一种均化增粘反应釜装置异常状态检测方法及系统

摘要

本发明涉及数据处理技术领域，具体涉及一种均化增粘反应釜装置异常状态检测方法及系统，该方法能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；该方法采用相关的电子设备首先获取反应釜装置在每个正常工作模式下对应的模式关联类别序列与关联字典序列，通过实时获取反应釜装置实际工作中的样本数据与每个正常工作模式下的数据对比得到实际工作模式，根据能否得到对应的实际工作模式判断该反应釜装置是否发生了异常状态；结合了每个工作模式下不同类别数据之间的相关程度，提高了数据分析的准确度，增加了对反应釜装置异常状态检测的可信度。

说明书

技术领域

本发明涉及数据处理技术领域，具体涉及一种均化增粘反应釜装置异常状态检测方法及系统。

背景技术

在现代化工的运行过程中，通常对生产过程中设备的各种数据信息进行采集，根据数据库中的大量数据以及实时样本数据之间的关系对设备进行监控，化工生产过程中通常包括多个生产模态，每个生产模态之间的数据存在一定的相关性。

现有的针对多模态化工过程进行分析时，往往只考虑到各个生产模态对应数据的独特性，或者是在考虑到每个生产模态独特性的基础上考虑到不同生产模态之间的相关性；但对于同一种生产模态来说，该生产模态下数据之间的联系往往更加紧密，可能由于数据之间的互相影响从而使得生产过程中出现异常状态，忽略同种生产模态下数据之间的相关性进行分析可能会存在偏差，对装置的检测识别的准确度较低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种均化增粘反应釜装置异常状态检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种均化增粘反应釜装置异常状态检测方法，该方法包括以下步骤：

采集反应釜装置在每个正常工作模式下对应的多个样本数据，所述样本数据包括所述反应釜装置的多个类别数据，每个所述类别数据为所述反应釜装置在对应的所述正常工作模式下的数据序列；

获取每个所述正常工作模式下任意两个所述类别数据之间的相关程度，根据所述相关程度构建所述正常工作模式对应的模式关联类别序列，根据所述模式关联类别序列得到对应的关联字典序列；

采集所述反应釜装置在实际工作时的多个实际样本数据，根据多个所述实际样本数据得到实际模式关联类别序列与实际关联字典序列；获取所述实际模式关联类别序列与每个所述模式关联类别序列之间的相似度，所述相似度大于预设阈值时的所述模式关联类别序列为候选模式关联类别序列，每个所述候选模式关联类别序列对应一个候选关联字典序列；

获取所述实际关联字典序列与每个所述候选关联字典序列之间的相似性，所述相似性最大时对应的所述候选关联字典序列为最优序列，所述最优序列对应的所述正常工作模式为实际工作时的实际工作模式；

获取所述反应釜装置在多个连续时间段内的实际工作模式，不存在所述实际工作模式的时间段为疑似异常时间，将所述疑似异常时间与其相邻的前后两个时间段进行对比，判断所述疑似异常时间是否发生了异常状态。

优选的，所述获取每个所述正常工作模式下任意两个所述类别数据之间的相关程度的步骤，包括：

获取每个所述样本数据中任意两个所述类别数据之间的差异，计算所有所述样本数据中该两个所述类别数据之间的差异的均值，所述差异的均值为该两个所述类别数据之间的相关程度。

优选的，所述根据所述相关程度构建所述正常工作模式对应的模式关联类别序列的步骤，包括：

获取每个所述正常工作模式下任意两个所述类别数据之间的相关程度，将所有所述相关程度进行降序排列得到对应的模式关联类别序列。

优选的，所述根据所述模式关联类别序列得到对应的关联字典序列的步骤，包括：

根据所述模式关联类别序列中每个元素构建数据矩阵，将每个所述数据矩阵分解得到一个字典矩阵，所有所述字典矩阵构成对应的关联字典序列。

优选的，所述获取所述实际模式关联类别序列与每个所述模式关联类别序列之间的相似度的步骤，包括：

获取所述实际模式关联类别序列中每个元素对应的最大距离值，基于所述实际模式关联类别序列中每个位置元素值与任意所述模式关联类别序列相同位置元素值之间的差值得到所述实际模式关联类别序列中每个元素的权重，根据所述最大距离值与所述权重得到所述实际模式关联类别序列与所述模式关联类别序列之间的相似度。

优选的，所述获取所述实际关联字典序列与每个所述候选关联字典序列之间的相似性的步骤，包括：

获取所述实际关联字典序列中每个元素的熵值得到对应的实际熵序列；获取每个所述候选关联字典序列中每个元素的熵值得到对应的候选熵序列；计算所述实际熵序列与每个所述候选熵序列之间的余弦值为所述实际关联字典序列与每个所述候选关联字典序列之间的相似性。

优选的，所述将所述疑似异常时间与其相邻的前后两个时间段进行对比，判断所述疑似异常时间是否发生了异常状态的步骤，包括：

获取每个时间段的实际样本数据，获取与所述疑似异常时间相邻的前后两个时间段对应的实际工作模式；计算每个所述时间段的实际样本数据与每个所述正常工作模式之间的差距，基于每个所述时间段对应的差距得到所述疑似异常时间的转出模式和响应模式；

根据所述转出模式和所述响应模式得到所述疑似异常时间对应的响应率，所述响应率小于预设阈值时，所述反应釜装置在所述疑似异常时间发生了异常状态。

第二方面，一种均化增粘反应釜装置异常状态检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任意一项方法所述的步骤。

本发明具有如下有益效果：本发明实施例能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；通过每个不同工作模式下不同类别数据之间的相关程度进行分析，增加了数据分析的准确性；结合不同工作模式中每个类别数据之间的关联性对反应釜装置发生异常状态时进行更准确的定位，且在分析过程中排除了工作模式转换的可能性，减少了误差，提高了检测结果的准确性。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种均化增粘反应釜装置异常状态检测的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种均化增粘反应釜装置异常状态检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本申请适用于对反应釜装置工作过程中的异常状态检测，通过该反应釜装置工作时不同类别数据之间的相关程度进行分析，对实时工作时的实际工作模式进行获取，从而识别出其中可能发生异常状态的时间段，对该时间段与相邻时间段之间样本数据之间的差距判断是否发生了异常状态，有效提高了最终的检测结果。

下面结合附图具体的说明本发明所提供的一种均化增粘反应釜装置异常状态检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种均化增粘反应釜装置异常状态检测的方法流程图，该方法包括以下步骤：

步骤S100，采集反应釜装置在每个正常工作模式下对应的多个样本数据，样本数据包括反应釜装置的多个类别数据，每个类别数据为反应釜装置在对应的正常工作模式下的数据序列。

由于化工厂会存在能耗调度或者订单发生波动的问题，例如，因为化工企业的高能耗原因，通常会根据工业用电早晚价格的差异适当调整白天与黑夜的生产产量。因此化工对象并非一直运行在某个固定的生产模态下；不论是在正常的运行状态还是异常运行状态下，化工厂的设备都可能会具备多种生产模态，将该种生产方式称之为多模态化工过程。

本发明实施例中对均化增粘反应釜装置在多模态化工过程中的异常状态进行识别，在正常的使用过程中该反应釜装置主要包括温度数据、流量数据以及压力数据共三种数据；本发明实施例中对该三种数据细分为进料流量数据、反应器压力数据、反应器液位数据、反应器温度数据、反应器进料阀门开度数据、反应器冷凝水流量数据以及冷凝水冷却水流量数据等7种类别数据。

需要说明的是，反应釜装置实际使用过程中在不同的生产模态中其对应的类别数据不同，不同的生产模态对应不同的工作模式。

进一步的，对化工过程中该反应釜装置在多个正常工作模式下的数据进行采集，将获取的数据记为该正常工作模式下的样本数据，该样本数据中包括反应釜装置在该正常工作模式下所有类别的数据序列，每个数据序列为从正常工作模式开始至结束过程中的采样数据的序列；即反应釜装置在该正常工作模式下存在几种类别数据，该样本数据中就包括几种类别数据序列。

以此类推，获取该反应釜装置在每个正常工作模式下对应的样本数据。

步骤S200，获取每个正常工作模式下任意两个类别数据之间的相关程度，根据相关程度构建正常工作模式对应的模式关联类别序列，根据模式关联类别序列得到对应的关联字典序列。

在不同的正常工作模式下，该反应釜装置中不同类别数据之间往往存在相互影响，例如流量数据的增加可能会导致压力数据的增大，因此不同类别数据之间存在着不同的相关程度，对不同类别数据之间的相关程度进行分析。

由于每个样本数据中包括多个类别数据，且每个类别数据均为一个数据序列，在相同样本数据中不同类别数据均为同一时间段进行采集的数据。为了提高分析的准确度，在每个正常工作模式下采集多个样本数据；基于该正常工作模式下的多个样本数据对不同类别数据之间的相关程度进行分析。获取每个样本数据中任意两个类别数据之间的差异，计算所有样本数据中该两个类别数据之间的差异的均值，差异的均值为该两个类别数据之间的相关程度。

具体的，获取每个样本数据中任意两个类别数据之间的差异，本发明实施例中利用DTW算法对不同的两个类别数据进行分析，获取该样本数据中任意两个类别数据之间的DTW距离，对获取的所有DTW距离进行归一化。以此类推，获取同样正常工作模式下每个样本数据中任意两个类别数据之间的DTW距离；计算任意两个类别数据在同样的正常工作模式下所有样本数据的DTW距离均值，以该DTW距离均值作为该正常工作模式下这两个类别数据之间的相关程度；基于相同的方法，获取每个正常工作模式下任意两个类别数据之间的相关程度。

进一步的，获取每个正常工作模式下任意两个类别数据之间的相关程度，将所有相关程度进行降序排列得到对应的模式关联类别序列。即将每个正常工作模式下所有类别数据之间的相关程度进行排序，本发明实施例中按照相关程度从大到小的顺序进行排列，由此构成该正常工作模式对应的模式关联类别序列，该模式关联类别序列中每个元素为该正常工作模式下任意两个类别数据之间的相关程度。

为了更准确对每个类别数据之间的关系特征进行分析，获取每个模式关联类别序列对应的关联字典序列；该模式关联类别序列中每个元素为两个类别数据之间的相关程度，即每个元素为一个类别数据组合，每个类别数据组合对应一个字典构建关联字典序列。根据模式关联类别序列中每个元素构建数据矩阵，将每个数据矩阵分解为字典矩阵，所有字典矩阵构成对应的关联字典序列。

具体的，获取每个类别数据组合对应的字典的方法如下：

(1)将不同类别数据组合转换为数据矩阵。

作为一个优选示例，假如任意样本数据中包括三个类别数据分别为类别数据a、类别数据b以及类别数据c，每个类别数据均为一个数据序列；则在该样本数据中共存在三个类别数据组合分别为ab、ac、bc。

由于每个正常工作模式下均采集了多个样本数据，假设每个正常工作模式下采集了三个样本数据，则三个样本数据中都分别包括类别数据a、类别数据b以及类别数据c；本发明实施例中采用数据穿插的方法构建不同类别数据组合的数据矩阵，对于类别数据组合ab而言，由于三个样本数据中均包括类别数据组合ab，因此该类别数据组合对应的数据矩阵为：

其中，n

以此类推，获取每个类别数据组合对应的数据矩阵。

(2)基于K-SVD算法对每个类别数据组合对应的数据矩阵进行分解。

K-SVD算法是一种稀疏表示中字典学习的算法，其名字的由来是该算法要经过K次迭代，且每一次迭代都要使用SVD分解。该算法能够将一个数字矩阵分解为一个字典矩阵和一个稀疏矩阵，字典矩阵用于表示数字矩阵的最本质的特征，稀疏矩阵表示字典矩阵中不同特征的组合。

因此通过K-SVD算法将每个类别数据组合对应的数据矩阵分解为对应的字典矩阵和稀疏矩阵，具体分解方法为公知技术，不再赘述。

(3)构建关联字典序列。

通过上述K-SVD算法将每个类别数据组合对应的数据矩阵分解为对应的字典矩阵和稀疏矩阵；因此得到每个正常工作模式下每个类别数据组合对应的字典矩阵，进而根据每个类别数据组合对应的字典矩阵构建关联字典序列，该关联字典序列与模式关联类别序列中的元素一一对应，即该关联字典序列中的第一个字典矩阵是该模式关联类别序列中第一个类别数据组合对应的数据矩阵分解得到。

以此类推，获取每个正常工作模式下对应的关联字典序列以及模式关联类别序列。

步骤S300，采集反应釜装置在实际工作时的多个实际样本数据，根据多个实际样本数据得到实际模式关联类别序列与实际关联字典序列；获取实际模式关联类别序列与每个模式关联类别序列之间的相似度，相似度大于预设阈值时的模式关联类别序列为候选模式关联类别序列，每个候选模式关联类别序列对应一个候选关联字典序列。

具体的，由步骤S200中获取到反应釜装置在每个正常工作模式下对应的模式关联类别序列以及关联字典序列；由于反应釜装置在实际工作过程中采集到的实际样本数据无法确定其对应的工作模式，因此根据实际采集的实际样本数据与多个正常工作模式下的样本数据之间的相似度进行分析得到对应的实际工作模式，即根据实际样本数据对应的实际模式关联类别序列、实际关联字典序列与多个正常工作模式下的模式关联类别序列、关联字典序列之间的相似度进行分析。获取实际模式关联类别序列中每个元素对应的最大距离值，基于实际模式关联类别序列中每个位置元素值与任意模式关联类别序列相同位置元素值之间的差值得到实际模式关联类别序列中每个元素的权重，根据最大距离值与权重得到实际模式关联类别序列与模式关联类别序列之间的相似度。

首先，获取该实际模式关联类别序列中每个元素的最大距离值；该最大距离值由每个元素所在位置得到。作为一个示例，假设该实际模式关联类别序列A＝{a,b,c,d}，则该实际模式关联类别序列中第一个元素a所在位置为1；而该元素a在该实际模式关联类别序列A中可存在的最大位置数值为4，那么元素a对应的最大距离值为4-1＝3。以此获取元素b对应的最大距离值为2、元素c对应的最大距离值为2以及元素d对应的最大距离值为3。

以此类推，获取实际模式关联类别序列中每个元素对应的最大距离值。

然后，获取实际模式关联类别中每个元素的实际距离值，该实际距离值由该实际模式关联类别序列的元素位置与每个正常工作模式下的模式关联类别序列中的对应元素位置得到。作为一个示例，假设该实际模式关联类别序列为A＝{a,b,c,d}，其中每个元素表示一个类别数据组合；任意正常工作模式下的模式关联类别序列为B＝{c,a,b,d},该实际模式关联类别序列中元素a的位置为1；任意正常工作模式下的模式关联类别序列中元素a的位置为2，则实际模式关联类别序列中元素a的实际距离值为2-1＝1；实际模式关联类别序列中元素b的实际距离值为1；实际模式关联类别序列中元素c的实际距离值为2；实际模式关联类别序列中元素d的实际距离值为0。

以此类推，获取实际模式关联类别序列中每个元素对应的实际距离值。根据该实际模式关联类别序列中每个元素对应的实际距离值和最大距离值得到该实际模式关联类别序列与正常工作模式下的模式关联类别序列中每个元素的距离值；本发明实施例中将每个元素的距离值设置为该元素对应的实际距离值与最大距离值的比值。

最后，为实际模式关联类别序列中每个元素分配权重，每个元素的权重由该元素在实际模式关联类别中的取值与正常的模式关联类别序列中相同位置元素取值之间的差值获得。作为一个优选示例，假设实际模式关联类别序列A＝{a,b,c,d}，任意正常工作模式下的模式关联类别序列为B＝{c,a,b,d}；对于实际模式关联类别序列中元素a而言，元素a在实际模式关联类别序列中的第一个位置，因此该元素a的权重为正常的模式关联类别序列B中第一个位置元素c与该元素a之间的差值的绝对值；每个元素的取值即为对应的类别数据组合之间的相关程度。则实际模式关联类别序列A中元素b的权重为|a-b|；实际模式关联类别序列A中元素c的权重为|b-c|；实际模式关联类别序列A中元素d的权重为|d-d|。

以此类推，获取实际模式关联类别序列中每个元素对应的权重，结合该实际模式关联类别序列中每个元素的距离值得到该实际模式关联类别序列与正常的模式关联类别序列之间的相似度，具体相似度的计算方法为：计算该实际模式关联类别序列中每个元素的距离值与权重之间的加权求和，对该加权求和的结果进行归一化，相似度即为该加权求和结果的倒数。

以此类推，获取该实际模式关联类别序列与每个正常工作模式下的模式关联类别序列之间的相似度。由于不同的工作模式之间存在一定的相关性，因此该实际模式关联类别序列可能与多个正常工作模式下的模式关联类别序列之间的相似度一致，无法判断出该实际模式关联类别序列属于哪一种正常工作模式。本发明实施例中将与所述实际模式关联类别序列的相似度大于预设阈值的正常工作模式进行筛选保留，对保留下的多个正常工作模式对应的关联字典序列与实际样本数据的实际关联字典序列进一步分析。

作为优选，本发明实施例中设置预设阈值为0.9，将与该实际模式关联类别序列的相似度大于0.9的模式关联类别序列进行保留，即保留下与该实际工作相似的多个正常工作模式，将保留下的正常工作模式记为候选工作模式，每个候选工作模式对应一个候选关联字典序列。

步骤S400，获取实际关联字典序列与每个候选关联字典序列之间的相似性，相似性最大时对应的候选关联字典序列为最优序列，最优序列对应的正常工作模式为实际工作时的实际工作模式。

进一步的，对该实际工作的实际关联字典序列与多个候选关联字典序列之间的相似性进行分析，获取实际关联字典序列中每个元素的熵值得到对应的实际熵序列；获取每个候选关联字典序列中每个元素的熵值得到对应的候选熵序列；计算实际熵序列与每个候选熵序列之间的余弦值为实际关联字典序列与每个候选关联字典序列之间的相似性。

由于关联字典序列中每个元素为一个字典矩阵，因此获取实际工作的实际关联字典序列中每个元素的熵值，根据每个元素的熵值得到该实际关联字典序列对应的实际熵序列。相应的，获取多个候选工作模式对应的候选关联字典序列中每个元素的熵值，从而得到每个候选关联字典序列对应的候选熵序列。

本发明实施例中通过获取实际熵序列与每个候选熵序列之间的余弦值作为对应的相似性。由此获取该实际工作的实际熵序列与每个候选工作模式的候选熵序列之间的相似性。选取与该实际熵序列相似性最大的候选熵序列作为最优熵序列，该最优熵序列对应的候选工作模式为该实际工作的实际工作模式。

基于上述对实际工作的实际工作模式进行分析的方法，能够根据实时获取的实际样本数据得到此时对应的实际工作模式。

步骤S500，获取反应釜装置在多个连续时间段内的实际工作模式，不存在实际工作模式的时间段为疑似异常时间，将疑似异常时间与其相邻的前后两个时间段进行对比，判断疑似异常时间是否发生了异常状态。

具体的，由步骤S300与步骤S400中的方法获取反应釜装置在实时工作时对应的实际工作模式；在现有的对反应釜装置异常状态的检测过程中往往会将不同工作模式之间转换时的状态判定为异常状态，这种方法对异常状态的检测往往有着较大的误差，本发明实施例中通过多个时间段内反应釜对应的实际工作模式对该反应釜装置的异常状态进行检测。

作为一个优选示例，本发明实施例中从该反应釜装置开始运行的时候进行数据采集，设置数据采集的时间间隔为半小时，即每间隔半小时对该反应釜装置进行样本数据的采集。假设该反应釜装置运行到此刻共经历了两小时，则得到该反应釜装置对应的4个时间段的实际样本数据。对每个时间段的实际样本数据与多个正常工作模式下的样本数据之间进行匹配，从而得到每个时间段的实际样本数据对应的实际工作模式，当4个时间段中存在某个时间段没有匹配到实际工作模式时，则该时间段可能为反应釜装置的异常状态，也可能是该时间段时反应釜装置发生了工作模式的转换，因此对该时间段的实际样本数据进一步分析。

获取每个时间段的实际样本数据，获取与疑似异常时间相邻的前后两个时间段对应的实际工作模式；计算每个时间段的实际样本数据与每个正常工作模式之间的差距，基于每个时间段对应的差距得到疑似异常时间的转出模式和响应模式；根据转出模式和响应模式得到疑似异常时间对应的响应率，响应率小于预设阈值时，反应釜装置在疑似异常时间发生了异常状态。

具体的，将可能发生异常状态的时间段标记为第i个时间段，通过分析第i-1个时间段、第i个时间段以及i+1个时间段对应的样本数据确定是否发生了异常状态。

首先，获取每个时间段对应的曲线，该曲线由该时间段对应的实际样本数据获得；由步骤S200中获取样本数据的模式关联类别序列以及关联字典序列的方法可知，每两个类别数据组合对应一个数据矩阵，每个数据矩阵可分解为一个字典矩阵和一个稀疏矩阵；计算每个字典矩阵的熵值和每个稀疏矩阵的熵值，以该字典矩阵的熵值和稀疏矩阵的熵值作为一个坐标点为(E

然后，基于上述获取每个时间段的实际样本数据对应曲线相同的方法，获取每个正常工作模式下对应的样本数据的曲线，计算每个时间段的实际样本数据对应曲线与每个正常工作模式对应曲线之间的DTW距离，以每个DTW距离作为对应时间段的实际模式与每个正常工作模式之间的差距。由于第i个时间段不存在确定的工作模式，因此计算第i个时间段在第i-1个时间段在多个正常工作模式之间的转出率和转入率。

转出率的计算方法为：获取第i个时间段中的转出模式，该转出模式即为在某个正常工作模式下第i个时间段对应的差距相比于第i-1个时间段对应差距增大；则该转出模式对应的转出率为第i个时间段对应差距与第i-1个时间段对应差距之间的差值。

转入率的计算方法为：获取第i个时间段中的响应模式，该响应模式为在某个正常工作模式下第i个时间段对应的差距相比于第i-1个时间段对应差距减小；则该响应模式对应的转入率为第i-1个时间段对应差距与第i个时间段对应差距之间的差值。

最后，以第i个时间段对应的响应率进行最终的分析，该响应率为第i个时间段转出率与转入率的比值，判断所述响应率的大小是否大于预设阈值。同时，对第i+1个时间段的实际样本数据进行分析，判断该时间段内是否存在对应的正常工作模式，当第i+1个时间段存在与正常工作模式对应的实际工作模式且第i个时间段的响应率大于预设阈值时，则认为第i个时间段并未发生异常状态；否则则认为该时间段发生了异常状态。

作为优选，本发明实施例中将响应率的预设阈值设置为0.8。

作为一个示例，请参阅表1，其示出一种多个时间段与不同正常工作模式之间差距数据参考表。

表1

其中每个数据表示对应时间段的实际样本数据的曲线与不同正常工作模式的曲线之间的差距；对于第i-1个时间段来说，其与正常工作模式A之间的差距最小，因此该时间段最可能的实际模式为正常工作模式A；对于第i个时间段来说，其与每个正常工作模式之间的差距均较大，且该时间段存在转出模式与响应模式；获取该时间段内转出模式对应的转出率为：0.6-0.1＝0.5；相应的，计算该时间段内响应模式的转入率为：0.9-0.4＝0.6；基于获取到的该时间段内的转出率和转入率得到第i个时间段对应的响应率为：

综上所述，本发明实施例中通过分析每个正常工作模式下不同类别数据之间的相关程度得到每个正常工作模式对应的模式关联类别序列以及关联字典序列；对实时工作时的实际样本数据进行分析得到对应的正常工作模式，当该反应釜装置在工作过程的某一个时间段内不存在对应的实际工作模式时，对该时间段内的样本数据进行再次分析，判断该时间段是工作模式之间的转换还是发生了异常状态，考虑不同类别数据之间的相关程度使得分析更加准确，最终对异常状态评判的结果也更加可靠。

基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种均化增粘反应釜装置异常状态检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种均化增粘反应釜装置异常状态检测方法实施例中的步骤，例如图1所示的步骤。该一种均化增粘反应釜装置异常状态检测方法在上述实施例中已经详细说明，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。