1.一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法，其特征在于，具体包括以下所示步骤：步骤(1)：从合成氨过程配套的DCS数据库中，获取正常运行状态下的N组采样数据x1，

39×1

x2，…，xN，并将其组成正常数据矩阵X＝[x1，x2，…，xN]；其中，xi∈R 表示第i组采样数据，下标号i∈{1，2，…，N}，每组采样数据具体由21个温度测量数据，6个压力测量数据和12个

39×1

流量测量数据组成，R 表示39×1维的实数向量；

步骤(2)：根据 对X中各行的行向量分别实施标准化处理，从而得到参考

1×N

数据矩阵 其中，zk∈R 表示正常数据矩阵X中第k行的行向量，表示 中第k行

39×N

的行向量，μk和δk分别表示行向量zk中所有元素的平均值和标准差，k∈{1，2，…，39}，R表示39×N维的实数矩阵；

步骤(3)：对参考数据矩阵 中的列向量 实施近邻关系特征分析，得到近邻

39×N

关系矩阵Y∈R ，具体实施过程如步骤(3.1)至步骤(3.4)所示；

N×N

步骤(3.1)：根据公式 计算平方距离矩阵D∈R 中的第i行第j列元素D(i，j)；其中，与 分别表示参考数据矩阵 中第i列与第j列的列向量，上标号T表示矩阵或向量的转置，下标号i∈{1，2，…，N}，下标号j∈{1，2，…，N}；

步骤(3.2)：当下标号i分别等于1，2，…，N时，重复实施步骤(3.3)至步骤(3.4)从而得到N个近邻关系向量 再组建近邻关系矩阵

1×N

步骤(3.3)：根据平方距离矩阵D中第i行向量Di∈R ，确定出Di中除第i个元素之外的最小的C个元素所在的列，并将列标号记录为 对应的近邻集合φi；

步骤(3.4)：根据近邻集合φi中的C个列标号，计算参考数据矩阵 中相同列的列向量的平均值向量yi后，再根据公式 计算近邻关系向量步骤(4)：依次将 分别当做成在线数据向量xt，根据如下所示步骤(4.1)至步骤(4.5)计算得到在线近邻嵌入指标 再将 中的最大值记录为步骤(4.1)：初始化i＝1后，设置在线数据向量 和在线近邻关系向量步骤(4.2)：根据xt对应的近邻集合中的C个列标号，将邻关系矩阵Y中相同列的列向量

39×C

组建成参考近邻矩阵Yt∈R ；

步骤(4.3)：求解广义特征值问题 中最大特征值λ对应的特征向量wt后，再利用公式 对其实施归一化处理；

步骤(4.4)：根据公式 计算出在线近邻嵌入指标步骤(4.5)：设置 后，再判断i是否小于N；若是，则设置i＝i+1后，再设置 和后返回步骤(4.2)；若否；则得到N个在线近邻嵌入指标步骤(5)：利用合成氨过程配套的DCS获取最新采样时刻的采样数据 后，利用平均值μk和标准差δk通过公式 对 中的各行元素实施标准化处理，得到在线数据向量xt；其中， 和xt(k)分别表示 和xt中第k行的元素；

步骤(6)：从参考数据矩阵 中找出与xt存在近邻关系的C个列向量，从而计算在线近邻关系向量yt，具体的实施过程如步骤(6.1)至步骤(6.3)所示；

1×N

步骤(6.1)：根据公式 计算得到平方距离向量Dt∈R ；其中，Dt(i)表示Dt中的第i个元素；

步骤(6.2)：确定出Dt中最小的C个元素所在列，并将列标号记录为xt对应的近邻集合φt；

步骤(6.3)：根据近邻集合φt中的C个列标号，计算 中相同列的列向量的平均值向量后，再通过 计算得到在线近邻关系向量yt；

步骤(7)：根据步骤(4.2)至步骤(4.4)的实施过程，计算得到在线近邻嵌入指标 后，再判断 是否大于 若否，则合成氨过程正常运行，返回步骤(5)继续利用最新采样时刻的采样数据实施异常检测；若是，则执行步骤(8)从而决策是否触发异常警报；

步骤(8)：返回步骤(5)继续利用最新采样时刻的采样数据实施状态监测，若连续A个采样时刻的在线近邻嵌入指标都大于 则触发异常警报；反之，则合成氨过程正常运行。

2.根据权利要求1所述的一种基于在线近邻嵌入指标的合成氨过程运行状态异常检测方法，其特征在于，所述步骤(4.3)广义特征值问题求解的具体过程如下所示：T

步骤(A)：根据Lt＝YtYt 计算出矩阵Lt后，再对Lt实施奇异值分解，保留ξ＝min{C，39}个

39×ξ ξ×ξ

非零奇异值后，得到相应的酉矩阵U∈R 和奇异值对角矩阵V∈R ；其中，min{C，39}表示取C与39两个整数中的最小值；

步骤(B)：根据公式 计算矩阵Gt后，再求解Gt最大特征值所对应的特征向量g；

‑0.5

步骤(C)：通过wt＝UV g计算得到特征向量wt。