[發明專利]一種基于多變量塊交叉相關性剔除的非高斯過程監測方法

有效

• 申請號: 201810280156.8
• 申請日: 2018-03-19
• 公開（公告）號: CN108375965B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 潘茂湖;童楚東;俞海珍
• 申請（專利權）人: 寧波大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多變量塊交叉相關性剔除的非高斯過程監測方法，其特征在于，包括以下步驟：離線建模階段的實施過程如下所示：

步驟(1)：采集生產過程對象中所有生產單元正常運行狀態下的樣本數據，組成訓練數據集X∈R^n×m，并對其進行標準化處理，得到均值為0、標準差為1的新數據矩陣其中，n為訓練樣本總數，m為過程對象所有測量變量的個數，R為實數集，R^n×m表示n×m維的實數矩陣；

步驟(2)：根據各測量變量的生產單元歸屬，將m個測量變量分成C個不同的變量子塊，其中C表示過程對象中生產單元的個數；

步驟(3)：依據C個不同的變量子塊將矩陣對應地分成C個不同的子矩陣X₁，X₂，…，X_C，其中m_c為第c個變量子塊中變量個數且滿足條件∑m_c＝m；

步驟(4)：將第c個子矩陣X_c做為回歸模型的輸出，同時將Y＝[X₁，…，X_c-1，X_c+1，…X_C]做為回歸模型的輸入，利用偏最小二乘算法(Partial Least Square，PLS)建立輸入-輸出之間的回歸模型：

X_c＝YΘ_c+E_c (1)

上式中，Θ_c為回歸矩陣，為回歸模型誤差；

步驟(5)：重復步驟(4)直至得到C個PLS模型，并將回歸模型誤差E₁，E₂，…，E_C合并成一個誤差矩陣E＝[E₁，E₂，…，E_C]∈R^n×m；

步驟(6)：將誤差矩陣E作為新的訓練數據矩陣，對其中的每一列實施標準化處理，得到均值為0，標準差為1的新數據矩陣

步驟(7)：對實施白化處理，將其轉換成數據矩陣F∈R^n×M，并保留白化轉換矩陣G∈R^m×M，其中M為白化轉換向量個數；

步驟(8)：利用獨立成分分析(Independent Component Analysis，ICA)算法為數據矩陣F∈R^n×M建立非高斯模型，保留分離矩陣W與混合矩陣A；

步驟(9)：根據公式與分別計算獨立成分矩陣S與殘差矩陣

步驟(10)：根據公式I²＝diag[SS^T]與分別計算訓練數據對應的監測統計量I²與SPE，并找出I²與SPE中最大值分別記錄為與SPE_lim；

在線監測的實施過程如下所示：

步驟(11)：收集新采樣時刻的數據樣本x∈R^1×m，對其實施與步驟(1)中相同的標準化處理得到新數據向量

步驟(12)：根據步驟(2)中的C個不同的變量子塊，對應地將樣本向量對應地分成C個不同的子向量x₁，x₂，…，x_C；

步驟(13)：調用步驟(4)中建立的第c個PLS模型，根據如下所示公式計算出多變量塊相關性剔除后的誤差e_c：

e_c＝x_c-yΘ_c (2)

上式中，y＝[x₁，…，x_c-1，x_c+1，，x_C]；

步驟(14)：重復步驟(13)直至得到C個誤差e₁，e₂，…，e_C，并將這些誤差合并成一個誤差向量e＝[e₁，e₂，…，e_C]；

步驟(15)：對誤差向量e實施與步驟(6)中相同的標準化處理得到新向量

步驟(16)：根據如下所示公式計算監測統計指標I²與SPE：

上式中，上標號T表示矩陣或者向量的轉置；

步驟(17)：判斷是否滿足條件：且SPE≤SPE_lim；若是，則當前監測時刻系統處于正常運行狀態，返回步驟(11)繼續實施在線故障監測；若否，則當前采樣數據來自故障工況。