[發明專利]一種基于自相關特征分解的動態過程監測方法

有效

• 申請號: 201811577506.3
• 申請日: 2018-12-13
• 公開（公告）號: CN109669414B
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 皇甫皓寧;童楚東;葛英輝
• 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

本發明公開一種基于自相關特征分解的動態過程監測方法，旨在從數據中分解出自相關特征成分，并基于此實施動態過程監測。本發明方法首先利用一種全新的自相關特征分解算法提取出潛藏的自相關特征；然后，將自相關特征成分中的自相關性過濾掉；最后，利用自相關特征成分誤差以及模型誤差實施動態過程監測。本發明方法的優勢在于，首先本發明方法涉及的自相關分解算法是一種全新的特征提取算法，旨在挖掘出潛在特征成分的時間序列回歸關系。其次，本發明方法在分解出訓練數據中的自相關特征后，對各個特征成分逐一實施自相關性消除，并利用不包含顯著自相關特征的殘差實施動態過程監測。因此，本發明方法更適合于動態過程監測。

技術領域

本發明涉及一種數據驅動的過程監測方法，尤其涉及一種基于自相關特征分解的動態過程監測方法。

背景技術

隨著傳感器技術與計算技術在工業領域的廣泛應用，對工業“大數據”的研究體現了現代工業過程數字化管理的水準。在這個背景下，利用采樣數據實施過程運行狀態的監測于是乎得到了工業界與學術界的高度重視。近年來，學術界與工業界都投入了大量的人力與物力研究以故障檢測與診斷為核心任務的數據驅動的過程監測方法。在數據驅動的過程監測研究領域，諸多的數據挖掘算法都找到了用武之地。這其中當以統計過程監測為主，它是被研究得最多的方法。而作為一種經典的多變量統計分析算法，主成分分析(Principal Component Analysis，PCA)是最主流的實施技術手段，已發展出各式各樣的過程監測方法技術體系。

由于先進儀表技術的發展，采樣時間間隔大為縮短，采樣數據之間的時序自相關性是數據驅動的過程監測方法所必須考慮的一個問題。數據驅動的動態過程監測方法中最為典型的方法當屬基于增廣矩陣的動態主成分分析(Dynamic Principal ComponentAnalysis，DPCA)方法，其基本思想就是為各個訓練樣本數據引入延時測量值構成增廣矩陣，然后對增廣矩陣實施建模。使用增廣矩陣可以同時將樣本數據時序自相關性與變量之間的交叉相關性考慮進來，因此使用增廣矩陣實施動態過程監測是最常見的技術手段。然而，DPCA方法在建立過程監測模型時，是將自相關性與交叉相關性混淆在一起考慮。若是能將自相關性與交叉相關特征信息分開提取，那么相應模型就具備更強的可解釋性。

一般而言，采樣數據的自相關性主要體現在時間序列上，也就說當前時刻的樣本數據與其前面幾個時刻的采樣數據是存在相互關聯的。在某些情況下，故障工況下的采樣數據改變的恰好是這個序列樣本的自相關性。若不對自相關性特征進行單獨的挖掘，這類故障可能就無法被識別出來。由此可見，對數據進行自相關特征挖掘在動態過程監測領域有著重要的意義與作用。一般而言，自相關特征的外在表現形式可簡單描述成：當前時刻的樣本數據可由前面幾個采樣時刻的樣本數據預測出來。因此，如何挖掘這種時間序列關系是實施動態過程監測的關鍵。

發明內容

本發明所要解決的主要技術問題是：如何從數據中分解出自相關特征成分，并基于此實施動態過程監測。具體來講，本發明方法首先利用一種新的特征提取算法通過投影變換提取出潛藏的自相關特征；然后，將自相關特征成分中的自相關性過濾掉；最后，利用自相關特征成分誤差以及模型誤差實施動態過程監測。

本發明解決上述技術問題所采用的技術方案為：一種基于自相關特征分解的動態過程監測方法，包括以下步驟：