1.一种基于集成流形学习的填料塔液泛状态在线监测方法，其特征在于，所述方法包括以下步骤：(一)离线学习：构建集成学习模型

(1)通过传感器获得塔设备运行正常工况下的过程变量数据运行填料塔设备，并通过传感器获取不同喷淋密度下的过程数据变量；在同一喷淋密度下测量不同风频的填料塔工况，然后改变喷淋密度，测量得到多组不同喷淋密度、不同风频的填料塔工况数据；

(2)对采集到的过程变量数据进行数据预处理

测量数据不能直接用于集成流形学习的直接分析处理，需要对这些数据进行预处理，包括：选择稳定数据平均化处理、去除数据中重复作用相关变量和数据自标定处理；利用处理后的数据制作总数据集，然后经过随机取样获得一定样本的子训练集，监测样本集；

(3)基于ISOMAP构建离线流形学习模型，对子训练集进行降维处理ISOMAP算法先利用k近邻算法通过寻找欧式距离距该点最近的k个点来构造邻域图；接着计算所有样本点之间的最短距离，该距离看做是测地线距离，最后再使用MDS算法对该矩阵进行处理，实现高维数据的降维；

(4)建立集成流形学习模型，用不同子训练集训练构建好的ISOMAP流形学习模型，将训练结果集成分析在每一监测样本集下，用多个子训练集分别单独训练构建的ISOMAP流形学习模型，构建主元子空间的Hotelling-T2统计量和平方预测误差来确定子样本集下填料塔的监测泛点，所述平方预测误差为SPE统计量；在每一监测样本集下，获得此监测样本集的唯一最优泛点，保存最优泛点及获得此泛点模型的T2和SPE的控制限，从而得到用多个训练集训练同一流形学习模型后的集成效果；

(5)对集成流形学习模型进行评估，确定是否满足液泛监测分别采用均方根误差RMSE、相对均方根误差RE和最大绝对误差MAE评价指标评估离线模型对泛点监测的准确性；

(二)在线监测：液泛状态辨识

(6)利用离线学习的模型对塔设备液泛状态进行在线监测利用离线学习的集成流形学习模型对塔设备运行时采集到的新数据进行分析处理，在每一喷淋密度下，都会计算得到T2与SPE统计量的值，通过与离线模型在此喷淋密度下的T2与SPE控制线比较，实现液泛状态的在线监测。

2.如权利要求1所述的基于集成流形学习的填料塔液泛状态在线监测方法，其特征在于，所述步骤(2)的过程为：步骤2.1：选择稳定数据平均化处理

选取每组稳定状态下风频的Z个数据，对这些数据进行每b个求平均值作为一个训练样本的处理方法，一个风机频率下获得Z/b组数据；

步骤2.2：去除数据中重复作用的相关变量

选择在同一喷淋密度下测量不同风频的填料塔工况，去除风流量、水流量、F因子以及阀门开度；

步骤2.3：数据自标定

自标定是指以某种方式使过程变量标准化，标定过程分为两个步骤：第一步是将每个变量减去样本均值，得到每个数据相对于平均值的变化量；第二步是把经中心化处理后的数据的每个变量除以它的标准差；这一阶段把每个变量都标定到单位方差上，保证变化范围大的过程变量不会占主导地位；此处需特别注意，对新得到的数据样本进行自标定时，作为减数的均值和作为除数的标准差都是取自训练集；实质即是采用z-score标准化处理，如下所示：其中，x'是经z-score标准化处理后的数据；x是通过传感器实际采集的数据经步骤

2.1，2.2处理后的过程变量数据；μ是过程变量的均值；σ是过程变量数据的标准差；

步骤2.4：制作总数据集，得到总训练集、子训练集、监测样本集提取每一喷淋密度下的所有未液泛的样本，作为总的训练集，对总的训练集中不同喷淋密度的样本进行整体随机取样多次，获得多个子训练集，总训练集用来获得多个子训练集，子训练集分别用来训练模型，不同喷淋密度的数据集可分别单独作为监测样本集，用来监测某一喷淋密度下的液泛状况。

3.如权利要求1或2所述的基于集成流形学习的填料塔液泛状态在线监测方法，其特征在于，所述步骤(3)的过程为：步骤3.1：在高维数据空间，构造邻域图

首先定义X∈Rm×n为输入子训练集空间，其中m代表样本个数，n代表变量数量；Xi和Xj为输入空间中的样本点，其中下标i、j为样本点序号；定义dX(i，j)为二样本点之间的欧氏距离，构造邻域图过程如下：计算输入空间中的每个样本点Xi和其他样本点之间的欧式距离，当点Xj是点Xi的k个近邻点之一时，认为Xi和Xj是相邻的，定义输入空间中每一样本点与其k个近邻点一一连接形成的图称为邻域图，记为G；邻域图上两样本点之间的连线称为邻域图的边，记为ei,j，令边ei,j的权值等于Xi和Xj两点之间的欧式距离dX(i，j)；邻域图上任意两点之间的最短路径，记为dG(i，j)；

步骤3.2：计算dG(i，j)，得到流形M上的测地线距离dM(i，j)其中若点Xi和Xj之间有边ei,j，则这两点之间的最短路径dG(i，j)＝dX(i，j)；若点Xi和Xj之间没有边ei,j，则这两点之间的最短路径dG(i，j)＝∞，然后在邻域图G上，利用Dijkstra求得最短路径距离矩阵，记为DG；

步骤3.3：执行经典MDS算法，计算d维嵌入矩阵Y

3.2.1)计算平方距离矩阵S:

S＝(DG)2   (2)

式中，DG为最短路径距离矩阵；

3.2.2)计算中心矩阵H：

式中，δij为0-1矩阵，下标i、j为样本点序号， m为样本点个数；

3.2.3)计算最短距离矩阵DG的特征值τG：

式中，H为中心矩阵；S为平方距离矩阵；

3.2.4)对τG做特征值分解，由于τG具有对称性，所以有：τG＝CTΛC   (5)

式中，C是个正交矩阵；Λ是一个特征值从大到小排列的对角阵；

3.2.5)计算嵌入矩阵Y：

式中，Cd为取C的前d行和前n列组成的矩阵；Λd为取Λ的前d行和前d列组成的矩阵，为对Λd开算术平方；。

4.如权利要求1或2所述的基于集成流形学习的填料塔液泛状态在线监测方法，其特征在于，所述步骤4中的过程为：步骤4.1：构建两个统计量T2和SPE来进行填料塔液泛监测ISOMAP流形学习用于过程监测中，需要确定相应的监测统计量以衡量过程是否处于正常运行状态；

4.1.1)构建T2统计量过程

定义负荷矩阵P：

P＝[ξd]   (7)

式中，ξd表示降序排列的前d个特征值对应的特征向量；

定义得分矩阵T：

T＝XP   (8)

对于第i个样本点Xi，T2统计量按下式进行计算：式中，ti是得分矩阵T中的第i行；Λd是d个特征值构成的主对角矩阵；Ti2是第i个样本对应的T2统计量值；

4.1.2)构建SPE统计量过程

对于第i个样本点Xi，Q统计量按下式进行计算：

式中，Xi是训练集的第i个样本；P是负荷矩阵；I是单位矩阵；Qi是第i个样本对应的SPE统计量值；

2 2

由于T和SPE的分布未知，通过核密度估计得出T和SPE的控制限；

步骤4.2：用不同训练集训练构建好的ISOMAP流形学习模型，最后将训练结果集成

4.2.1)在每一监测样本集下，用多个子训练集分别训练构建的ISOMAP流形学习模型，构建T2和SPE两个统计量，利用T2和SPE的控制限，通过观察监测样本集中训练统计量与控制线图，得到此样本集下填料塔的监测泛点；

4.2.2)在每一监测样本集下，每一训练集训练后都会得到相应的监测泛点，即同一监测样本集最终会得到多个监测泛点；最后利用取众数的方式投票获得此监测样本集下的唯一泛点，并保存此时的T2、SPE控制线作为此喷淋密度在线监测时的统计量控制线，于是得到了用多个训练集训练同一流形学习模型后的集成效果。