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。