[發明專利]一種基于缺失變量PCA模型的工業過程監測方法

有效

• 申請號: 201710446396.6
• 申請日: 2017-06-02
• 公開（公告）號: CN107092242B
• 公開（公告）日: 2019-05-31
• 發明（設計）人: 石立康;朱瑩;童楚東
• 申請（專利權）人: 寧波大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于缺失變量PCA模型的工業過程監測方法，旨在將缺失變量處理方法用于在線估計主成分信息，從而實現對估計誤差實施監測的目的。首先，本發明方法通過逐一假設各測量變量數據缺失后估計出主成分。然后，以主成分的估計誤差以及PCA模型的誤差估計值作為被監測對象實施在線過程監測。雖然，正常工況下的采樣數據不一定滿足高斯分布假設，但估計誤差一般來講是服從高斯分布的。從這點上看，本發明方法雖然是基于PCA算法的，但是它不需要假設訓練數據服從或近似服從高斯分布，這在一定程度了擴大了傳統基于PCA的過程監測方法的適用范圍。此外，本發明方法由于采用多個故障檢測模型，它還發揮了多模型泛化能力強的優勢。

技術領域

本發明涉及一種工業過程監測方法，尤其是涉及一種基于缺失變量PCA模型的工業過程監測方法。

背景技術

隨著計算機技術廣泛應用于生產工業過程中，工業對象可以測量越來越多的指標，也可以存儲海量的過程數據信息。豐富的采樣數據為現代工業過程走向“大數據”時代提供了堅實的數據基礎，催生出了許多數據驅動的工業信息化應用與研究領域。數據驅動的工業過程監測就是其中一個很重要的分支，它旨在通過挖掘過程數據中潛藏的有用信息實現實時監測生產過程是否發生故障的目的。近年來，針對數據驅動的過程監測，尤其是基于多元統計分析算法的過程監測的研究都非常火熱，衍生出了各式各樣的故障檢測與診斷方法。在這些方法中，主成分分析(Principal Component Analysis，PCA)算法是最基本，也是最普遍被研究與利用的數據驅動方法。基于PCA的故障檢測模型通過挖掘正常過程數據間的相關性，建立起描述測量變量間相關性的單分類模型。因此，基于PCA的過程監測方法可以有效地檢測出數據間相關性的變化。值得指出的是，傳統PCA過程監測方法通常都假設正常工況下的采樣數據服從正態分布。若不滿足正態分布假設，傳統PCA過程監測方法有會出現大量的故障漏報。

此外，考慮到生產過程在線采樣數據會偶爾存在缺失的問題，也有研究學者提出適應于PCA模型的缺失變量應對策略。可以說，缺失變量處理方法的提出極大地擴大了PCA過程監測模型的適用范圍，實施在線監測時對存在缺失變量信息的采樣數據同樣可以實施監測。一般來講，這些缺失變量處理方法的基本宗旨在于利用已測量得到的數據按照一定的誤差準則估計出所需信息，數據間的相關性在計算估計值的過程中起著很重要的作用。然而，在已有的科研文獻與專利資料中，缺失變量處理方法只是僅僅用來處理缺失變量。若是在線采樣樣本不存在缺失變量，缺失變量的處理方法就毫無用武之地。也就是說，目前在基于PCA的過程監測模型中，通常只是將缺失變量處理方法當成一個“應急”的備用策略，缺失變量處理方法還未曾在PCA故障檢測模型中充分發揮功效。事實上，當PCA模型用于在線故障檢測時，缺失變量處理方法可以用來在線估計主成分信息。由于該主成分估計值與實際值之間是存在誤差的，若誤差過大，則說明新采樣數據間的相關性與正常訓練數據間的相關性不一致，即可判斷當前過程對象進入非正常的生產工況。

發明內容

本發明所要解決的主要技術問題是：如何將缺失變量處理方法用于在線估計主成分信息，從而得到實際值與估計值間的誤差，并通過誤差來判斷該采樣數據是否為故障樣本。為此，本發明提供了一種基于缺失變量PCA模型的工業過程監測方法。該發明方法在傳統PCA模型的基礎上，首先對在線新采樣數據依次假設其各測量缺失變量。其次，利用缺失變量處理方法得到相應的主成分估計值。然后，利用該主成分估計值產生主成分的估計誤差與PCA模型誤差。最后，通過對誤差建立適當的統計量實施故障檢測。

本發明解決上述技術問題所采用的技術方案為：一種基于缺失變量PCA模型的工業過程監測方法，包括以下步驟：

(1)在生產過程正常運行狀態下，利用采樣系統采集樣本組成訓練數據集X∈R^n×m，對矩陣X中每個變量進行標準化處理，得到均值為0，標準差為1的新矩陣其中，n為訓練樣本數，m為過程測量變量數，R為實數集，R^n×m表示n×m維的實數矩陣，為第k個變量的n個測量值組成的列向量，下標號k＝1，2，…，m。