[發明專利]一種基于非線性動態成分分析的動態過程監測方法

有效

• 申請號: 201811577430.4
• 申請日: 2018-12-13
• 公開（公告）號: CN109542974B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 來赟冬;童楚東;朱瑩
• 申請（專利權）人: 寧波大學
• 主分類號: G06F16/26
• 分類號: G06F16/26;G06F17/18;G06F17/16
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于非線性動態成分分析的動態過程監測方法，旨在推理出一種全新的非線性動態成分分析算法，以挖掘出訓練數據中的非線性自相關特征，并利用該算法建立故障檢測模型實施動態過程監測。本發明方法借鑒核學習技巧，推理出了一種全新的非線性動態成分分析算法，該算法在挖掘潛在特征成分時考慮了非線性自相關性問題。因此，本發明方法挖掘出的潛在特征成分是在非線性的動態成分，在此基礎上實施的動態過程監測是一種全新的非線性動態過程監測技術方案。

技術領域

本發明涉及一種數據驅動的過程監測方法，尤其涉及一種基于非線性動態成分分析的動態過程監測方法。

背景技術

近年來，在工業“大數據”熱潮的帶動下，工業過程的現代化程度很大一部分取決于對生產數據的管理與應用。由于先進測量技術與計算機技術的廣泛應用，生產過程對象可以離線存儲與在線測量海量的數據。這些海量的數據肯定蘊含著能體現生產過程運行狀態的信息，但是卻存在著“數據海量，但信息缺失”問題。在這個背景下，數據驅動的過程監測方法，尤其是統計過程監測得到了學術界與工業界的青睞。統計過程監測方法的基礎是主成分分析(Principal Component Analysis，PCA)與獨立成分分析(IndependentComponent Analysis，ICA)，各種基于PCA與ICA的故障監測方法層出不窮。統計過程監測實施的核心本質在于如何從正常工況中挖掘出潛在特征成分信息，從而能有效反映出工況的異常變化。從模型的類型上講，統計過程監測模型一般都屬于單分類模型。

挖掘正常工況下采樣數據潛在特征時，有兩個必須要考慮的問題：其一是采樣數據的自相關動態特征；其二是測量變量之間的非線性關系特征。針對動態過程監測問題的研究，除去最經典的增廣矩陣方法外，最近有學者提出了動態內部主成分分析(Dynamic-inner PCA，DiPCA)算法挖掘數據的自相關特征成分。而針對非線性問題，最直接的方式莫過于使用核學習技巧，例如經典的核PCA(Kernel PCA，KPCA)算法。此外，若想同時應對非線性與動態性問題，還可以在應用KPCA算法前使用增廣矩陣的方式。作為一種新型動態過程監測方法，DiPCA雖能較好的挖掘出自相關的動態特征成分，但是卻是一種線性特征提取算法，無法提取訓練數據中的非線性動態特征成分。

發明內容

本發明所要解決的主要技術問題是：提出一種非線性動態成分分析算法，以挖掘出訓練數據中的非線性自相關特征，并利用該算法建立故障檢測模型實施動態過程監測。具體來講，本發明方法在DiPCA算法的基礎上，引入核學習技巧，從而將DiPCA的思想擴展至非線性領域。

本發明解決上述技術問題所采用的技術方案為：一種基于非線性動態成分分析的動態過程監測方法，包括以下所示步驟：

(1)采集生產過程正常運行狀態下的樣本，組成訓練數據矩陣X∈R^n×m，并計算矩陣X中各列向量的均值μ₁，μ₂，…，μ_m以及標準差δ₁，δ₂，…，δ_m，對應組成均值向量μ＝[μ₁，μ₂，…，μ_m]^T與標準差向量δ＝[δ₁，δ₂，…，δ_m]，其中，n為訓練樣本數，m為過程測量變量數，R為實數集，R^n×m表示n×m維的實數矩陣，上標號T表示矩陣或向量的轉置。

(2)根據如下所示公式對矩陣X實施標準化處理得到

上式①中，U∈R^n×m是由n個相同的均值向量μ組成的矩陣，即U＝[μ，μ，…，μ]^T，對角矩陣Ф中對角線上的元素由標準差向量δ組成。

接下來就是利用本發明方法所涉及的非線性動態成分分析算法挖掘出訓練數據中的非線性動態成分特征，現將該算法的推理過程介紹如下。