[發(fā)明專利]一種基于裕度統(tǒng)計(jì)量的廣義非負(fù)矩陣分解故障監(jiān)測方法

在審

• 申請?zhí)枺?/td>: 201710874382.4
• 申請日: 2017-09-25
• 公開（公告）號: CN107861492A
• 公開（公告）日: 2018-03-30
• 發(fā)明（設(shè)計(jì)）人: 王培良;楊澤宇;葉曉豐;王碩
• 申請（專利權(quán)）人: 湖州師范學(xué)院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司11246
• 代理人: 郭曉鳳,連圍

技術(shù)領(lǐng)域：

本發(fā)明涉及多元統(tǒng)計(jì)過程監(jiān)測方法領(lǐng)域，更具體的說是涉及一種 基于裕度統(tǒng)計(jì)量的廣義非負(fù)矩陣分解故障監(jiān)測方法。

背景技術(shù)：

面對現(xiàn)代工業(yè)過程日趨復(fù)雜的現(xiàn)狀，只有實(shí)現(xiàn)了安全、穩(wěn)定的運(yùn) 行，才能獲得最大的經(jīng)濟(jì)效益，因此，及時檢測過程是否發(fā)生故障并 合理處理，具有重要的理論意義和工程應(yīng)用價值。鑒于工業(yè)過程數(shù)據(jù) 反映了系統(tǒng)的內(nèi)在變化和運(yùn)轉(zhuǎn)條件以及多元統(tǒng)計(jì)分析方法強(qiáng)大的特 征提取能力，為了保證制造安全以及生產(chǎn)質(zhì)量，多元統(tǒng)計(jì)過程監(jiān)控 (Multivariate Statistical Process Monitoring,MSPM)引起了學(xué)術(shù)界和 工業(yè)界研究人員的高度重視，形成了一系列基于數(shù)據(jù)驅(qū)動的多元統(tǒng)計(jì) 過程監(jiān)測方法。目前，廣泛使用的多元統(tǒng)計(jì)方法主要有主成分分析 (Principal Component Analysis,PCA)、獨(dú)立成分分析(Independent Component Analysis,ICA)和偏最小二乘法(Partial Least Squares, PLS)等。

非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)作為一 種新興的多元統(tǒng)計(jì)技術(shù)，僅僅對原始數(shù)據(jù)有非負(fù)約束，并沒有像潛變 量服從正態(tài)分布等的其他假設(shè)，并且在描述大規(guī)模高維數(shù)據(jù)的結(jié)構(gòu)信 息，提取局部特征方面表現(xiàn)得優(yōu)于PCA和ICA等傳統(tǒng)方法。因此， 有理由相信，在故障檢測與診斷技術(shù)的研究領(lǐng)域，NMF的思想也具 有很高的學(xué)術(shù)價值和廣闊的應(yīng)用前景，值得我們從學(xué)術(shù)和應(yīng)用的角度 加以關(guān)注。

為此，有相關(guān)人員針對工業(yè)過程故障監(jiān)測這個背景，對非負(fù)矩陣 分解方法展開了一系列的研究。Li等提出了利用NMF算法對非高斯 過程進(jìn)行故障監(jiān)測，并通過仿真實(shí)驗(yàn)驗(yàn)證了NMF算法應(yīng)用于化工過 程故障監(jiān)測的可行性，而且比傳統(tǒng)的多元統(tǒng)計(jì)故障監(jiān)測方法有更加廣 泛的應(yīng)用能力。王帆等提出了稀疏性非負(fù)矩陣分解(Sparse NMF, SNMF)算法，通過在NMF算法的基礎(chǔ)上引入稀疏編碼(Sparse Coding)方法得到對數(shù)據(jù)集更加稀疏的表示，通過TE過程的仿真驗(yàn) 證說明該方法相比于基本NMF算法具有明顯的優(yōu)越性。隨后，Li等 針對工業(yè)過程負(fù)數(shù)數(shù)據(jù)存在的現(xiàn)象，提出了廣義非負(fù)矩陣分解 (Generalized Non-negative Matrix Factorization,GNMF)，主要目的是 減輕對原始數(shù)據(jù)的非負(fù)約束，雖然在監(jiān)測效果上相比于其他傳統(tǒng)的多 元統(tǒng)計(jì)方法有了一定的提高。

傳統(tǒng)的多元統(tǒng)計(jì)的故障監(jiān)測方法，將原始數(shù)據(jù)變換后的潛變量的 加權(quán)數(shù)值與給定控制限的大小關(guān)系作為故障監(jiān)測的依據(jù)，達(dá)到了一定 檢測效果。但是該類方法忽視了不同采樣時刻潛變量的相關(guān)性關(guān)系、 特征分布等，而且還需假設(shè)潛變量的性質(zhì)滿足特定分布，在監(jiān)測精度 和靈敏度上還有待改進(jìn)。

發(fā)明內(nèi)容：

本發(fā)明的目的是針對解決傳統(tǒng)多元統(tǒng)計(jì)方法下的統(tǒng)計(jì)量利用潛 變量信息能力較差等問題，在傳統(tǒng)的多元統(tǒng)計(jì)方法的基礎(chǔ)上對不同采 樣時刻的時變信息進(jìn)行了分析，結(jié)合廣義非負(fù)矩陣分解方法對數(shù)據(jù)分 布沒有假設(shè)等特點(diǎn)，提出了一種基于裕度統(tǒng)計(jì)量的GNMF故障監(jiān)測 方法(GNMF-Margin Statistics,GNMF-MS)。首先利用GNMF方法提 取過程的潛變量并求得傳統(tǒng)意義下的統(tǒng)計(jì)量和控制上限。其次，在傳 統(tǒng)統(tǒng)計(jì)量的基礎(chǔ)上對過程數(shù)據(jù)構(gòu)建二級控制限，并設(shè)定一定的控制裕 度。通過對不同采樣時刻的時變信息進(jìn)行了分析，對正常數(shù)據(jù)建立裕 度模型，計(jì)算二級控制限上重構(gòu)的統(tǒng)計(jì)量，在原始的控制上限下進(jìn)行 故障監(jiān)測。最后通過對TE過程的仿真實(shí)驗(yàn)驗(yàn)證了該算法的可行性和 有效性。

本發(fā)明的技術(shù)解決措施如下：

一種基于裕度統(tǒng)計(jì)量的廣義非負(fù)矩陣分解故障監(jiān)測方法，主要包 括離線建模和在線監(jiān)測兩個階段，該方法包括如下步驟：

A、離線建模

1)數(shù)據(jù)預(yù)處理：對過程正常數(shù)據(jù)X(m×n)進(jìn)行標(biāo)準(zhǔn)化處理；

2)初始化：使用SVD算法對廣義非負(fù)矩陣分解(GNMF)進(jìn)行 初始化，并利用式(1)迭代計(jì)算出基矩陣W；

其中，[X_ij]₊＝(|X_ij|+X_ij)/2，[X_ij]_-＝(X_ij|-X_ij)/2；