1.一种基于时序差异特征提取的合成氨一段炉运行异常检测方法，其特征在于，具体包括以下所示步骤：步骤(1)：从DCS历史数据库中，获取合成氨一段炉运行在正常状态下的N组过程数据x1，

13×1 13×1

x2，…，xN；其中，xi∈R 表示第i组过程数据，下标号i∈{1，2，…，N}，R 表示13×1维的实数向量，每组过程数据包括13个数据；

步骤(2)：将N组过程数据x1，x2，…，xN组建成训练数据矩阵X＝[x1，x2，…，xN]后，对X中各行的行向量分别实施标准化处理，从而得到参考数据矩阵 其中，标准化的方式

13×N

具体是行向量减去该行向量的均值后，再除以该行向量的标准差，R 表示13×N维的实数矩阵，R表示实数集；

步骤(3)：设置时序相关阶数等于D后，再根据如下所示公式 和如

13×(N‑D+1) 13(D‑1)×(N‑D+1)

下所示公式①分别组建时序矩阵XD∈R 和时序扩展矩阵Z∈R ：其中， 依次表示参考数据矩阵 中第1列，第2列，至第N列的列向量， 表示 中第D‑2列的列向量， 表示 中第D‑1列的列向量， 表示 中第N‑2列的列向量

13(D‑1)×(N‑D+1) 13

表示 中第N‑D+1列的列向量，R 表示13(D‑1)×(N‑D+1)的实数矩阵，R×(N‑D+1)

表示13×(N‑D+1)维的实数矩阵；

步骤(4)：将XD中第1列至第N‑D+1列的列向量依次当成在线数据向量 实施时序差异特征分析，从而计算出相应的异常检测指标Q1，Q2，…，QN‑D+1后，再确定异常检测指标的控制上限Qlim，具体的实施过程如步骤(4.1)至步骤(4.6)所示；

步骤(4.1)：初始化i＝1后，设置 等于XD中第i列的列向量，设置在线时序向量zt等于Z中第i列的列向量；

步骤(4.2)：将XD中除第i列向量之外的其余N‑D列向量组成参考时序矩阵 将Z除第i列向量之外的其余N‑D列向量组成参考时序扩展矩阵步骤(4.3)：实施时序差异特征分析，从而得到在线载荷向量wt和在线系数向量βt；

步骤(4.4)：根据公式 计算异常检测指标Qi；其中，在线时序误差

步骤(4.5)：判断i是否小于N‑D+1；若是，则设置i＝i+1后，再设置 等于XD中第i列的列向量，并设置zt等于Z中第i列的列向量后，返回步骤(4.2)；若否，得到N‑D+1个异常检测指标Q1，Q2，…，QN‑D+1后，执行步骤(4.6)；

步骤(4.6)：对Q1，Q2，…，QN‑D+1实施核密度估计，从而得到在置信度α＝99.5％时的置信限QKDE，并将Q1，Q2，…，QN‑D+1中数值最大的ξ个异常检测指标的平均值记录为QAVG后，再确定控制上限Qlim＝max{QKDE，QAVG}；其中，ξ表示不大于n×99％的最大整数，n＝N‑D+1，max{QKDE，QAVG}表示取QKDE和QAVG中的最大值；

13×1

步骤(5)：利用DCS获取合成氨一段炉在最新采样时刻的过程数据xt∈R 后，对其实施与步骤(2)中相同的标准化处理，从而得到最新采样时刻对应的在线数据向量步骤(6)：将前一个采样时刻对应的在线数据向量 前两个采样时刻对应的在线数据向量 至前D‑1个采样时刻对应的在线数据向量 合并组成在线时序向量步骤(7)：设置 和 后，再对在线数据向量 实施时序差异特征分析，从而得到相应的在线载荷向量wt和在线系数向量βt，进而根据公式 计算出最新采样时刻的异常检测指标Qt；

步骤(8)：判断Qt是否大于Qlim；若否，则合成氨一段炉正常运行，返回步骤(5)继续利用最新采样时刻的过程数据实施异常检测；若是，则执行步骤(9)从而决策是否触发异常警报；

步骤(9)：返回步骤(5)继续利用最新采样时刻的过程数据实施异常检测，若连续A个采样时刻的异常检测指标都大于Qlim，则触发异常警报；反之，则合成氨一段炉正常运行；其中，A等于触发异常警报要求的最短时间除以采样间隔时间的商。

2.根据权利要求1所述的一种基于时序差异特征提取的合成氨一段炉运行异常检测方法，其特征在于，利用DCS获取的每组过程数据具体是由m＝13个数据组成的一个13×1维的实数向量，这13个数据的排列顺序依次分别是：燃气天然气进气流量，废气燃气进气流量，换热器出口处的压力与温度，预热器出口处的燃气天然气温度，一段炉出口处的炉内燃气压力，一段炉入口处气体温度，一段炉内左上方的燃气温度，一段炉内右上方的燃气温度，一段炉顶部的混合炉内燃气温度，一段炉左出口处转换气体温度，一段炉右出口处转换气体温度，一段炉出口处转换气体温度。

3.根据权利要求1所述的一种基于时序差异特征提取的合成氨一段炉运行异常检测方法，其特征在于，步骤(4.4)和步骤步骤(7)中实施时序差异特征分析的具体实施过程如下所示：m×1

步骤(A)：初始化特征向量g∈R 等于一个任意的m×1维的实数向量；

步骤(B)：根据公式 计算出在线系数向量βt；其中，上标号T表示矩阵或向量的转置，矩阵Lw和LD分别如公式②所示：

上式中， 表示计算ID和g之间的克罗内克积，ID表示(D‑1)×(D‑1)维的单位矩阵；

步骤(C)：求解广义特征值问题G＝λLβg中最大特征值λ对应的特征向量g后，再利用公式对g实施归一化处理；其中，矩阵G和矩阵Lβ如公式③所示：上式中， 表示计算βt和IM之间的克罗内克积，IM表示13×13维的单位矩阵；

步骤(D)：判断特征向量g是否收敛；若否，则返回步骤(B)；若是，则设置在线载荷向量wt＝g后，即完成时序差异特征分析过程，从而得到在线载荷向量wt和在线系数向量βt。

4.根据权利要求3所述的一种基于时序差异特征提取的合成氨一段炉运行异常检测方法，其特征在于，所述步骤(C)中求解广义特征值问题G＝λLβg中的最大特征值λ对应的特征向量g的具体实施过程如下所示：T ‑4

步骤(一)：对矩阵Lβ实施奇异值分解Lβ＝UΛU，只保留所有大于10 的非零奇异值，从而得到酉矩阵U和奇异值对角矩阵Λ后，再计算得到矩阵步骤(二)：根据公式 计算得到矩阵Gβ后，初始化特征向量p为任意的一个13×1维的实数向量；

步骤(三)：依次根据公式p＝Gβp和 更新得到特征向量p；

步骤(四)：判断特征向量p是否收敛；若否，则返回步骤(三)；若是，则得到最终的特征向量p后，执行步骤(五)；

步骤(五)：根据公式 计算得到特征向量g。