本发明涉及化工生产过程监控
技术领域：
，尤其涉及一种面向质量的非线性动态过程监控方法。
背景技术：
：当代化学工业生产过程日益复杂，过程安全性和可靠性至关重要。过程监控技术是利用测量数据监控过程的运行状态，对异常情况进行报警。因此，过程监控技术是保证过程安全、稳定、长期运行的关键。过程变量往往在线采集，质量变量往往离线化验得到，采样频率低，而且存在时间滞后。考虑过程监控的实时性，传统数据驱动的过程监控方法只利用过程数据监控过程的运行状态，如主元分析，独立元分析和典型变量分析等。因此，上述过程监控方法只能指示过程变量是否异常，无法判断产品质量是否异常。根据过程故障对产品质量的影响，过程故障可以分为2类：1.过程变量异常并进一步导致产品质量异常；2.过程变量异常，但在控制器的调节作用下，产品质量没有受到影响。化工生产过程的操作员往往关心产品质量是否正常，第2类故障往往被视为误报，从而大大降低了过程监控系统的可信度。因此，如何区分影响产品质量的故障和不影响产品质量的故障成为过程监控中亟待解决的问题。近年来，在一些研究成果中陆续提出了潜结构投影方法、动态cpls方法、cpls方法、改进的cpls方法以及动态输入输出典型变量分析方法，上述方法假设过程是线性的，而实际化学工业过程往往具有较强的非线性动态特性。对于非线性动态过程，尚未见逻辑完整、实用性较强的面向质量的实时过程监控技术。技术实现要素：本发明所要解决的技术问题是提供一种面向质量的非线性动态过程监控方法，能够区分过程监控中影响产品质量的故障和不影响产品质量的故障。为解决上述技术问题，本发明的技术方案是：一种面向质量的非线性动态过程监控方法，包括以下步骤：(1)、设置非线性动态过程中的过程变量和质量变量，采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化处理；(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算与质量相关的典型向量的标准平方和ts2及其控制限；(3)、利用非线性主元分析进行子空间分解，提取与质量不相关的过程特征，计算与质量不相关的主元向量的标准平方和和平方预测误差speex及其控制限；(4)、过程监控：实时监控非线性动态过程中的过程变量和质量变量的数据，利用过程数据计算ts2、和speex统计量，判断非线性动态过程是否发生故障、过程故障是否影响产品质量。作为优选的技术方案，步骤(1)具体包括：采集非线性连续过程在正常工况下的过程数据和质量数据，根据过程的非线性特征，分别利用未知非线性映射φx(x)和φy(y)将过程增广向量x和质量向量y投影到高维线性特征空间，设u为m维过程向量，y为n维质量向量，则φx(x)为m维向量，φy(y)为n维向量；采样时刻i，i＝h+1,h+2,...,h+n，根据非线性动态过程的动态特性，构造过程增广向量其中h表示滞后阶次；采集正常工况下h+n个采样时刻的过程数据和质量数据，若质量数据的采样速率较低，则补齐缺失的质量数据；构造过程增广数据矩阵x∈rn×(h+1)m和质量数据矩阵y∈rn×n；计算n个质量变量对应的标准差σr，r＝1,2,...,n；分别对矩阵x和y进行标准化处理，使各列数据的均值为0，方差为1。作为优选的技术方案，步骤(2)具体包括：在高维线性特征空间，利用线性典型变量分析提取最大化φx(x)和φy(y)相关性的典型变量；寻找投影向量和最大化下述相关系数其中，矩阵表示φx(x)和φy(y)的交叉协方差矩阵，表示φx(x)的协方差矩阵，表示φy(y)的协方差矩阵；由于非线性映射φx(x)和φy(y)难以确定，无法直接在高维线性特征空间进行线性典型变量分析、提取与质量相关的过程特征；存在投影向量α和β，使得利用核函数技术，式(1)转化为其中，核矩阵[kx]i,j＝kx(xi,xj)＝<φx(xi)·φx(xj)>，核矩阵[ky]i,j＝ky(yi,yj)＝<φy(yi)·φy(yj)>，kx(xi,xj)和ky(yi,yj)为核函数，i＝1,...,n，j＝1,...,n；一般采用高斯核函数k(x1,x2)＝exp(-||x1-x2||2/c)；式(2)的优化问题可以转化为广义特征值求解问题：其中，λ为特征值，[αtβt]t为λ对应的特征向量；为了避免病态矩阵求解问题，分别利用kxkx+ηi和kyky+ηi代替kxkx和kyky，可得其中，η表示正则化常数，i表示维数为n×n的单位矩阵；由式(4)获得k个最大特征值λ1≥λ2≥…≥λk对应的投影向量α1,α2,…,αk和β1,β2,…,βk；特征值λ表示过程增广向量和质量向量的相关系数，特征值λ越大，相关性越强；根据相关系数的大小确定参数k；构造投影矩阵ak＝[α1,α2,…,αk]，对于过程增广向量样本x，对应的低维过程典型向量为c＝aktkx(x,x)(5)；其中，核向量kx(x,x)＝[kx(x1,x),kx(x2,x),…,kx(xn,x)]t；过程典型向量c与质量向量的相关性最强，将过程典型向量作为与质量相关的过程子空间的特征；在质量数据缺失的情况下，若过程典型向量c发生异常，可推理得到质量向量发生异常；构造统计量ts2＝ctc(6)；利用正常工况的数据计算ts2统计量，通过核密度估计方法计算出ts2统计量的控制限。作为优选的技术方案，步骤(3)具体包括：将式(5)计算的与质量相关的过程子空间特征c返回投影到高维线性特征空间，可得φx(x)的估计值估计残差描述了与质量向量不相关的信息，由于非线性映射φx(x)难以确定，无法计算估计残差无法直接在残差空间即与质量不相关的过程子空间中进行线性主元分析、提取与质量不相关的过程特征；估计值是过程典型向量c的函数，过程典型向量c是过程增广向量x的函数；因此，估计值是过程增广向量x的非线性函数，估计残差也是过程增广向量x的非线性函数，设与质量不相关的过程子空间中，主元特征提取问题转化为特征值求解问题：λexvex＝cfvex(8)；其中，矩阵cf表示φex(x)的协方差矩阵，λex表示特征值，vex表示λex对应的特征向量；存在投影向量αex使得vex＝φex(x)tαex，利用核函数技术，式(8)转化为其中，矩阵核矩阵j＝1,...,n；根据式(7)可推导得到核函数的表达式：根据式(10)，是核函数kx(xi,xj)的函数，在高维线性与质量相关的过程子空间中选择核函数kx(xi,xj)之后，不需要再选择核函数而是利用式(10)计算核函数由式(9)获得kex个最大特征值对应的投影向量为了保证特征向量满足||vex||2＝1，对投影向量αex进行如下归一化：特征值λex表示与质量不相关的子空间的方差信息，特征值λex越大，对应主元特征描述的过程变化越强，根据方差累积和大小确定参数kex；构造投影矩阵对于过程增广向量样本x，对应的与质量不相关的主元特征为其中，核向量主元tex反应了与质量不相关的过程子空间的主要变化，将主元作为该子空间的特征，构造统计量和speex统计量其中，对角矩阵利用正常工况的数据分别计算统计量和speex统计量，通过核密度估计方法分别计算统计量和speex统计量的控制限。作为优选的技术方案，步骤(4)具体包括：(4.1)、采集当前时刻的过程变量和质量变量的数据，构造过程增广向量x并对其进行标准化处理；(4.2)、利用式(5)计算与质量相关的过程子空间的特征c，然后根据式(6)计算ts2统计量；判断ts2统计量是否超出控制限；若超出控制限，表明过程发生异常，将导致产品质量发生异常，进行报警后返回执行步骤(4.1)；否则进行步骤(4.3)；(4.3)、利用式(12)计算与质量不相关的过程子空间的特征tex，然后根据式(13)和式(14)计算统计量和speex统计量；判断统计量和speex统计量是否超出控制限；若统计量或speex统计量超出控制限，表明过程发生异常，但不会影响产品质量或影响较小，进行提示后返回执行步骤(4.1)；否则进行步骤(4.4)；(4.4)、判断当前时刻是否采集到质量数据y；若采集到质量数据，对质量数据进行标准化，进行步骤(4.5)；否则返回执行步骤(4.1)；(4.5)、判断质量数据是否超出控制限，若第r个质量变量|yr|＞3σr，r＝1,2,...,n，则表明第r个质量变量发生异常，进行报警后返回执行步骤(4.1)；否则直接返回执行步骤(4.1)。由于采用了上述技术方案，本发明的有益效果是：本发明与现有技术相比具有以下优点：一是通过分析过程数据与质量数据之间的非线性相关性，提取与质量相关的过程特征和与质量不相关的过程特征，利用上述特征判断过程是否发生异常、过程异常是否影响产品质量，该逻辑判断环节能够有效过滤掉不影响产品质量的过程故障报警，提高过程监控的可信度，增强了实时过程监控系统的逻辑完整性和实用性，实现面向质量的实时过程监控，适应非线性动态化工过程实时过程监控的需求；二是结合核函数技术和典型变量分析，利用核典型变量分析方法分析过程数据和质量数据之间的非线性相关性，提取与质量相关的过程特征，解决非线性映射难以确定、无法直接在高维线性特征空间进行相关性分析的问题；三是结合核函数技术和主元分析，利用核主元分析方法分析与质量不相关的过程数据之间的非线性相关性，提取与质量不相关的过程特征，解决非线性映射难以确定、无法直接在高维线性残差空间提取特征的问题；整体工艺过程简单，原理可靠，过程故障判断准确，实时过程监控效率高，适应范围广，逻辑性强，环境友好。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例的工作原理流程图；图2是非线性化工模型田纳西-伊斯曼过程的结构图；图3是本发明实施例发生故障1时非线性动态主元分析方法t2统计量的曲线图；图4是本发明实施例发生故障1时非线性动态主元分析方法spe统计量的曲线图；图5是本发明实施例发生故障1时面向质量的非线性动态过程监控方法ts2统计量的曲线图；图6是本发明实施例发生故障1时面向质量的非线性动态过程监控方法统计量的曲线图；图7是本发明实施例发生故障1时面向质量的非线性动态过程监控方法speex统计量的曲线图；图8是本发明实施例发生故障2时非线性动态主元分析方法t2统计量的曲线图；图9是本发明实施例发生故障2时非线性动态主元分析方法spe统计量的曲线图；图10是本发明实施例发生故障2时面向质量的非线性动态过程监控方法ts2统计量的曲线图；图11是本发明实施例发生故障2时面向质量的非线性动态过程监控方法统计量的曲线图；图12是本发明实施例发生故障2时面向质量的非线性动态过程监控方法speex统计量的曲线图；图13是本发明实施例发生故障3时非线性动态主元分析方法t2统计量的曲线图；图14是本发明实施例发生故障3时非线性动态主元分析方法spe统计量的曲线图；图15是本发明实施例发生故障3时面向质量的非线性动态过程监控方法ts2统计量的曲线图；图16是本发明实施例发生故障3时面向质量的非线性动态过程监控方法统计量的曲线图；图17是本发明实施例发生故障3时面向质量的非线性动态过程监控方法speex统计量的曲线图。具体实施方式一种面向质量的非线性动态过程监控方法，包括以下步骤：(1)、设置非线性动态过程中的过程变量和质量变量，采集非线性过程在正常工况下的过程数据和质量数据，构造建模数据并进行标准化处理，具体如下：采集非线性连续过程在正常工况下的过程数据和质量数据，根据过程的非线性特征，分别利用未知非线性映射φx(x)和φy(y)将过程增广向量x和质量向量y投影到高维线性特征空间，设u为m维过程向量，y为n维质量向量，则φx(x)为m维向量，φy(y)为n维向量；采样时刻i，i＝h+1,h+2,...,h+n，根据非线性动态过程的动态特性，构造过程增广向量其中h表示滞后阶次；采集正常工况下h+n个采样时刻的过程数据和质量数据，若质量数据的采样速率较低，则补齐缺失的质量数据；构造过程增广数据矩阵x∈rn×(h+1)m和质量数据矩阵y∈rn×n；计算n个质量变量对应的标准差σr，r＝1,2,...,n；分别对矩阵x和y进行标准化处理，使各列数据的均值为0，方差为1。(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算与质量相关的典型向量的标准平方和ts2及其控制限，具体如下：在高维线性特征空间，利用线性典型变量分析提取最大化φx(x)和φy(y)相关性的典型变量；寻找投影向量和最大化下述相关系数其中，矩阵表示φx(x)和φy(y)的交叉协方差矩阵，表示φx(x)的协方差矩阵，表示φy(y)的协方差矩阵；由于非线性映射φx(x)和φy(y)难以确定，无法直接在高维线性特征空间进行线性典型变量分析、提取与质量相关的过程特征；存在投影向量α和β，使得利用核函数技术，式(1)转化为其中，核矩阵[kx]i,j＝kx(xi,xj)＝<φx(xi)·φx(xj)>，核矩阵[ky]i,j＝ky(yi,yj)＝<φy(yi)·φy(yj)>，kx(xi,xj)和ky(yi,yj)为核函数，i＝1,...,n，j＝1,...,n；一般采用高斯核函数k(x1,x2)＝exp(-||x1-x2||2/c)；式(2)的优化问题可以转化为广义特征值求解问题：其中，λ为特征值，[αtβt]t为λ对应的特征向量；为了避免病态矩阵求解问题，分别利用kxkx+ηi和kyky+ηi代替kxkx和kyky，可得其中，η表示正则化常数，i表示维数为n×n的单位矩阵；由式(4)获得k个最大特征值λ1≥λ2≥…≥λk对应的投影向量α1,α2,…,αk和β1,β2,…,βk；特征值λ表示过程增广向量和质量向量的相关系数，特征值λ越大，相关性越强；根据相关系数的大小确定参数k；构造投影矩阵ak＝[α1,α2,…,αk]，对于过程增广向量样本x，对应的低维过程典型向量为c＝aktkx(x,x)(5)；其中，核向量kx(x,x)＝[kx(x1,x),kx(x2,x),…,kx(xn,x)]t；过程典型向量c与质量向量的相关性最强，将过程典型向量作为与质量相关的过程子空间的特征；在质量数据缺失的情况下，若过程典型向量c发生异常，可推理得到质量向量发生异常；构造统计量ts2＝ctc(6)；监控与质量相关的过程子空间的变化；利用正常工况的数据计算ts2统计量，通过核密度估计方法计算出ts2统计量的控制限。(3)、利用非线性主元分析进行子空间分解，提取与质量不相关的过程特征，计算与质量不相关的主元向量的标准平方和和平方预测误差speex及其控制限，具体如下：将式(5)计算的与质量相关的过程子空间特征c返回投影到高维线性特征空间，可得φx(x)的估计值估计残差描述了与质量向量不相关的信息，由于非线性映射φx(x)难以确定，无法计算估计残差无法直接在残差空间即与质量不相关的过程子空间中进行线性主元分析、提取与质量不相关的过程特征；估计值是过程典型向量c的函数，过程典型向量c是过程增广向量x的函数；因此，估计值是过程增广向量x的非线性函数，估计残差也是过程增广向量x的非线性函数，设与质量不相关的过程子空间中，主元特征提取问题转化为特征值求解问题：λexvex＝cfvex(8)；其中，矩阵cf表示φex(x)的协方差矩阵，λex表示特征值，vex表示λex对应的特征向量；存在投影向量αex使得vex＝φex(x)tαex，利用核函数技术，式(8)转化为其中，矩阵核矩阵j＝1,...,n；根据式(7)可推导得到核函数的表达式：根据式(10)，是核函数kx(xi,xj)的函数，在高维线性与质量相关的过程子空间中选择核函数kx(xi,xj)之后，不需要再选择核函数而是利用式(10)计算核函数由式(9)获得kex个最大特征值对应的投影向量为了保证特征向量满足||vex||2＝1，对投影向量αex进行如下归一化：特征值λex表示与质量不相关的子空间的方差信息，特征值λex越大，对应主元特征描述的过程变化越强，根据方差累积和大小确定参数kex；构造投影矩阵对于过程增广向量样本x，对应的与质量不相关的主元特征为其中，核向量主元tex反应了与质量不相关的过程子空间的主要变化，将主元作为该子空间的特征，构造统计量和speex统计量其中，对角矩阵利用正常工况的数据分别计算统计量和speex统计量，通过核密度估计方法分别计算统计量和speex统计量的控制限。(4)、过程监控：实时监控非线性动态过程中的过程变量和质量变量的数据，利用过程数据计算ts2、和speex统计量，判断非线性动态过程是否发生故障、过程故障是否影响产品质量，具体步骤如下：(4.1)、采集当前时刻的过程变量和质量变量的数据，构造过程增广向量x并对其进行标准化处理；(4.2)、利用式(5)计算与质量相关的过程子空间的特征c，然后根据式(6)计算ts2统计量；判断ts2统计量是否超出控制限；若超出控制限，表明过程发生异常，将导致产品质量发生异常，进行报警后返回执行步骤(4.1)；否则进行步骤(4.3)；(4.3)、利用式(12)计算与质量不相关的过程子空间的特征tex，然后根据式(13)和式(14)计算统计量和speex统计量；判断统计量和speex统计量是否超出控制限；若统计量或speex统计量超出控制限，表明过程发生异常，但不会影响产品质量或影响较小，进行提示后返回执行步骤(4.1)；否则进行步骤(4.4)；(4.4)、判断当前时刻是否采集到质量数据y；若采集到质量数据，对质量数据进行标准化，进行步骤(4.5)；否则返回执行步骤(4.1)；(4.5)、判断质量数据是否超出控制限，若第r个质量变量yr＞3σr，r＝1,2,...,n，则表明第r个质量变量发生异常，进行报警后返回执行步骤(4.1)；否则直接返回执行步骤(4.1)。本发明利用实时过程数据判断非线性动态过程的质量是否发生异常的原理是：质量变量往往离线化验得到，采样速率低，而且存在时间滞后；若仅利用质量数据判断质量是否发生异常，监控实时性差；传统数据驱动的过程监控方法只利用过程数据进行建模，虽然实时性强，但是无法判断质量是否发生异常；本发明通过分析过程数据与质量数据之间的非线性相关性，对过程数据空间进行分解，提取与质量相关的过程特征和与质量不相关的过程特征；实时监控时，若与质量相关的过程特征发生异常，则表明过程发生异常，将导致产品质量发生异常；若与质量相关的过程特征正常，与质量不相关的过程特征发生异常，则过程发生异常，但不会影响产品质量或影响较小；通过上述判断能够实现面向质量的非线性动态过程监控，过滤掉不影响产品质量的过程故障报警，有效提高过程监控的可信度。本发明利用非线性典型变量分析提取与质量相关的过程特征的原理是：实际化学工业过程往往具有较强的非线性动态特性，过程变量之间、质量变量之间、过程变量与质量变量之间存在非线性相关性；线性统计分析方法没有考虑过程的非线性特性，无法准确划分与质量相关的过程子空间和与质量不相关的过程子空间，进行实时过程监控会导致错误的报警；若将原始数据投影到高维线性特征空间，由于非线性映射难以确定，无法直接在高维线性特征空间进行线性统计分析；结合核函数技术和典型变量分析，将高维线性空间的相关性分析问题转化为核矩阵的广义特征值求解问题，利用核典型变量分析方法分析过程数据和质量数据之间的非线性相关性，提取与质量相关的过程特征，将过程高维线性特征空间划分为与质量相关的子空间和与质量不相关的子空间。本发明利用非线性主元分析提取与质量不相关的过程特征的原理是：在由φx(x)组成的过程高维线性特征空间中，虽然可以通过非线性典型变量分析获得φx(x)的估计值但由于非线性映射φx(x)难以确定，无法计算估计残差无法直接在残差空间即与质量不相关的过程子空间中进行线性主元分析；结合核函数技术和主元分析，将高维线性残差空间的特征提取问题转化为核矩阵的特征值求解问题，利用核主元分析方法分析与质量不相关的过程数据之间的非线性相关性，提取与质量不相关的过程特征。如图1至图17所示，本实施例将面向质量的非线性动态过程监控方法应用到田纳西-伊斯曼(tennessee-eastman,te)过程中，田纳西-伊斯曼过程是由伊斯曼化学品公司的downs和vogel提出的一个基于真实化工过程的复杂非线性化工模型，被视为过程监控仿真研究的基准过程，如图2所示；田纳西-伊斯曼过程包括反应器、冷凝器、压缩机、分离器和汽提塔五个主要单元和a～h8种成分；图2中数字标号1,2,3,4,5,6,7,8,9,10,11,12,13分别表示一种流体，下文中简称为：流1,流2,流3,流4,流5,流6,流7,流8,流9,流10,流11,流12,流13。本实施例田纳西-伊斯曼过程包括12个控制变量(如表1所示)和41个测量变量(如表2所示)，其中控制变量和测量变量xmeas(1)～xmeas(22)每3分钟采样一次；测量变量xmeas(23)～xmeas(36)为成分测量，每6分钟采样一次；测量变量xmeas(37)～xmeas(41)为最终产品的成分测量，每15分钟采样一次。下面以3种过程故障为例进行说明，故障描述如表3所示，其中故障1和故障2为与质量不相关的故障，故障3为与质量相关的故障。表1田纳西-伊斯曼过程的控制变量变量描述变量描述xmv(1)d进料量(流2)xmv(7)分离器罐液流量(流10)xmv(2)e进料量(流3)xmv(8)汽提塔液体产品流量(流11)xmv(3)a进料量(流1)xmv(9)汽提塔水流阀xmv(4)总进料量(流4)xmv(10)反应器冷却水流量xmv(5)压缩机再循环阀xmv(11)冷凝器冷却水流量xmv(6)排水阀(流9)xmv(12)搅拌速度表2田纳西-伊斯曼过程的测量变量表3田纳西-伊斯曼过程的故障描述故障描述类型1反应器冷却水入口温度阶跃2流4c存在压力损失-可用性降低阶跃3反应动态慢偏移采用面向质量的非线性动态过程监控方法对田纳西-伊斯曼过程进行实时过程监控的具体实施步骤为：(1)、采集田纳西-伊斯曼过程在正常工况下的测量数据，其中控制变量xmv(12)保持不变，不利用该变量进行过程监控；将最终产品的成分测量变量xmeas(37)～xmeas(41)作为质量变量，将测量变量xmeas(1-36)和控制变量xmv(1-11)作为过程变量；将所有过程变量和质量变量的采样间隔统一为3分钟，对于缺失的数据利用采样保持的方法进行补齐；滞后阶次h＝2，利用960个采样时刻的过程数据和质量数据构建过程增广数据矩阵x和质量数据矩阵y；计算5个质量变量对应的标准差σr，r＝1,2,...,5；分别对矩阵x和y进行标准化处理，使各列数据的均值为0，方差为1；(2)、利用非线性典型变量分析进行子空间分解，提取与质量相关的过程特征，计算ts2统计量及其控制限；计算核矩阵kx和ky，kx(xi,xj)和ky(yi,yj)均采用高斯核函数k(x1,x2)＝exp(-||x1-x2||2/c)；利用式(4)计算特征值λ和特征向量α，根据λ>0.5确定特征值个数k＝4；将每个过程增广向量样本x代入式(5)计算与质量相关的过程特征c，根据式(6)计算ts2统计量；通过核密度估计方法计算ts2统计量99.73％的置信区间对应的控制限；(3)、利用非线性主元分析进行子空间分解，提取与质量不相关的过程特征，计算和speex统计量及其控制限；利用步骤(2)中的核函数kx(xi,xj)和式(10)计算核矩阵利用式(9)计算特征值λex和投影向量αex，并根据式(11)对投影向量进行归一化，根据方差累积和大于0.99确定特征值个数kex＝94；将每个过程增广向量样本x代入式(12)计算与质量不相关的过程特征tex，根据式(13)和(14)计算统计量和speex统计量；通过核密度估计方法计算统计量和speex统计量99.73％的置信区间对应的控制限；(4)、实时监控时，利用过程数据计算ts2、和speex统计量，判断过程是否发生故障、过程故障是否影响产品质量，具体流程为：4.1)、采集当前时刻的过程测量数据，构造过程增广向量x并对其进行标准化；4.2)、利用式(5)计算与质量相关的过程子空间的特征c，然后根据式(6)计算ts2统计量；判断ts2统计量是否超出控制限；若超出控制限，表明过程发生异常，将导致产品质量发生异常，进行报警后返回执行步骤4.1)；否则进行步骤4.3)；4.3)、利用式(12)计算与质量不相关的过程子空间的特征tex，然后根据式(13)和式(14)计算统计量和speex统计量；判断统计量和speex统计量是否超出控制限；若统计量或speex统计量超出控制限，表明过程发生异常，但不会影响产品质量或影响较小，进行提示后返回执行步骤4.1)；否则进行步骤4.4)；4.4)、判断当前时刻是否采集到质量分析数据y；若采集到质量数据，对质量数据进行标准化，进行步骤4.5)；否则返回执行步骤4.1)；4.5)、判断质量数据y是否超出控制限，若第r个质量变量|yr|＞3σr，r＝1,2,...,5，则表明第r个质量变量发生异常，进行报警后返回执行步骤4.1)；否则直接返回执行步骤4.1)。本实施例涉及的故障1是在第160个采样时刻反应器冷却水入口温度发生阶跃变化，故障发生时，反应器温度突然增加，由于控制器的调节作用，产品质量没有受到影响，过程监控结果如图3-7所示；图3和图4是利用非线性动态主元分析方法获得的过程监控曲线，图3中t2统计量和图4中spe统计量均超出控制限，过程监控系统发出故障警报；由于实际产品质量没有受到影响，操作员视为误报，过程监控系统的可信度降低。图5至图7是面向质量的非线性动态过程监控曲线，图5中与质量相关的ts2统计量没有超出控制限，推理得到质量不会发生异常，过程监控系统不报警；图6中统计量和图7中speex统计量均超出了控制限，表明与质量不相关的过程发生了故障，不会影响产品质量。针对故障1，本实施例采用面向质量的非线性动态过程监控，与非线性动态主元分析方法相比，过滤掉了不影响产品质量的过程故障报警，有效提高了过程监控的可信度。故障2是在第160个采样时刻流4c存在阶跃压力损失，过程监控结果如图8-12所示；图8和图9是利用非线性动态主元分析方法获得的过程监控曲线，图8中t2统计量和图9中spe统计量均超出控制限，过程监控系统发出故障警报，但无法判断产品质量是否受到影响；图10至12是面向质量的非线性动态过程监控曲线，图10中可以看出故障发生后与质量相关的ts2统计量超出了控制限，但是一段时间之后又回到了控制限以内，推理得到质量发生异常，但最终被调节恢复至正常状态；图11中统计量和图12中speex统计量均超出了控制限，表明与质量不相关的过程发生了故障。本发明面向质量的非线性动态过程监控应用于田纳西-伊斯曼过程中，在故障2发生时，与非线性动态主元分析方法相比，面向质量的非线性动态过程监控方法能够根据过程数据判断产品质量的变化趋势。本实施例涉及的故障3是在第160个采样时刻反应动态发生慢偏移，过程监控结果如图13-17所示；图13和14是利用非线性动态主元分析方法获得的过程监控曲线，图13中t2统计量和图14中spe统计量均超出控制限，过程监控系统发出故障警报，但无法判断产品质量是否受到影响；图15至17是面向质量的非线性动态过程监控曲线，图15可以看出故障发生后与质量相关的ts2统计量超出了控制限，表明过程发生故障，将导致产品质量发生异常，进行报警。与非线性动态主元分析方法相比，面向质量的非线性动态过程监控不仅能检测过程发生故障，而且能进一步判断过程故障是否影响产品质量。以上显示和描述了本发明的基本原理、主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。当前第1页12