一种基于时序多块PCA的脱碳装置运行状态监测方法与流程

一种基于时序多块pca的脱碳装置运行状态监测方法
技术领域
1.本发明涉及一种化工设备运行状态监测方法，特别涉及一种基于时序多块pca的脱碳装置运行状态监测方法。


背景技术：

2.脱碳装置因其可以最大化的消除化工工艺气体中的二氧化碳成分，对于化工过程的碳中和要求具有重要的作用，在化工工艺的尾气处理、合成氨的生产工艺流程中广泛使用。作为合成氨工艺流程中的关键单元，脱碳装置能否发挥其应有的功效在于维持生产状态的稳定性，从而使经过脱碳装置处理后的气体中二氧化碳含量降至要求的水平以下。由于二氧化碳含量的测量依赖于昂贵且需要不断维护的气体含量分析仪，一种可行的方案就是通过监测其它诸如流量、液位、压力和温度等数据的变化来监测脱碳装置的运行状态。
3.一项申请号为2022106506399的中国发明专利申请中公开了了一种使用即时自回归误差生成模型的脱碳装置运行异常检测方法。该发明基于即时生成在线采样数据的时序自回归误差来监测脱碳装置的运行状态，所使用的数据分析技术在假设实时采样时刻都来自于异常或故障工况的基础上，通过即时建立的时序自回归模型生产反映异常的误差。从这个角度来讲，该发明很容易受到测量数据中噪声的干扰影响，而频繁的触发异常或故障误报。
4.此外，一项申请号为2022106501681的中国发明专利申请中披露了使用多块非线性数据分析的脱碳装置运行状态监测方法，该方法更多的关注于因脱碳装置运行异常而引起的数据非线性特征的变化，并在此基础上进行脱碳装置的异常监测。由于生产运行的稳定性，势必导致采样数据在时间上的连续型，因此考虑非线性数据变化特征的该发明具有一定的片面性，不能及时发现在时间先后的异常变化。
5.由于脱碳装置的运行的目的在于消除二氧化碳含量，而二氧化碳含量很难在线实时测量，只有选用能影响二氧化碳含量的测量变量对应的样本数据，才能更直接有效的监测脱碳装置运行状态异常。在选用合适测量变量的基础上，为了有效实现脱碳装置运行状态的监测，是需要考虑脱碳装置于正常运行状态时，其采样数据在采样时间先后上平稳变化的特征，当这种时序先后上的变化特征发生异常时，脱碳装置的运行状态就肯定出现了异常或故障。因此，实施数据驱动的脱碳装置运行状态监测还需更进一步的研究。


技术实现要素：

6.相对于现有技术，本发明所要解决的主要技术问题是：如何针对脱碳装置在正常运行状态时的样本数据分析表示出其在采样时间先后上的变化特征，并在量化该时序变化特征的基础上，对脱碳装置运行状态进行实时监测。具体来讲，本发明方法首先获取脱碳装置可实时测量的测量变量在正常运行状态下的样本数据，然后通过时序先后确定多个时序矩阵，接着按照多块pca(主成分分析，英文全文：principal component analysis)建模策略进行时序变化特征表示学习，最后利用回归模型量化时序特征之间的关系，并通过监测
新时刻样本数据对应的误差变化来实时检测脱碳装置的运行状态是否出现了异常。
7.本发明方法解决上述问题所采用的技术方案为：一种基于时序多块pca的脱碳装置运行状态监测方法，包括如下所示步骤。
8.步骤(1)：确定用于脱碳装置运行状态监测的11个测量变量后，在脱碳装置运行正常时，同时为这11个测量变量连续采集n个采样时刻的样本数据以组成数据矩阵x∈r
11
×n；其中，确定的11个测量变量依次是：气体进料流量(f1)、气体进料温度(t1)、分离塔液位(l1)、分离塔上部压力(p1)、吸收塔进气温度(t2)、吸收塔液位(l2)、吸收塔顶部气体温度(t3)、吸收塔顶部气压(p2)、吸收塔酸液进料流量(f2)、脱碳后气体温度(t4)、脱碳后气体流量(f3)，数据矩阵x中的各列向量由所述测量变量在相同采样时刻的样本数据按照所述测量变量顺序排列组成，x中第一列向量至第n列向量是按照采样时刻先后顺序排列的，r
11
×n表示11
×
n维的实数矩阵，r表示是数据集，n≥800。
9.步骤(2)：计算数据矩阵x中第1行向量、第2行向量至第11行向量的平均值μ1,μ2,
…
,μ
11
和标准差δ1,δ2,
…
,δ
11
后，再利用由平均值组成的平均值向量μ＝[μ1,μ2,
…
,μ
11
]
t
和由标准差组成的对角矩阵φ，按照公式对x中的各列向量实施标准化处理，再将经标准化处理后的列向量组成矩阵其中，xk和分别表示x和中的第k列向量，对角矩阵φ中对角线上的元素为δ1,δ2,
…
,δ
11
，其余元素为0，上标号t表示矩阵或向量的转置，k＝1,2,
…
,n。
[0010]
步骤(3)：设置时序阶数等于d后，将矩阵中的第1列至第n列的列向量按照公式分别组建d个时序矩阵其中，d为大于2且小于9的整数，n＝n-d，d＝1,2,
…
,d。
[0011]
步骤(4)：对时序矩阵进行时序特征表示学习，得到相应的d个特征变换矩阵p1,p2,
…
,pd、d个特征得分矩阵s1,s2,
…
,sd以及11个时序相关度ξ
(1)
,ξ
(2)
,
…
,ξ
(11)
，具体的实施过程包括以下所示步骤(4.1)至步骤(4.7)。
[0012]
步骤(4.1)：设置序号m＝1后，再将d个时序矩阵合并成一个增广矩阵
[0013]
步骤(4.2)：计算出z的协方差矩阵c＝z
t
z/(n-1)后，求解特征值问题cα＝λα中最大特征值λ对应的特征向量α。
[0014]
步骤(4.3)：将特征向量α分解成d个11
×
1维的子特征向量α1,α2,
…
,αd后，再按照公式计算得到特征变换向量其中，α1由α中第1至第11个元素组成，α2由α中第12至第22个元素组成，按照此规律αd则由α中第10d+1至第11d个元素组成。
[0015]
步骤(4.4)：通过公式计算特征得分向量后，再通过公式计算得到第m个时序相关度ξ
(m)
。
[0016]
步骤(4.5)：通过公式计算得到d个载荷向量再通过公式分别对d个时序矩阵进行更新
后，将更新后的d个时序矩阵再次合并成一个增广矩阵
[0017]
步骤(4.6)：判断m是否小于11；若是，则设置m＝m+1后，返回步骤(4.2)；若否，则得到11时序相关度ξ
(1)
,ξ
(2)
,
…
,ξ
(11)
，并将和分别组成对应的特征变换矩阵特征得分矩阵和载荷矩阵从而得到d个特征变换矩阵p1,p2,
…
,pd、d个特征得分矩阵s1,s2,
…
,sd和d个载荷矩阵q1,q2,
…
,qd。
[0018]
步骤(4.7)：按照公式分别更新d个特征变换矩阵p1,p2,
…
,pd。
[0019]
所述步骤(4.2)中求解最大特征值对应的特征向量的实施过程实际是pca算法求解中第一主成分的实施过程；而由于针对的是合并后的增广矩阵z，因此求解的特征向量α按照顺序分解成d个子特征向量α1,α2,
…
,αd则分别对应于即：α＝[α1,α2,
…
,αd]。由于pca算法中的第一主成分具有最大的方差，因此分别经α1,α2,
…
,αd变换后之间的相关性也是最大的。由于中相同行的行向量是采样时间先后上的行向量，因此，该相关性的最大化等价于时序相关性的最大化。
[0020]
在所述步骤(4.3)中公式的目的在于对子特征向量进行归一化处理，从而使经变换后得到特征得分向量都具有单位长度，从而便于在同一量纲下通过所述步骤(4.4)量化同样体现在采样时间先后上的d个特征得分向量之间的时序相关度。
[0021]
本发明是按照多块pca算法的思想，将多个时序矩阵当成多块pca算法中针对的多个块矩阵，从而分析学习出多个时序矩阵之间的时序相关性。在此基础上，本发明方法更进一步的对分解出的子特征向量进行归一化处理保证特征得分向量的单位长度。因此，步骤(4)利用多块pca建模的思想解决时序相关特征学习的问题。
[0022]
步骤(5)：设置参数j后，分别将p1,p2,
…
,pd中前j列向量对应组成时序变换矩阵再分别将p1,p2,
…
,pd中后11-j列向量对应组成静态变换矩阵与此同时，将s1,s2,
…
,sd中前j列向量对应组成时序得分矩阵将sd中后11-j列向量组成静态得分矩阵其中，参数j为大于2且小于11的整数。
[0023]
在步骤(5)中，时序变换矩阵由pd中前j列向量对应组成，静态变换矩阵由pd中11-j列向量对应组成，时序得分矩阵由sd中前j列向量对应组成。
[0024]
步骤(6)：建立由组成的输入矩阵与之间的回归模型其中，误差矩阵w为回归系数矩阵。
[0025]
在步骤(6)建立输入矩阵和的之间的回归模型最直接的方式是利用最小二乘回归算法确定回归系数矩阵w，但是考虑到输入矩阵有可能是奇异值的，因此步骤(6)中确定回归系数矩阵w优选的方式是：先对输入矩阵实施奇异值分解，且仅保
留非零奇异值以得到后，再计算出回归系数矩阵其中，λ是由奇异值分解中非零奇异值组成的对角矩阵，u和v为奇异值分解的两个酉矩阵。
[0026]
在上述步骤(6)中优选的建立回归模型的方式所依据的是主成分回归算法，通过奇异值分解可得到两个酉矩阵u和v，而λ中对角线上的数据为非零奇异值，而其余数据为零。根据奇异值分解的性质可知，u和v满足条件u
t
u＝v
t
v＝i，i表示单位矩阵。因此，按照公式对输入矩阵进行变换可得到u，再利用最小二乘回归算法可计算得到u和之间的回归系数矩阵因此，回归系数矩阵w步骤(6)中所述过程建立与之间的回归模型旨在避免因的奇异问题而导致无法直接应用最小二乘回归算法，所建立的回归模型能进一步起到量化时序得分矩阵之间的时序相关特征的目的，从其表示出脱碳装置正常运行状态下的样本数据的时序相关特征。
[0027]
步骤(7)：确定异常检测指标的控制上限g
max
、h
max
和f
max
，具体包括以下所示步骤(7.1)至步骤(7.2)。
[0028]
步骤(7.1)：通过公式g＝diag{ee
t
}和分别计算出异常检测指标向量g和h，再设置控制上限g
max
等于g中所有数据的最大值，设置控制上限h
max
等于h中所有数据的最大值；其中，diag{}表示将花括号内矩阵对角线上的数据转变成列向量的操作。
[0029]
步骤(7.2)：通过公式f＝g/g
max
+h/h
max
计算综合异常检测指标向量f后，确定f中所有数据的平均值b和标准差c，再设置控制上限f
max
＝b+3c。
[0030]
由于g和h都是脱碳装置正常运行状态下的样本数据对应的异常检测指标，为了避免不必要的误报，选用最大值是为了保证所有正常样本数据对应的异常检测指标都在该控制上限以下，从而避免不必要的误报；而步骤(7.2)通过三倍的标准差原则确定控制上限是为了保证通过加权和的方式得到的综合异常检测指标实施状态监测的灵敏性，这是因为三倍的标准差原则可以确保正常运行状态下的样本数据按照99.75％的概率被检测为正常。
[0031]
步骤(8)：往复循环执行以下所示步骤(8.1)至步骤(8.4)，利用脱碳装置在最新的d个采样时刻采集到的样本数据实施对脱碳装置运行状态的监测。
[0032]
步骤(8.1)：将步骤(1)中所述11个测量变量在最新的d个采样时刻的样本数据组成数据矩阵y∈r
11
×d后，通过公式对y中各列向量分别实施标准化处理，对应得到由标准化处理后的列向量组成的矩阵其中，yd和分别表示y和中的第d列向量，d＝1,2,
…
,d，数据矩阵y中的各列向量由11个测量变量在相同采样时刻的样本数据按照步骤(1)中所述的测量变量顺序排列组成，y中第一列向量至第d列向量是按照采样时刻先后顺序排列的。
[0033]
步骤(8.2)：通过公式和分别计算时序得分向量和静态得分向量后，再将组成输入向量
[0034]
步骤(8.3)：按照公式计算误差向量e，再按照公式g＝ee
t
和计算异常监测指标g和h后，按照公式f＝g/g
max
+h/h
max
计算得到综合异常监测指标。
[0035]
步骤(8.4)：判断f是否大于f
max
；若是，则脱碳装置运行出现异常；若否，则脱碳装置运行正常。
[0036]
作为本发明的进一步改进，步骤(5)中设置参数j时，优选为按照如下所示步骤(5.1)至步骤(5.2)确定需要设置的参数j。
[0037]
步骤(5.1)：设置m＝1。
[0038]
步骤(5.2)：根据ηm＝(ξ
(1)
+ξ
(2)
+
…
+ξ
(m)
)/(ξ
(1)
+ξ
(2)
+
…
+ξ
(11)
)计算出累加概率ηm后，判断ηm是否小于0.85；若是，则设置m＝m+1后，重复执行步骤(5.2)；若否，则设置参数j＝m后，完成对参数j的设置。
[0039]
通过所述步骤(5.1)至步骤(5.2)可以客观的确定出相应的参数j，不会受到因人为主观经验设置参数的干扰影响，避免了因错误的设置不合适的参数j而降低实施在线状态监测的监测性能。
附图说明
[0040]
图1为本发明方法的实施流程图。
[0041]
图2为合成氨过程中脱碳装置的工艺流程示意图。
[0042]
图3为脱碳装置的运行状态监测详情图
具体实施方式
[0043]
本发明本发明公开了一种基于时序多块pca的脱碳装置运行状态监测方法，下面结合具体应用实例来说明本发明方法的具体实施方式。
[0044]
如图1所示的脱碳装置包括分离塔(15-f001，15-f002)、热交换器(15-e001)、吸收塔(15-c001)和泵(m)，该脱碳装置按照固定的采样时间间隔(2min)可实时采集的11个测量变量依次是：气体进料流量(f1)、气体进料温度(t1)、分离塔液位(l1)、分离塔上部压力(p1)、吸收塔进气温度(t2)、吸收塔液位(l2)、吸收塔顶部气体温度(t3)、吸收塔顶部气压(p2)、吸收塔酸液进料流量(f2)、脱碳后气体温度(t4)、脱碳后气体流量(f3)。
[0045]
步骤(1)：确定用于脱碳装置运行状态监测的11个测量变量后，在脱碳装置运行正常时，同时为这11个测量变量连续采集n＝800个采样时刻的样本数据以组成数据矩阵x∈r
11
×
800
。
[0046]
需要说明的是，上述测量变量顺序并不是唯一的，只需保证前后使用的测量变量顺序一致即可。
[0047]
步骤(2)：计算数据矩阵x中第1行向量、第2行向量至第11行向量的平均值μ1,μ2,
…
,μ
11
和标准差δ1,δ2,
…
,δ
11
后，再利用由平均值组成的平均值向量μ＝[μ1,μ2,
…
,μ
11
]
t
和由标准差组成的对角矩阵φ，按照公式对x中的各列向量实施标准化处理，再将经标准化处理后的列向量组成矩阵
[0048]
步骤(3)：设置时序阶数等于d＝4后，将矩阵中的第1列至第n列的列向量按照公式分别组建d个时序矩阵其中，d＝1,2,3,4。
[0049]
步骤(4)：对时序矩阵进行时序特征表示学习，得到相应的d个特征变
换矩阵p1,p2,
…
,pd、d个特征得分矩阵s1,s2,
…
,sd以及11个时序相关度ξ
(1)
,ξ
(2)
,
…
,ξ
(11)
，相应的实施流程如图2所示，具体的实施过程如步骤(4.1)至步骤(4.7)所示。
[0050]
步骤(5)：设置参数j＝7后，分别将p1,p2,p3,p4中前7列向量对应组成时序变换矩阵再分别将p1,p2,p3,p4中后4列向量对应组成静态变换矩阵与此同时，将s1,s2,s3,s4中前7列向量对应组成时序得分矩阵将s4中后4列向量组成静态得分矩阵
[0051]
步骤(6)：建立由组成的输入矩阵与之间的回归模型
[0052]
在执行步骤(6)时，若输入矩阵是非奇异的，则直接使用最小二乘回归算法确定回归系数矩阵当然，无论输入矩阵是非奇异的还是奇异的，都可以使用如下方式确定回归系数矩阵w：先对输入矩阵实施奇异值分解，且仅保留非零奇异值以得到后，再计算出回归系数矩阵
[0053]
步骤(7)：确定异常检测指标的控制上限g
max
、h
max
和f
max
，具体包括以下所示步骤(7.1)至步骤(7.2)。
[0054]
步骤(7.1)：通过公式g＝diag{ee
t
}和分别计算出异常检测指标向量g和h，再设置控制上限g
max
等于g中所有数据的最大值，设置控制上限h
max
等于h中所有数据的最大值。
[0055]
步骤(7.2)：通过公式f＝g/g
max
+h/h
max
计算综合异常检测指标向量f后，确定f中所有数据的平均值b和标准差c，再设置控制上限f
max
＝b+3c。
[0056]
在上述步骤(1)至步骤(7)的离线建模过程完成后，即可利用最新的d个采样时刻的样本数据对脱碳装置实施运行状态的实时监测。图3中展示了实时监测脱碳装置960个采样时刻的运行状态，图3中的横轴表示最新采样时刻，纵轴为综合异常检测指标在各个最新采样时刻的具体值，图3中的横线为步骤(7.2)中确定的控制上限f
max
。在每个最新采样时刻，都执行了如下所示步骤(8.1)至步骤(8.4)。
[0057]
步骤(8.1)：将步骤(1)中所述11个测量变量在最新的d个采样时刻的样本数据组成数据矩阵y∈r
11
×d后，通过公式对y中各列向量分别实施标准化处理，对应得到由标准化处理后的列向量组成的矩阵其中，yd和分别表示y和中的第d列向量，d＝1,2,
…
,d，数据矩阵y中的各列向量由11个测量变量在相同采样时刻的样本数据按照步骤(1)中所述的测量变量顺序排列组成，y中第一列向量至第d列向量是按照采样时刻先后顺序排列的。
[0058]
步骤(8.2)：通过公式和分别计算时序得分向量和静态得分向量后，再将组成输入向量
[0059]
步骤(8.3)：按照公式计算误差向量e，再按照公式g＝ee
t
和计算异常监测指标g和h后，按照公式f＝g/g
max
+h/h
max
计算得到综合异常监测指标。
[0060]
步骤(8.4)：判断f是否大于f
max
；若是，则脱碳装置运行出现异常；若否，则脱碳装置运行正常；无论是否异常或正常，当下一个采样时刻的样本数据测量得到后，返回步骤(8.1)。
[0061]
从图3中可以发现，刚开始一段时间脱碳装置的综合异常监测指标皆位于控制上限之下，说明脱碳装置运行正常。而在161个采样时刻开始，脱碳装置运行出现异常。
[0062]
上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。

技术特征：
1.一种基于时序多块pca的脱碳装置运行状态监测方法，包括以下所示步骤(1)至步骤(8)：步骤(1)：确定用于脱碳装置运行状态监测的11个测量变量后，在脱碳装置运行正常时，同时为这11个测量变量连续采集n个采样时刻的样本数据以组成数据矩阵x∈r
11
×
n
；其中，确定的11个测量变量依次是：气体进料流量(f1)、气体进料温度(t1)、分离塔液位(l1)、分离塔上部压力(p1)、吸收塔进气温度(t2)、吸收塔液位(l2)、吸收塔顶部气体温度(t3)、吸收塔顶部气压(p2)、吸收塔酸液进料流量(f2)、脱碳后气体温度(t4)、脱碳后气体流量(f3)，数据矩阵x中的各列向量由所述测量变量在相同采样时刻的样本数据按照所述测量变量顺序排列组成，x中第一列向量至第n列向量是按照采样时刻先后顺序排列的，r
11
×
n
表示11
×
n维的实数矩阵，r表示是数据集，n≥800；步骤(2)：计算数据矩阵x中第1行向量、第2行向量至第11行向量的平均值μ1,μ2,
…
,μ
11
和标准差δ1,δ2,
…
,δ
11
后，再利用由平均值组成的平均值向量μ＝[μ1,μ2,
…
,μ
11
]
t
和由标准差组成的对角矩阵φ，按照公式对x中的各列向量实施标准化处理，再将经标准化处理后的列向量组成矩阵其中，x
k
和分别表示x和中的第k列向量，对角矩阵φ中对角线上的元素为δ1,δ2,
…
,δ
11
，其余元素为0，上标号t表示矩阵或向量的转置，k＝1,2,
…
,n；步骤(3)：设置时序阶数等于d后，将矩阵中的第1列至第n列的列向量按照公式分别组建d个时序矩阵其中，d为大于2且小于9的整数，n＝n-d，d＝1,2,
…
,d；步骤(4)：对时序矩阵进行时序特征表示学习，得到相应的d个特征变换矩阵p1,p2,
…
,p
d
、d个特征得分矩阵s1,s2,
…
,s
d
以及11个时序相关度ξ
(1)
,ξ
(2)
,
…
,ξ
(11)
；步骤(5)：设置参数j后，分别将p1,p2,
…
,p
d
中前j列向量对应组成时序变换矩阵再分别将p1,p2,
…
,p
d
中后11-j列向量对应组成静态变换矩阵与此同时，将s1,s2,
…
,s
d
中前j列向量对应组成时序得分矩阵将s
d
中后11-j列向量组成静态得分矩阵其中，参数j为大于2且小于11的整数；步骤(6)：建立由组成的输入矩阵与之间的回归模型其中，误差矩阵w是回归系数矩阵；步骤(7)：确定异常检测指标的控制上限g
max
、h
max
和f
max
，具体包括以下所示步骤(7.1)至步骤(7.2)；步骤(7.1)：通过公式g＝diag{ee
t
}和分别计算出异常检测指标向量g和h，再设置控制上限g
max
等于g中所有数据的最大值，设置控制上限h
max
等于h中所有数据的最大值；其中，diag{}表示将花括号内矩阵对角线上的数据转变成列向量的操作；步骤(7.2)：通过公式f＝g/g
max
+h/h
max
计算综合异常检测指标向量f后，确定f中所有数据的平均值b和标准差c，再设置控制上限f
max
＝b+3c；步骤(8)：往复循环执行以下所示步骤(8.1)至步骤(8.4)，利用脱碳装置在最新的d个
采样时刻采集到的样本数据实施对脱碳装置运行状态的监测；步骤(8.1)：将步骤(1)中所述11个测量变量在最新的d个采样时刻的样本数据组成数据矩阵y∈r
11
×
d
后，通过公式对y中各列向量分别实施标准化处理，对应得到由标准化处理后的列向量组成的矩阵其中，y
d
和分别表示y和中的第d列向量，d＝1,2,
…
,d，数据矩阵y中的各列向量由11个测量变量在相同采样时刻的样本数据按照步骤(1)中所述的测量变量顺序排列组成，y中第一列向量至第d列向量是按照采样时刻先后顺序排列的；步骤(8.2)：通过公式和分别计算时序得分向量和静态得分向量后，再将组成输入向量步骤(8.3)：按照公式计算误差向量e，再按照公式g＝ee
t
和计算异常监测指标g和h后，按照公式f＝g/g
max
+h/h
max
计算得到综合异常监测指标；步骤(8.4)：判断f是否大于f
max
；若是，则脱碳装置运行出现异常；若否，则脱碳装置运行正常；其特征在于：所述步骤(4)的具体实施过程如下所示：步骤(4.1)：设置序号m＝1后，再将d个时序矩阵合并成一个增广矩阵步骤(4.2)：计算出z的协方差矩阵c＝z
t
z/(n-1)后，求解特征值问题cα＝λα中最大特征值λ对应的特征向量α；步骤(4.3)：将特征向量α分解成d个11
×
1维的子特征向量α1,α2,
…
,α
d
后，再按照公式计算得到特征变换向量其中，α1由α中第1至第11个元素组成，α2由α中第12至第22个元素组成，按照此规律α
d
则由α中第10d+1至第11d个元素组成；步骤(4.4)：通过公式计算特征得分向量后，再通过公式计算得到第m个时序相关度ξ
(m)
；步骤(4.5)：通过公式计算得到d个载荷向量再通过公式分别对d个时序矩阵进行更新后，将更新后的d个时序矩阵再次合并成一个增广矩阵步骤(4.6)：判断m是否小于11；若是，则设置m＝m+1后，返回步骤(4.2)；若否，则得到11时序相关度ξ
(1)
,ξ
(2)
,
…
,ξ
(11)
，并将和分别组成对应的特征变换矩阵特征得分矩阵和载荷矩阵从而得到d个特征变换矩阵p1,p2,
…
,p
d
、d个特征得分矩阵s1,s2,
…
,s
d
和d个载荷矩阵q1,q2,
…
,q
d
；
步骤(4.7)：按照公式分别更新d个特征变换矩阵p1,p2,
…
,p
d
。2.根据权利要求1所述的一种基于时序多块pca的脱碳装置运行状态监测方法，其特征在于，所述步骤(6)中确定回归系数矩阵w的过程是：先对输入矩阵实施奇异值分解，且仅保留非零奇异值以得到后，再计算出回归系数矩阵其中，λ是由奇异值分解中非零奇异值组成的对角矩阵，u和v为奇异值分解的两个酉矩阵。3.根据权利要求1或2所述的一种基于时序多块pca的脱碳装置运行状态监测方法，其特征在于，所述步骤(5)中设置参数j的具体过程如下所示：步骤(5.1)：设置m＝1；步骤(5.2)：根据η
m
＝(ξ
(1)
+ξ
(2)
+
…
+ξ
(m)
)/(ξ
(1)
+ξ
(2)
+
…
+ξ
(11)
)计算出累加概率η
m
后，判断η
m
是否小于0.85；若是，则设置m＝m+1后，重复执行步骤(5.2)；若否，则设置参数j＝m后，完成对参数j的设置。

技术总结
本发明公开一种基于时序多块PCA的脱碳装置运行状态监测方法，旨在针对脱碳装置在正常运行状态时的样本数据分析表示出其在采样时间先后上的变化特征，并在量化该时序变化特征的基础上上，对脱碳装置运行状态进行实时监测。具体来讲，本发明方法首先获取脱碳装置可实时测量的测量变量在正常运行状态下的样本数据，然后按照多块PCA建模策略对多个时序矩阵进行时序特征，最后利用回归模型量化时序特征之间的关系，并通过监测新时刻样本数据对应的误差变化来实时监测脱碳装置的运行状态是否出现了异常。相比于现有技术，本发明方法将当成多块PCA建模针对的多个块矩阵，从而分析学习出多个时序矩阵之间的时序相关性。学习出多个时序矩阵之间的时序相关性。学习出多个时序矩阵之间的时序相关性。


技术研发人员：陈文 孙学强
受保护的技术使用者：镇江智捷智能科技有限公司
技术研发日：2023.07.13
技术公布日：2023/10/19