一种基于即时近邻重构误差的一段炉运行异常检测方法

技术特征：
1.一种基于即时近邻重构误差的一段炉运行异常检测方法，其特征在于，具体包括以下所示步骤：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，
…
，x
n
，组建训练数据矩阵x＝[x1，x2，
…
，x
n
]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该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；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，
…
，z
n
后，设置近邻个数等于k并计算得到近邻重构向量w，1，w2，
…
，w
n
，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，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；步骤(2.1)：初始化i＝1后，再根据公式d
i
(j)＝(z
i-z
j
)
t
(z
i-z
j
)计算得到z
i
对应的平方距离向量d
i
∈r1×
n
；其中，d
i
(j)表示d
i
中的第j列元素，j∈{1，2，
…
，n}；步骤(2.2)：将d
i
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(z
i
)，并根据列标号集合φ(z
i
)对应的将参考增广矩阵z＝[z1，z2，
…
，z
n
]中相同列的列向量组建成z
i
对应的近邻矩阵z
i
∈r
13(d 1)
×
k
，r
13(d 1)
×
k
表示13(d 1)
×
k维的实数矩阵；步骤(2.3)：初始化z
i
对应的近邻重构向量w
i
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步骤(2.4)：根据列标号集合φ(z
i
)中记录的k个列标号，设置近邻重构向量w
i
∈r1×
n
中相同列的k个元素依次对应等于中的k个元素；步骤(2.5)：根据公式w
i
＝w
i
/sum(w
i
)更新w
i
后，再判断i是否小于n；若是，则设置i＝i 1后，计算得到z
i
对应的平方距离向量d
i
∈r1×
n
，再返回步骤(2.2)；若否，则得到n个近邻重构向量w1，w2，
…
，w
n
；其中，sum(w
i
)表示计算w
i
中所有元素之和；步骤(3)：利用即时近邻重构误差生成技术依次分别为z1，z2，
…
，z
n
生成得到相应的误差异常指标具体如步骤(3.1)至步骤(3.3)所示；步骤(3.1)：当i分别等于1，2，
…
，n时，重复执行步骤(3.2)至步骤(3.3)，从而得到n个误差异常指标步骤(3.2)：根据公式和分别计算矩阵l
i
和矩阵g
i
后，再求解广义特征值问题g
i
＝λ
i
l
i
p
i
中最大特征值λ
i
对应的特征向量p
i
；步骤(3.3)：根据公式更新特征向量p
i
后，再根据计算出z
i
对应的误差异常指标步骤(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；
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其中，t表示最新采样时刻；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；步骤(6.1)：根据公式d
t
(j)＝(z
t-z
j
)
t
(z
t-z
j
)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}；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
)后，再根据列标号集合φ(z
t
)对应的将参考增广矩阵z＝[z1，z2，
…
，z
n
]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
；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
；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；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
；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；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。2.根据权利要求1所述的一种基于即时近邻重构误差的一段炉运行异常检测方法，其特征在于，利用dcs获取的每组样本数据具体是由13个测量数据组成的一个13
×
1维的实数向量，这13个测量数据的排列顺序依次是：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。3.根据权利要求1所述的一种基于即时近邻重构误差的一段炉运行异常检测方法，其特征在于，所述步骤(3.2)中和步骤(7.1)中求解广义特征值问题的具体实施过程如下所示：当求解步骤(3.2)中广义特征值问题g
i
＝λ
i
l
i
p
i
时，先设置g＝g
i
和l＝l
i
，再执行如下所
示步骤(一)至步骤(五)后，通过设置p
i
＝p得到最大特征值对应的特征向量p
i
；步骤(一)：对矩阵l实施奇异值分解l＝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，再计算得到矩阵步骤(二)：根据公式计算得到矩阵后，初始化特征向量g等于任意的一个13(d 1)
×
1维的实数向量；步骤(三)：依次根据公式和更新得到特征向量g；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)；步骤(五)：根据公式计算得到广义特征值问题中的特征向量p；当求解步骤(7.1)中广义特征值问题g
t
＝λ
t
l
t
p
t
时，先设置g＝g
t
和l＝l
t
，再执行上述步骤(一)至步骤(五)后，通过设置p
t
＝p得到最大特征值对应的特征向量p
t
。

技术总结
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，旨在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。本发明方法的技术优势在于：能够从最大化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。因此，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。相应的误差及其误差异常指标。相应的误差及其误差异常指标。


技术研发人员：王瑾 陈杨 陈勇旗
受保护的技术使用者：宁波大学科学技术学院
技术研发日：2022.04.30
技术公布日：2022/8/12