[發(fā)明專利]一種基于分散式ICR模型的非高斯過程監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 201810233556.3
• 申請日: 2018-03-06
• 公開（公告）號: CN108445867B
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計）人: 童楚東;俞海珍;朱瑩
• 申請（專利權(quán)）人: 寧波大學(xué)
• 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(fā)明公開一種基于分散式ICR模型的非高斯過程監(jiān)測方法，旨在解決如何利用非高斯數(shù)據(jù)建模算法，通過數(shù)據(jù)模型將采樣數(shù)據(jù)轉(zhuǎn)換成誤差，并以誤差作為被監(jiān)測對象實施非高斯過程監(jiān)測的問題。具體來講，本發(fā)明方法首先針對每個測量變量，利用獨立成分回歸(ICR)算法建立各變量與其他變量之間的軟測量模型。然后，利用軟測量模型的估計誤差作為被監(jiān)測對象，建立基于獨立成分分析(ICA)的過程監(jiān)測模型實施非高斯過程監(jiān)測。可以看出本發(fā)明方法利用了分散式建模的優(yōu)勢，而且采用多種非高斯數(shù)據(jù)分析算法相結(jié)合的實施方式，是一種更為優(yōu)選的適于非高斯過程的數(shù)據(jù)驅(qū)動的過程監(jiān)測方法。

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，尤其涉及一種基于分散式ICR模型的非高斯過程監(jiān)測方法。

背景技術(shù)

實時地監(jiān)測生產(chǎn)過程的運行狀態(tài)是保證安全生產(chǎn)與維持產(chǎn)品質(zhì)量穩(wěn)定的直接途徑，對于過程監(jiān)測的研究一直都存在于整個工業(yè)的發(fā)展歷程中，其目的在于及時而準(zhǔn)確的發(fā)現(xiàn)故障。當(dāng)前，故障檢測的主流技術(shù)手段是數(shù)據(jù)驅(qū)動的過程監(jiān)測方法。現(xiàn)代化工過程的大型化建設(shè)以及先進儀表與計算機技術(shù)的廣泛應(yīng)用，生產(chǎn)過程可以采集海量的數(shù)據(jù)，這為數(shù)據(jù)驅(qū)動的過程監(jiān)測研究提供了堅實的數(shù)據(jù)基礎(chǔ)。而傳統(tǒng)基于機理模型的故障檢測方法現(xiàn)已逐漸沒落，主要是它需要使用較為精確的機理模型從而產(chǎn)生過程某些變量或參數(shù)的估計誤差。相比之下，數(shù)據(jù)驅(qū)動的故障檢測方法不需要機理模型只需要采樣數(shù)據(jù)，比較適合于現(xiàn)代工業(yè)過程運行狀態(tài)的監(jiān)測。一般來講，數(shù)據(jù)驅(qū)動的過程監(jiān)測方法建模的基本出發(fā)點都是對正常工況下的采樣數(shù)據(jù)進行特征挖掘，通過投影變換的方式將原始采樣數(shù)據(jù)轉(zhuǎn)換成潛在特征。實施在線故障檢測時，將在線采樣數(shù)據(jù)經(jīng)同樣的投影變換得到相應(yīng)的潛在特征，然后依據(jù)潛在特征的統(tǒng)計量指標(biāo)判斷是否為故障樣本。

由此可見，數(shù)據(jù)驅(qū)動的過程監(jiān)測方法與基于機理模型的故障檢測方法是存在顯著差異的，前者旨在挖掘潛在特征二后者旨在生成誤差。發(fā)展至今，數(shù)據(jù)驅(qū)動的過程監(jiān)測研究領(lǐng)域涌現(xiàn)出了很多特征挖掘算法以及各式各樣的建模思路。就特征挖掘算法而言，主成分分析(Principal Component Analysis，PCA)、獨立成分分析(Independent ComponentAnalysis，ICA)、偏最小二乘(Partial Least Squares，PLS)、以及它們的非線性擴展形式是被廣泛研究的算法。就建模思路而言，處理數(shù)據(jù)自相關(guān)性科采用增廣矩陣法，對大規(guī)模過程對象可采用多變量塊的分散式建模策略。此外，還有多階段建模、即使學(xué)習(xí)、集成學(xué)習(xí)等等思路。可以說，數(shù)據(jù)驅(qū)動的故障檢測方法已如雨后春筍般蓬勃發(fā)展。值得一提的是，ICA作為一種典型的非高斯數(shù)據(jù)分析算法，已被廣泛應(yīng)用于非高斯過程的數(shù)據(jù)建模。例如，基于ICA的非高斯過程監(jiān)測方法、將ICA與最小二乘法結(jié)合得到非高斯過程回歸的獨立成分回歸(Independent Component Regression，ICR)、等等。由于非高斯分布的采樣數(shù)據(jù)更為常見，因此ICA或ICR的方法實用性與應(yīng)用性更為廣泛。

然而，數(shù)據(jù)驅(qū)動的故障檢測方法似乎已于基于機理模型的故障檢測方法越走越遠(yuǎn)，鮮有在數(shù)據(jù)驅(qū)動模型中考慮誤差生成的策略。其實，誤差變化的大小能很好地反映過程對象是否處于正常運行狀態(tài)，而且誤差一般都服從或近似服從高斯分布。可是精確機理模型的建立對于現(xiàn)代工業(yè)過程來講可謂是困難重重，那么可否用數(shù)據(jù)模型替代機理模型后再生成過程對象中某些參數(shù)貨變量的估計誤差呢？由于機理模型建立的是過程輸入與輸出之間的關(guān)系，而數(shù)據(jù)驅(qū)動的過程監(jiān)測模型旨在特征挖掘，不存在區(qū)分過程輸入與輸出。任何一個測量變量在故障檢測中的地位是等同，也不好將某些變量作為輸出而其他變量作為輸出。因此，在數(shù)據(jù)驅(qū)動的故障檢測模型中實施類似的誤差生成方案還有待進一步商榷。可想而知，若是能實現(xiàn)這一目的，那么不僅能拉近數(shù)據(jù)驅(qū)動的故障檢測方法與基于機理模型的故障檢測方法之間的距離，而且還能重新定義現(xiàn)有數(shù)據(jù)驅(qū)動故障檢測的方法框架。

發(fā)明內(nèi)容