段炉出口气体温度，并同时兼顾炉拱温度和对流段盘管温度不超温。在一段炉运行过程中，炉墙容易在高温条件下损坏，从而影响一段炉的运行效率。由此可见，一段炉的运行在期望状态会受到多个因素的制约，通过建立精确的机理模型分析这些因素之间的复杂关系是不现实的。因此，只能通过采样数据实现对一段炉运行异常的实时检测。当前国内合成氨一段炉都配套有多个测量仪表和分布式控制系统(distributed control system，缩写：dcs)，完全可以短间隔实时测量诸如温度、压力、流量、液位等类型的样本数据。这些容易获取的数据为实施数据驱动的一段炉运行异常检测奠定了坚实的数据基础。
4.然而，一段炉主要涉及的是燃烧过程，燃烧过程引起的温度变化情况复杂，采样数据分布的非高斯性特征明显。虽然一段炉工艺设计中的期望正常状态只有一种，但是多个变量之间的离散图呈现多点聚集分散的复杂多模态形式。因此，在利用采样数据实施异常检测时，需要充分考虑数据分布的局部特性，通过近邻关系来挖掘出异常工况数据。现在的方法技术中，更多的是关注正常工况下采样数据的局部近邻特征分析，所提取的特征是否能高效检测出不同的异常或故障类型还未可知。从这个观点出发，一段炉运行异常检测任务的关键在于异常检测，实施数据特征分析提取实现异常检测的一个技术手段。因此，如何即时的分析出一段炉在线样本数据中潜藏的异常变化特征，才是有效实施一段炉运行异常检测的难点。


技术实现要素：

5.本发明所要解决的主要技术问题是：如何即时的为一段炉在线采样数据自适应的分析提取出潜藏在局部近邻关系中的异常变化特征，从而针对性的完成一段炉运行异常检测任务。具体来讲，本发明方法通过设计一种即时近邻重构误差生成技术，针对性的为各个在线采样数据即时的分析出其在近邻重构关系中的误差。在此基础上，利用近邻重构误差的变化情况来实现对一段炉运行异常的检测。
6.本发明方法解决上述问题所采用的技术方案为：一种基于即时近邻重构误差的一段炉运行异常检测方法，包括以下所示步骤：
7.步骤(1)：从dcs的历史数据库中，获取一段炉运行在正常状态下的n组样本数据 x1，x2，
…
，xn，组建训练数据矩阵x＝[x1，x2，
…
，xn]后，再对x中各行的行向量分别实施标准化处理，得到参考数据矩阵其中，每组样本数据具体是由13个测量数据组建成的 13
×
1维的实数向量，r
13
×n表示13
×
n维的实数矩阵，r表示实数集，标准化的方式具体是行向量减去行向量中所有元素平均值后，再除以该行向量中所有元素的标准差。
[0008]
值得说明的是，每组样本数据中13个测量数据的排列顺序依次分别是：燃气天然气进气流量，废气燃气进气流量，换热器出口处的压力与温度，预热器出口处的燃气天然气温度，一段炉出口处的炉内燃气压力，一段炉入口处气体温度，一段炉内左上方的燃气温度，一段炉内右上方的燃气温度，一段炉顶部的混合炉内燃气温度，一段炉左出口处转换气体温度，一段炉右出口处转换气体温度，一段炉出口处转换气体温度。
[0009]
步骤(2)：当下标号i分别等于1，2，
…
，n时，通过公式组建增广向量z1，z2，
…
，zn后，设置近邻个数等于k并计算得到近邻重构向量w1，w2，
…
，wn，具体的实施过程如步骤(2.1)至步骤(2.5)所示；其中，n＝n-d，上标号t表示矩阵或向量的转置， d表示增广个数，其取值范围是d∈{2，3，4，5，6}，表示参考数据矩阵中第i列的列向量，表示中第i d列的列向量，表示中第i d-1列的列向量。
[0010]
步骤(2.1)：初始化i＝1后，再根据公式di(j)＝(z
i-zj)
t
(z
i-zj)计算得到zi对应的平方距离向量di∈r1×n；其中，di(j)表示di中的第j列元素，j∈{1，2，
…
，n}。
[0011]
步骤(2.2)：将di中除第i个元素之外的最小的k个元素所在的列记录为列标号集合φ(zi)，并根据φ(zi)中的k个列标号对应的将参考增广矩阵z＝[z1，z2，
…
，zn]中相同列的列向量组建成zi对应的近邻矩阵zi∈r
13(d 1)
×k，r
13(d 1)
×k表示13(d 1)
×
k维的实数矩阵。
[0012]
步骤(2.3)：初始化zi对应的近邻重构向量wi等于一个1
×
n维的零向量，再根据公式计算出近邻回归系数向量
[0013]
步骤(2.4)：根据列标号集合φ(zi)中记录的k个列标号，设置近邻重构向量wi∈r1×n中相同列的k个元素依次分别等于中的k个元素。
[0014]
步骤(2.5)：根据公式wi＝wi/sum(wi)更新wi后，再判断i是否小于n；若是，则设置 i＝i 1后，计算得到zi对应的平方距离向量di∈r1×n，再返回步骤(2.2)；若否，则得到n个近邻重构向量w1，w2，
…
，wn；其中，sum(wi)表示计算wi中所有元素之和。
[0015]
步骤(3)：通过即时近邻重构误差生成技术依次分别为z1，z2，
…
，zn生成得到相应的误差异常指标具体的实施过程如步骤(3.1)至步骤(3.5)所示。
[0016]
步骤(3.1)：初始化i＝1。
[0017]
步骤(3.2)：根据公式和分别计算矩阵li和矩阵gi后，再求解广义特征值问题gi＝λilipi中最大特征值λi对应的特征向量pi。
[0018]
步骤(3.3)：根据公式更新特征向量pi后，再根据计算出zi对应的误差异常指标
[0019]
步骤(3.4)：判断i是否小于n；若是，则设置i＝i 1后，返回步骤(3.2)；若否，则生成得到n个误差异常指标
[0020]
步骤(4)：对对实施核密度估计(kernel density estimation，缩写：kde)，从而得到在置信度α＝99.5％时的置信限并将中数值最大的ξ个误差异常指标的平均值记录为后，再确定控制上限其中，ξ表示不大于 n
×
99％的最大整数，max{q
kde
，q
avg
}表示取q
kde
和q
avg
中的最大值。
[0021]
需要说明的是，上述步骤(3)及其子步骤中所述的即时近邻重构误差生成技术的目标在于通过特征向量pi转换后，zi的近邻重构误差的平方(即最大化，同时要求其它增广向量对应的近邻重构误差的平方和(即最小化，从而实现利用近邻重构误差区分异常的目的。
[0022]
具体来讲，该项技术的目标函数如下所示：
[0023]
上式中，wj表示zj对应的近邻重构向量。通过经典的拉格朗日乘子法即可实现对上式
①
的求解，即通过构造如下所示的拉格朗日函数j：
[0024]
分别计算j相对于pi的偏导数，再设置偏导数等于0后，可得到步骤(3.2)中的广义特征值问题：gi＝λilipi。
[0025]
由于矩阵gi的秩等于1，因此gi＝λilipi中只有一个非零特征值，该非零特征值即为最大的特征值。然而，矩阵li会出现不可逆情况，因此上述步骤(3.2)中求解广义特征值，还需通过奇异值分解来实现，具体的实施过程如步骤(一)至步骤(四)所示。
[0026]
步骤(一)：对矩阵li实施奇异值分解li＝uλu
t
，只保留所有大于10-4
的非零奇异值，从而得到酉矩阵u和奇异值对角矩阵λ后，再计算得到矩阵
[0027]
步骤(二)：根据公式计算得到矩阵后，初始化特征向量g为任意的一个 13(d 1)
×
1维的实数向量。
[0028]
步骤(三)：依次根据公式和更新得到特征向量g。
[0029]
步骤(四)：判断特征向量g是否收敛；若否，则返回步骤(三)；若是，则得到最终的特征向量g后，执行步骤(五)。
[0030]
步骤(五)：根据公式计算得到广义特征值问题中的特征向量pi。
[0031]
步骤(5)：利用dcs获取一段炉在最新采样时刻的一组样本数据x
t
∈r
13
×1后，对其各行元素实施与步骤(2)中相同的标准化处理，从而得到最新采样时刻对应的数据向量
[0033]
步骤(6)：将及其前一个采样时刻对应的数据向量前两个采样时刻对应的数据向量至前d个采样时刻对应的数据向量合并组成增广向量后，再确定出z
t
对应的近邻重构向量w
t
，具体的实施过程如步骤(6.1)至步骤(6.4)所示。
[0034]
步骤(6.1)：根据公式d
t
(j)＝(z
t-zj)
t
(z
t-zj)计算得到z
t
对应的平方距离向量 d
t
∈r1×n；其中，d
t
(j)表示d
t
中的第j列元素，j∈{1，2，
…
，n}。
[0034]
步骤(6.2)：将d
t
中最小的k个元素所在的列记录为列标号集合φ(z
t
)，并对应的将参考增广矩阵z＝[z1，z2，
…
，zn]中相同列的列向量组建成z
t
对应的近邻矩阵z
t
∈r
13(d 1)
×k。
[0035]
步骤(6.3)：初始化z
t
对应的近邻重构向量w
t
等于一个1
×
n维的零向量，再根据公式计算出近邻回归系数向量
[0036]
步骤(6.4)：根据列标号集合φ(z
t
)中记录的k个列标号，设置近邻重构向量w
t
∈r1×n中相同列的k个元素依次对应等于中的k个元素后，再根据w
t
＝w
t
/sum(w
t
)更新w
t
。
[0037]
步骤(7)：利用即时近邻重构误差生成技术为z
t
生成得到相应的误差异常指标具体的实施过程如步骤(7.1)至步骤(7.2)所示。
[0038]
步骤(7.1)：根据公式分别计算矩阵l
t
和矩阵g
t
后，再求解广义特征值问题g
t
＝λ
t
l
t
p
t
中最大特征值λ
t
对应的特征向量p
t
。
[0038]
步骤(7.2)：根据公式更新特征向量p
t
后，再根据计算出z
t
对应的误差异常指标
[0039]
步骤(8)：判断是否大于若否，则一段炉正常运行，返回步骤(5)继续利用最新采样时刻的样本数据实施异常检测；若是，则执行步骤(9)从而决策是否触发异常警报。
[0040]
步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施异常检测，若连续a 个采样时刻的误差异常指标都大于则触发异常警报；反之，则一段炉正常运行；其中， a等于触发异常警报要求的最短时间除以采样间隔时间的商。
[0041]
通过以上所述实施步骤，本发明方法的主要优势介绍如下。
[0042]
最大的技术优势在于：本发明采用了一种即时近邻重构误差的算法技术，能够从最大化在线新样本数据的近邻重构误差和最小化正常样本数据的近邻重构误差的角度生成出最有利于实施异常检测的误差。从理论上讲，本发明方法是能够自适应的为最新采样时刻的样本数据生成相应的误差及其误差异常指标，有效的保障了误差异常指标针对于不同异常状态样本数据的敏感性。
附图说明
[0043]
图1为本发明方法的实施流程示意图。
[0044]
图2为一段炉的工艺流程及其测量仪表示意图。
具体实施方式
[0045]
下面结合附图和具体实施方式对本发明进行详细说明。
[0046]
本发明公开了一种基于即时近邻重构误差的一段炉运行异常检测方法，下面结合如图 1所示的实施流程示意图来说明本发明方法的具体实施方式。
[0047]
步骤(1)：步骤(1)：从dcs的历史数据库中，获取一段炉运行在正常状态下的n组样本数据x1，x2，
…
，xn，组建训练数据矩阵x＝[x1，x2，
…
，xn]后，再对x中各行的行向量分别实施标准化处理，得到参考数据矩阵
[0048]
如图2所示，一段炉的工艺流程涉及到的13个测量变量依次是：燃气天然气进气流
量f1，废气燃气进气流量f2，换热器出口处的压力p1与换热器出口处温度t1，预热器出口处的燃气天然气温度t2，一段炉出口处的炉内燃气压力p2，一段炉入口处气体温度t3，一段炉内左上方的燃气温度t4，一段炉内右上方的燃气温度t5，一段炉顶部的混合炉内燃气温度t6，一段炉左出口处转换气体温度t7，一段炉右出口处转换气体温度t8，一段炉出口处转换气体温度 t9。
[0049]
步骤(2)：当下标号i分别等于1，2，
…
，n时，通过公式组建增广向量z1，z2，
…
，zn后，设置近邻个数等于k并计算得到近邻重构向量w1，w2，
…
，wn，具体的实施过程如前述步骤(2.1)至步骤(2.5)所示。
[0050]
步骤(3)：利用即时近邻重构误差生成技术依次分别为z1，z2，
…
，zn生成得到相应的误差异常指标具体如前述步骤(3.1)至步骤(3.4)所示。
[0051]
步骤(4)：对对实施核密度估计，从而得到在置信度α＝99.5％时的置信限并将中数值最大的ξ个误差异常指标的平均值记录为后，再确定控制上限
[0052]
步骤(5)：利利用dcs获取一段炉在最新采样时刻的一组样本数据x
t
∈r
13
×1后，对其各行元素实施与步骤(2)中相同的标准化处理，从而得到最新采样时刻对应的数据向量
[0053]
步骤(6)：将及其前一个采样时刻对应的数据向量前两个采样时刻对应的数据向量至前d个采样时刻对应的数据向量合并组成增广向量后，再确定出z
t
对应的近邻重构向量w
t
。
[0054]
步骤(7)：利用即时近邻重构误差生成技术为z
t
生成得到相应的误差异常指标具体的实施过程如前述步骤(7.1)至步骤(7.2)所示；求解步骤(7.1)中的广义特征值问题 g
t
＝λ
t
l
t
pi的具体实施过程与上述步骤(一)至步骤(五)相同。
[0055]
步骤(8)：判断是否大于若否，则一段炉正常运行，返回步骤(5)继续利用最新采样时刻的样本数据实施异常检测；若是，则执行步骤(9)从而决策是否触发异常警报。
[0056]
步骤(9)：返回步骤(5)继续利用最新采样时刻的样本数据实施异常检测，若连续a 个采样时刻的误差异常指标都大于则触发异常警报；反之，则一段炉正常运行。