[發明專利]一種基于多塊典型相關分析模型的分布式故障檢測方法

有效

• 申請號: 201810658918.3
• 申請日: 2018-06-11
• 公開（公告）號: CN108762242B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 來赟冬;童楚東;俞海珍
• 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多塊典型相關分析模型的分布式故障檢測方法，在多塊故障模型建立過程中將各子塊之間的相關性考慮進來，并在此基礎上實施分布式的故障檢測。具體來講，本發明方法首先根據各生產單元測量變量的歸屬，將所有測量變量劃分成多個變量子塊；其次，針對每個變量子塊，利用典型相關分析算法挖掘出該子塊與其他子塊之間最體現相關性特征的典型成分；最后，利用典型成分實施分布式的故障檢測。相比于傳統方法，由于本發明方法考慮了各子塊與其他子塊之間的相關性，理應具備更優秀的故障檢測性能，是一種更為優選的分布式故障檢測方法。

技術領域

本發明涉及一種數據驅動的故障檢測，尤其涉及一種基于多塊典型相關分析模型的分布式故障檢測方法。

背景技術

近年來，隨著工業大規模化與“大數據”化建設的推進，生產過程中可以很容易地采集到大量的樣本數據。在這種應用背景下，數據驅動的故障檢測方法逐步得到重視與廣泛的研究。故障檢測的目的就是為了及時地發現過程對象在運行中出現的異常狀態，從而保證生產的安全與產品質量的穩定性。在這一研究領域里，多變量統計分析方法，例如主成分分析(Principal Component Analysis，PCA)與獨立成分分析(Independent ComponentAnalysis，ICA)算法，為最廣泛應用于故障檢測的方法。此外，還包括偏最小二乘、流形學習算法、典型相關分析(Canonical Correlation Analysis，CCA)算法等等。這些算法的根本宗旨都是對數據進行特征挖掘，并利用挖掘出的特征成分與模型殘差實施故障檢測。以CCA算法為例，它可以用來分析兩個數據集之間的相關性程度，所挖掘出的特征成分能最大化程度地表現出兩數據集之間的相關性。

近年來，分布式的故障檢測方法得到了較多的研究與應用，這主要是因為現代工業過程對象通常有諸多生產子單元組成，直接對對象整體采用一個故障監測模型取得的監測性能往往差強人意。一般來講，分布式的過程監測方法通過將過程對象分解成多個子塊，然后對每個子塊都建立一個局部的故障檢測模型，最后通過信息融合策略決策故障發生與否。通常來講，多塊模型的故障檢測效果會優越于單個模型。然而，在現有專利文件與科研文獻中，建立多塊模型時，鮮有考慮到塊與塊之間相互關系的建模思路。雖然可通過過程對象的組成或者采樣數據的統計特性，將整個對象分成多個子塊，但是各個子塊之間其實同樣存在關聯的。若是不考慮塊與塊之間的相關性，那么這些分布式故障檢測方法的性能還有待進一步的提升。

發明內容

本發明所要解決的主要技術問題是：如何建立多塊CCA模型，將各子塊之間的相關性考慮進來，并在此基礎上實施分布式的故障檢測。具體來講，本發明方法首先根據各生產單元測量變量的歸屬，將所有測量變量劃分成多個變量子塊；其次，針對每個變量子塊，利用CCA算法挖掘出該子塊與其他子塊之間能體現相關性特征的典型成分；最后，基于挖掘出的典型成分實施分布式的故障檢測。

本發明解決上述技術問題所采用的技術方案為：一種基于多塊典型相關分析模型的分布式故障檢測方法，包括以下步驟：

(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，計算X中各列向量的均值μ₁，μ₂，…，μ_m以及標準差δ₁，δ₂，…，δ_m，并按照如下所示公式對X中各行向量進行標準化處理得到新數據矩陣即：

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，x∈R^1×m表示矩陣X中任意一個行向量，為行向量x經標準化處理后的結果，均值行向量μ＝[μ₁，μ₂，…，μ_m]，ζ∈R^m×m為對角矩陣且對角線上的元素為標準差δ₁，δ₂，…，δ_m。