[發明專利]一種基于集成核獨立成分分析模型的過程監測方法

有效

• 申請號: 201910229733.5
• 申請日: 2019-03-12
• 公開（公告）號: CN109947082B
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 張赫;葛英輝;童楚東
• 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集成核獨立成分分析模型的過程監測方法，旨在解決核函數與非高斯性度量函數的選擇問題。首先，本發明方法不僅考慮了常用的四種核函數類型，而且還將非高斯性度量函數的三種形式全部考慮進來，避免了核函數與非高斯性度量函數的選擇問題。因此本發明方法的通用性較強。其次，本發明方法因使用四個核函數以及三個非高斯性度量函數合計建立了12種不同的非線性過程監測模型，充分發揮了多模型建模的優勢。實施在線監測時，通過概率融合將多個監測統計指標合并成一個概率型指標，又極大的簡化了決策是否發生故障的過程。可以說，本發明方法克服了傳統基于KICA的過程監測方法的不足，是一種更為優選的非線性過程監測方法。

技術領域

本發明涉及一種工業過程監測方法，尤其是涉及一種基于集成核獨立成分分析模型的過程監測方法。

背景技術

現及時地檢測出過程對象運行過程中出現的故障工況是保證生產過程安全與維持產品質量穩定的直接途徑，設計可靠的過程檢測系統也因此是整個綜合自動化系統中必不可少的組成部分。發展至今，以故障檢測為核心任務的過程監測方法研究逐步從基于機理模型的角度轉變成數據驅動的方法。這主要是因為生產過程的大型化與復雜化趨勢，機理模型難以獲取。與此同時，工業過程可測量與存儲海量的數據也為工業“大數據”發展奠定了堅實的數據基礎。由于現代工業過程對象的非線性特征，故障檢測通常更傾向于非線性的建模與監測方法。此外，過程對象采樣數據的非高斯分布同樣是一個不容忽視的問題，非高斯特征的提取通常優越于基于高斯分布假設的過程監測方法。

在非線性過程監測領域，核學習技巧是一種常見的能將線性算法轉換成非線性算法的思想。例如，核主成分分析(Kernel Principal Component Analysis，KPCA)與核獨立成分分析 (Kernel Independent Component Analysis，KICA)皆是非常經典的非線性過程建模與監測算法。KPCA與KICA算法的不同之處還在于，KICA在KPCA的基礎上進一步挖掘出非高斯分布的非線性獨立成分。換句話說，KICA除了可處理非線性數據外，還可以應對非高斯分布的采樣數據。而且，在某種層面上講，KPCA是KICA算法的一種特例，即過程對象的采樣數據是嚴格服從高斯分布的。從這個角度講，KICA算法應用于過程監測時能取得不亞于KPCA的故障檢測效果。

然而，KICA算法面領著兩種選擇問題：其一，非線性核函數的選擇；其二，非高斯程度量化指標的選擇。一般而言，可用的非線性核函數有四種，常見的非高斯程度量化指標也有三種。一般的解決思路是直接憑借經驗指定某種核函數與非高斯程度量化指標，鮮有考慮使用不同核函數或非高斯程度量化指標的研究工作。然而，從提升故障檢測效果的角度出發選擇核函數與非高斯程度量化指標，需要依賴于大量的歷史故障數據，且要求故障類型的多樣化。這在實際過程中是難以實現的，充足的采樣數據一般大都來自于正常運行狀態。因此，KPCA算法的核函數與非高斯程度量化指標的選擇問題廣為人知，卻少有針對這個選擇問題的研究成果。

可幸的是，多模型建模的思路能給解決這個問題提供可行的實施方案。首先，多模型建模的思想能充分保證模型精度，且泛化能力優越于的單個模型。其次，多模型實施成果的關鍵在于如何集成多個子模型的結果。因此，與其糾結于選擇何種核函數或何種非高斯程度的量化指標，不如將所有的可能性都考慮進來，從而建立多個基于KICA的過程監測模型。只要集成的方法使用得當，多個KICA模型所能發揮出的故障檢測效用理應不亞于單個KICA 模型。

發明內容

本發明所要解決的主要技術問題是：如何將多種核函數與多種非高斯程度量化指標集成考慮進來，從而建立集成KICA模型實施非線性非高斯過程監測。本發明解決上述技術問題所采用的技術方案為：一種基于集成核獨立成分分析模型的過程監測方法，包括以下步驟：