[發(fā)明專利]一種基于已知數(shù)據(jù)回歸的非高斯過程監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 201711456607.0
• 申請日: 2017-12-15
• 公開（公告）號: CN108170648B
• 公開（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 孟生軍;童楚東;朱瑩
• 申請（專利權(quán)）人: 寧波大學(xué)
• 主分類號: G06F17/18
• 分類號: G06F17/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開一種基于已知數(shù)據(jù)回歸的非高斯過程監(jiān)測方法，旨在將非高斯獨(dú)立元成分轉(zhuǎn)換為高斯分布的誤差信息，以實(shí)現(xiàn)對非高斯過程對象實(shí)施精準(zhǔn)的過程監(jiān)測。具體來講，本發(fā)明方法首先利用獨(dú)立元分析(ICA)算法挖掘非高斯過程對象的獨(dú)立元成分，然后在逐個假設(shè)變量數(shù)據(jù)缺失的條件下，利用已知數(shù)據(jù)回歸(KDR)估計(jì)出獨(dú)立元。最后，利用獨(dú)立元估計(jì)誤差實(shí)施基于主元分析模型的過程監(jiān)測。一般而言，ICA算法能揭露出原始數(shù)據(jù)的本質(zhì)，以ICA模型為基礎(chǔ)通過KDR得到的估計(jì)誤差是服從高斯分布的。而受益于誤差的高斯分布特性，本發(fā)明方法所描述的正常區(qū)域更為精確，能顯著提升傳統(tǒng)ICA模型用于非高斯過程監(jiān)測的故障檢測能力。

技術(shù)領(lǐng)域

本發(fā)明涉及一種數(shù)據(jù)驅(qū)動的過程監(jiān)測方法，尤其涉及一種基于已知數(shù)據(jù)回歸的非高斯過程監(jiān)測方法。

背景技術(shù)

實(shí)施在線故障檢測是保證生產(chǎn)安全與維持產(chǎn)品質(zhì)量穩(wěn)定的基本手段，對故障檢測的研究伴隨著整個生產(chǎn)工業(yè)的發(fā)展歷程。當(dāng)前的故障檢測方法可以大致分為兩類，其一是基于機(jī)理模型的故障檢測方法，其二是基于數(shù)據(jù)的故障檢測方法。基于機(jī)理模型的故障檢測方法依賴于過程某些變量貨參數(shù)的實(shí)際值與根據(jù)模型推理出的估計(jì)值之間的誤差來實(shí)施故障檢測。也就是說，如何生成誤差是設(shè)計(jì)基于機(jī)理模型的故障檢測方法的核心所在。基于數(shù)據(jù)的故障檢測方法主要依賴于數(shù)據(jù)，不需要過程對象的機(jī)理模型，因此很適合于現(xiàn)代工業(yè)過程監(jiān)測系統(tǒng)的實(shí)施與建立。與基于機(jī)理模型的故障檢測方法生成誤差的理念不同，基于數(shù)據(jù)的故障檢測方法通過對過程數(shù)據(jù)進(jìn)行挖掘，提取出潛藏的有用信息實(shí)施故障檢測。

近年來，各種不同的數(shù)據(jù)挖掘算法都在故障檢測領(lǐng)域找到了用武之地。其中，當(dāng)以主元分析(Principal Component Analysis，PCA)與獨(dú)立元分析(Independent ComponentAnalysis，ICA)兩種算法最為常見。PCA與ICA算法用于故障檢測的實(shí)施流程大同小異，最主要的不同之處在于兩者提取潛藏成分的出發(fā)點(diǎn)不一樣。具體來講，PCA挖掘數(shù)據(jù)變量間的相關(guān)性特征，并使提取的潛藏成分(即主元)最大化的保留原始數(shù)據(jù)的方差信息。而ICA算法實(shí)在高階統(tǒng)計(jì)量的指引下，挖掘出數(shù)據(jù)中潛藏的獨(dú)立元成分。該獨(dú)立元信息具備非高斯性，能更好地揭露原始數(shù)據(jù)的本質(zhì)。由于現(xiàn)代工業(yè)過程采樣數(shù)據(jù)一般不會滿足高斯分布假設(shè)，因此ICA方法相比于PCA方法具有更廣泛的應(yīng)用性。而且，通過理論與實(shí)際的研究葉都發(fā)現(xiàn)，ICA方法能一般取得優(yōu)越于PCA方法的故障檢測效果。然而，ICA算法用于故障檢測時通常是依賴距離型的統(tǒng)計(jì)量作為監(jiān)測指標(biāo)。例如，監(jiān)測獨(dú)立元變化情況常采用平方馬氏距離，監(jiān)測模型殘差的變化一般使用平方歐式距離。而ICA提取的獨(dú)立元成分是按照非高斯最大化原則來的，肯定不會服從高斯分布。從幾何空間的角度來看，馬氏距離與歐氏距離分別定義的是一個超橢球體與超球體。只有在數(shù)據(jù)服從高斯分布的前提查下，正常數(shù)據(jù)的可能變化范圍能夠完全填充超橢球或超球體內(nèi)部空間。ICA方法中用馬氏距離監(jiān)測獨(dú)立元的變化情況，在獨(dú)立元不滿足高斯分布時，該超橢球體內(nèi)部空間有可能存在較多的“空洞”。某些故障樣本數(shù)據(jù)轉(zhuǎn)變成獨(dú)立元后若剛好處于這些“空洞”位置，ICA是無法將其甄別出來的。由此可見，高斯分布對于PCA與ICA方法的重要性程度。

針對此問題，可行的解決方法是采用數(shù)據(jù)分布描述方法，如多變量的核密度估計(jì)法或支持向量描述。雖然，這兩種方法能定義出一個精確描述正常波動范圍的邊界線。但是，這兩類方法都需要提前設(shè)定好相應(yīng)的模型參數(shù)。若模型參數(shù)設(shè)置不當(dāng)，所定義的正常變化范圍要么太緊湊導(dǎo)致較多的誤報情況發(fā)生，要么太松散導(dǎo)致漏報率過高。此外，在沒有充分先驗(yàn)知識的前提下，如何為這兩類方法確定模型參數(shù)一直都是一個公開而未得到很好解決的問題。另一種解決思路，可以是在不丟失過程數(shù)據(jù)特征的前提下，通過某種方式將不明分布情況的數(shù)據(jù)轉(zhuǎn)換成服從高斯分布的數(shù)據(jù)。現(xiàn)有文獻(xiàn)中也存在幾種高斯變換方法，但都很難直接應(yīng)用于故障檢測。若是按照基于機(jī)理模型誤差生成的方式，通過數(shù)據(jù)模型生成某些變量的估計(jì)值，那么相應(yīng)的估計(jì)誤差一般而言是服從高斯分布的。這種方法可行但是其難點(diǎn)在于如何通過數(shù)據(jù)模型產(chǎn)生估計(jì)值。

發(fā)明內(nèi)容