基于动态核独立分量分析高含硫天然气净化过程异常检测与诊断.docVIP

基于动态核独立分量分析高含硫天然气净化过程异常检测与诊断 　　摘 要： 　　目前高含硫天然气净化过程存在多参数动态相关的特性，导致基于静态多元统计过程监控方法对于异常状态检测效果较差。提出一种考虑参数时序自相关性的动态核独立分量分析（DKICA）异常检测与诊断方法。首先，引入自回归（AR）模型，通过参数辨识确定模型阶次，描述监控过程的时序自相关性；然后，将原始变量投影到核独立元空间，通过监控独立元对应的T2和SPE统计量是否超出正常状态设定的控制限，实现异常检测；最后计算所述T2统计量对原始变量的一阶偏导数，绘制贡献图实现异常诊断。以某高含硫天然气净化厂采集的数据进行分析，结果表明基于DKICA高含硫天然气净化过程异常检测精度要优于静态独立分量分析所得的检测精度。 　　关键词： 　　高含硫天然气；多变量过程；自回归模型；核独立分量分析；异常检测与诊断 　　0 引言 　　高含硫天然气净化过程监控对于保证系统可靠运行、实现安全生产具有重要意义[1]。高含硫天然气净化工业流程复杂，同时发生物理化学反应和相变反应，涉及物质转化和能量传递[2-3]，受人、机、环、料、法不确定因素综合影响，整个生产过程表现不确定性、非线性、强相关性等特点[4]，因而传统基于机理模型的故障检测与诊断方法受到限制。基于数据的多元统计过程监控通过分析工业现场监测数据，采用基于子空间重构的思想，挖掘数据背后隐藏的工业运行状态规律，从而为异常检测和故障恢复提供决策[5]，已经成为工业过程监控的热点。 　　目前围绕主元分析的多元统计过程监控已取得阶段性研究成果。Li等[6]针对分析数据维度高、变量互耦合特性，提出基于主元分析（Principal Component Analysis， PCA）的故障检测与诊断方法；然而主元分析是线性投影方法，不适用于非线性工业过程。 Alcala等[7]引入核映射将低维非线性空间映射到高维线性空间，提出了基于核主元分析（Kernel Principal Component Analysis， KPCA）的故障检测与诊断方法。Chen等[8]考虑到工业过程动态特性，监测参数表现一定时序自相关性，通过分析工业过程自回归（Auto Regression， AR）模型确定模型时滞阶次，提出了基于动态核主元分析（Dynamic Kernel Principal Component Analysis， DKPCA）的故障检测与诊断方法，从而实现非线性、动态工业过程监控。 　　主元分析是基于变量服从高斯分布的假设提出的数据处理手段，然而工业过程多为非高斯过程，Lee等[9]通过独立分量分析（Independent Component Analysis， ICA）进一步提取变量高阶统计信息，提出了基于ICA的故障检测与诊断方法。随后， Lee等[10]提出了基于核独立分量分析（Kernel Independent Component Analysis， KICA）的故障检测与诊断方法，实现非线性、非高斯过程监控。然而对于动态工业过程时序自相关性的问题，仍需进一步深入研究。 　　AR模型[11]的参数辨识方法是动态工业过程时序自相关性常用的分析手段。为此，本文提出基于AR模型的动态核独立分量分析（Dynamic Kernel Independent Component Analysis， DKICA）方法进行故障检测与诊断。 　　通过分析工业过程自回归模型，确定模型时滞阶次，然后将数据投影到核独立元空间，通过监控独立元对应的T2和SPE统计量是否超出正常状态设定的控制限实现异常检测。最后计算T2统计量对原始变量的一阶偏导数，绘制其贡献图，从而实现异常诊断。 　　1 自回归模型 　　1.1 最小二乘估计 　　对于h阶自回归模型有xt=1xt-1+β2xt-2+ … +βpxt-h+εt。其中：xt为模型变量，β1，β2，…，βp为模型的回归系数，εt为模型随机误差，h为模型阶次。模型参数可由最小二乘进行线性估计[12]，如式（1）所示： 　　Y=Xβ+ε 　　（1） 　　其中：误差向量为ε=[εh+1，εh+2，…，εn]T，n为观测次数；自回归模型系数β=[β1，β2，…，βh]；时间排序的样本h阶观测矩阵为X=[xh，xh-1，…，x1，xh+1，xh，…，x2，…，xn-1，xn-2，…，xn-h]；h为模型阶次。 　　β最小二乘解为β=（XTX）-1XTY。 　　对于h阶自回归模型有xt=a1xt-1+a2xt-2+ … +apxt-h+εt。其中：xt为模型变量，a1，a2，…，ap为模型的回归系数，εt为模型随机误差，h为模型阶次。模型参数可由最小二乘进行线性估计[12]，如式（1）所示： 　　其中：