[發明專利]基于相關分析的階段劃分和故障檢測方法

有效

• 申請號: 201710683345.5
• 申請日: 2017-08-03
• 公開（公告）號: CN108664009B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 王培良;葉曉豐;楊澤宇
• 申請（專利權）人: 湖州師范學院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于相關分析的階段劃分和故障檢測方法，其特征為，所述方法基于工業過程具有多階段、時變特性，不同的工業過程階段呈現不同的數據分布，本方法利用工業過程變化的特征信息，計算工業過程中所處狀態和狀態之間的轉移關系；

工業過程的三維歷史數據X(I×J×K)可按批次和變量方式展開為二維矩陣，本方法最基本的分析單元是時間片矩陣X_i(I×J)，并將PCA方法用于提取該時間片矩陣的主要變化信息，主要變化信息簡稱為主成分或主元成分，基本的階段劃分過程如下：

1)數據預處理

首先，將歷史工業過程數據X(I×J×K)按變量展開方式進行標準化為均值為0，方差為1的數據陣將數據陣按批次展開方式展開為時間片矩陣為

2)時間片矩陣主要信息提取

對所有K個時間片矩陣利用PCA進行主要變化信息提取，主要變化信息的個數由大于90％的方差累計率確定，記錄K個時間片矩陣中最大的主元成分個數為c，為了保證各時間片矩陣信息變化的可比較性，由個數c統一K個時間片矩陣的成分信息保留程度；第k個時刻時間片矩陣的主要變化信息提取如下，

其中，T_kc，P_kc為時間片矩陣的得分和負載矩陣；

3)時間片矩陣主要變化信息相關性評估

對每個時間片矩陣進行主成分提取后，得到K個負載矩陣P_kc，該K個負載矩陣包含了工業過程持續進行的潛在特征，這些特征揭示了工業過程時變的性質和變化趨勢；

a)利用K個負載矩陣P_kc對HMM模型進行訓練，

b)將訓練的HMM模型對K個負載矩陣P_kc利用第二步的式子進行相關性評估，得到評估指標I_esti，這種評估是建立在系統擬合的整體意義上的，對應任意i時刻之前之后的變化對當前i時刻的相關性綜合評估；

4)工業過程穩定階段和過渡工業過程劃分

在這K個時刻的特征變化中，有些連續時間區間的特征變化平緩，反之，快速、短暫，分別對應于工業工程中較長持續時間的操作階段和階段之間切換的過渡時期，因此將時間區間中的特征變化程度作為階段劃分依據，能較合理地對工業過程進行多階段識別，有助于提高監測模型的檢測精度和靈敏性，劃分方法如下，

a)計算所有K個時間片矩陣信息成分評估指標I_esti的均值和方差I_{esti_mean}、I_{esti_std}，

b)記第i個時間片矩陣信息成分評估指標I_estiⁱ，

定義特征變化程度控制上下界：I_{esti_h}＝I_{esti_mean}+αI_{esti_std}，I_{esti_h}＝I_{esti_mean}-αI_{esti_std}.

第i個時間片矩陣所處的區域為

其中，α為控制界可調因子，α決定了階段劃分中穩定階段和過渡階段的劃分結果，α選取過大，階段劃分結果可能較少；α選取過小，容易產生持續時間短、階段劃分過多等問題，因此，應結合實際的工業過程數據特點進行α的選取；

c)將連續不間隔的相同P_index(i)值對應的時間點合并，得到長短不同的連續時間區間，通過設定最小的持續時間長度p確定持續時間較短的時間區間合并方向，串行定位得到異常和階段持續時間短的時間區間L_min^j，利用下式確定時間區間L_min^j的合并方向；

其中，I_esti^prev，I_esti^next為前一連續時間區間和后一連續時間區間內的I_esti平均值，abs(*)、mean(*)分別表示求括弧內*的絕對值和均值操作，I_esti^j∈L_min^j，j＝1，2，..，h，h＜K。