1.一种基于局部特征异常因子的初馏塔采样数据粗差判别方法,其特征在于,具体包括以下所示步骤:步骤(1):确定初馏塔中影响初顶馏分干点的9个变量,具体包括:初馏塔进料流量,进料温度,塔顶温度,塔顶压力,塔顶回流带出能量,回流比、初顶石脑油流量,初顶循带出能量,初中断带出能量;采集初馏塔这9个变量的N组样本数据x1,x2,…,xN,并将其组成为一个N×9 N×9 1×9N×9维的数据矩阵X∈R ;其中,R 表示N×9维的实数矩阵,R表示实数集,xi∈R 表示
1×9
第i组样本数据,R 表示1×9维的实数向量,i∈{1,2,…,N};
步骤(2):根据公式 分别为数据矩阵X中的列向量z1,z2,…,z9实施抗差标准化处理,得到抗差标准化处理后的数据矩阵 其中,zk和 分别表示X和 中第k列的列向量,k∈{1,2,…,9}表示变量的序号,μ(zk)表示计算列向量zk中所有元素的中位数,中位绝对差 表示计算列向量 中所有元素的中位数,|zk‑μ(zk)|表示计算zk‑μ(zk)的绝对值;
步骤(3):按照如下所示步骤(3.1)至步骤(3.5)依次计算当i分别等于1,2,…,N时的局部特征异常因子L1,L2,…,LN;
步骤(3.1):初始i=1,并将 中的第i行向量记为步骤(3.2):根据公式 计算行向量 与数据矩阵 中第j行向量 之间的平方距离,并将 中与 之间平方距离最小的C个行向量组成参考矩阵其中,j∈{1,2,…,N}且j≠i,上标号T为矩阵或向量的转置符号;
步骤(3.3):求解广义特征值问题 中最大特征值λi对应的特征向量pi后,再计算变换向量
2
步骤(3.4):计算局部特征 后,再根据公式Li=(si) 计算第i个局部特征异常因子Li;
步骤(3.5):判断是否满足i<N;若是,则设置i=i+1后返回步骤(3.2);若否,则得到N个局部特征异常因子L1,L2,…,LN;
步骤(4):计算N个局部特征异常因子L1,L2,…,LN的中位数μ(L)以及中位绝对差δ(L)后,再确定局部特征异常因子的变化上限Llim=μ(L)+3×δ(L);其中,L=[L1,L2,…,LN];
步骤(5):根据如下所示步骤(5.1)至步骤(5.3)逐个判别初馏塔采样数据中的粗差数据;
步骤(5.1):初始化i=1;
步骤(5.2):判断是否满足条件Li>Llim;若是,则将第i个样本数据xi判别为粗差数据;
若否,则第i个样本数据不是粗差数据;
步骤(5.3):判断是否满足i<N;若是,则设置i=i+1后返回步骤(5.2);若否,则结束初馏塔采样数据的粗差判别。