[發明專利]一種基于分散式OSC-PLS回歸模型的故障檢測方法

有效

• 申請號: 201810233506.5
• 申請日: 2018-03-06
• 公開（公告）號: CN108508865B
• 公開（公告）日: 2019-09-06
• 發明（設計）人: 童楚東;俞海珍;朱瑩
• 申請（專利權）人: 寧波大學
• 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

本發明公開一種基于分散式OSC?PLS回歸模型的故障檢測方法，旨在從同等對待各測量變量的角度出發，建立行之有效的故障檢測模型實施更可靠的故障檢測。具體來講，本發明方法借鑒分散式建模的策略，在剔除每個測量變量與其他測量變量之間正交不相關信號后，再利用PLS回歸算法建立兩者之間的回歸模型，然后利用每個測量變量的估計誤差實施故障檢測。相比于傳統方法，本發明方法在利用分散式建模的基礎上同等的為每個測量變量建立其各自的回歸模型，并且將各個回歸模型中的正交不相關信號剔除，最大程度地保障了回歸模型的軟測量精度從而保證了后續的故障檢測性能。可以說，本發明方法是一種更為優選的數據驅動故障檢測方法。

技術領域

本發明涉及一種數據驅動的故障檢測方法，尤其涉及一種基于分散式OSC-PLS回歸模型的故障檢測方法。

背景技術

隨著全球化市場競爭日趨激烈化，有效地保證生產的正常運行是現代過程工業面臨的主要挑戰。因此，故障檢測在整個綜合自動化系統中占有著重要地位。在已有的科研文獻與專利資料中，實施故障檢測的技術手段可以大體上分為基于機理模型的與數據驅動的。基于機理模型的故障檢測方法以誤差生成為核心要素，通過過程對象精確的機理模型產生過程對象某些參數或變量的實測值與估計值之間的誤差，然后監測估計誤差的變化情況來反應過程對象是否處于正常生產工況。近年來，由于計算機技術的飛躍發展和工業規模的不斷擴大，工業過程能夠測量和存儲的數據信息越來越大而精確描述過程的機理模型卻難以獲得。數據驅動的過程監測技術就是在這個背景下應運而生的，其中針對多變量統計過程監測(MSPM)的研究已得到了工業界和學術界的廣泛關注。通常來講，數據驅動的故障檢測方法在于對正常工況下的采樣數據進行特征挖掘，從而提取出少數幾個特征成分，然后對特征成分計算相應的統計量指標以判斷在線采樣數據是否來自于正常工況。

數據驅動的故障檢測方法主要以主元分析(Principal Component Analysis，PCA)、獨立元分析(Independent Component Analysis，ICA)、和偏最小二乘(PartialLeast Square，PLS)算法為基礎，相應的研究成果層出不窮。一般來講，PLS算法及其拓展形式主要用于與質量相關的故障檢測研究，旨在建立輸入數據與質量指標之間的軟測量關系。而PCA算法是一種無監督型的特征挖掘算法，旨在提取訓練數據的潛在有用特征成分。但無論是利用哪種算法的建立故障檢測模型，其基本思想都是對原始數據進行投影變換。而進行投影變換時，這些投影變換向量上各系數其實可看做成不同變量的權重系數。從這一角度講，不同投影變換向量為不同變量賦予不同的權值，每個變量經投影轉換后因權值的差異而導致這些變量重要性程度是不等同的。然而，從故障檢測的角度出發，每個測量變量的異常變化都能表征過程對象出現了故障，各個測量變量在故障檢測中的重要性是等同的。因此，傳統數據驅動的故障檢測方法在故障檢測性能的提升上還有待進一步研究，即如何從等同對待各個測量變量的前提下，對數據特征進行有效挖掘。

針對上述問題，一種可行的思路是對每個測量變量進行單獨的分析，利用相應回歸算法描述出該變量與其他變量之間的相互關系特征。由于過程測量變量間是交錯相關的，用一部分變量測量數據就預測或者估計出其他變量的測量數據，這也就是軟測量的基本思想。然而，在利用回歸算法建立軟測量模型時，需要考慮模型輸入與輸出之間不相關信息的干擾影響，也就是需要實施正交信號校正(Orthogonal Signal Correction，OSC)以剔除輸入與輸出之間正交不相關的成分信息。只有這樣，才能改善軟測量模型的精度，從而使輸入-輸出關系特征描述更加準確。

發明內容

本發明所要解決的主要技術問題是：如何從同等對待各測量變量的角度出發，準確地描述出各測量變量與其他測量變量之間的相互關系特征，從而建立行之有效的故障檢測模型實施更可靠的故障檢測。具體來講，本發明方法借鑒分散式建模的策略，在剔除每個測量變量與其他測量變量之間正交不相關信號后，再利用PLS回歸算法建立兩者之間的回歸模型，然后利用每個測量變量的估計誤差實施故障檢測。