[發(fā)明專利]一種基于分散式極限學(xué)習(xí)機(jī)的動態(tài)過程監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 201910229754.7
• 申請日: 2019-03-12
• 公開（公告）號: CN111694329B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 唐俊苗;童楚東;朱瑩
• 申請（專利權(quán)）人: 寧波大學(xué)
• 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(fā)明公開一種基于分散式極限學(xué)習(xí)機(jī)的動態(tài)過程監(jiān)測方法，旨在利用ELM為各測量變量建立分散式的非線性模型，解決非線性動態(tài)過程中的故障檢測問題。具體來講，本發(fā)明依次將各個測量變量作為ELM的輸出變量，而其他測量變量及其延時測量值作為ELM的輸入變量，從而可以應(yīng)用ELM算法建立輸入與輸出之間的非線性動態(tài)關(guān)系模型。實施故障檢測時，將分散式ELM模型的估計誤差作為被監(jiān)測對象實施故障檢測。與傳統(tǒng)方法相比，本發(fā)明方法建立了分散式的非線性模型充分發(fā)揮了多模型泛化能力強(qiáng)的優(yōu)勢，而且逐一描述了測量變量間的非線性輸入?輸出關(guān)系。最后，通過具體實施案例對比驗證了本發(fā)明方法是一種更為優(yōu)選的非線性動態(tài)過程監(jiān)測方法。

技術(shù)領(lǐng)域

本發(fā)明涉及一種工業(yè)過程監(jiān)測方法，尤其是涉及一種基于分散式極限學(xué)習(xí)機(jī)的動態(tài)過程監(jiān)測方法。

背景技術(shù)

在“大數(shù)據(jù)”研究與應(yīng)用潮流下，現(xiàn)代工業(yè)過程對象規(guī)模的大型化與生產(chǎn)的高效化對實時監(jiān)測過程運(yùn)行狀態(tài)提出了越來越高的要求，數(shù)據(jù)驅(qū)動的過程監(jiān)測方法已成為最主流的實施技術(shù)手段。可以說，及時地檢測出過程對象運(yùn)行過程中出現(xiàn)的故障工況是保證產(chǎn)品質(zhì)量的唯一途徑，針對以故障監(jiān)測為核心任務(wù)的過程監(jiān)測技術(shù)的研究一直伴隨著工業(yè)發(fā)展的歷程。而今，由于現(xiàn)代工業(yè)過程對象的非線性特性，采樣數(shù)據(jù)之間的關(guān)系通常是非線性的，因此使用非線性的數(shù)據(jù)建模與故障檢測方法通常能取得更優(yōu)越的效果。

在現(xiàn)有科研文獻(xiàn)與專利技術(shù)材料中，核主元分析(Kernel Principal ComponentAnalysis，KPCA)算法是最為廣泛使用的非線性過程建模與監(jiān)測方法。KPCA通過利用核學(xué)習(xí)技巧實現(xiàn)了對采樣數(shù)據(jù)非線性特征的描述，基于KPCA算法或者類似核學(xué)習(xí)思想的建模與故障檢測方法層出不窮。然而，神經(jīng)網(wǎng)絡(luò)作為一種眾所周知的非線性建模算法卻少有應(yīng)用于故障檢測。這主要是因為神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督形式的建模算法，在訓(xùn)練模型時需要給定輸入與輸出數(shù)據(jù)。而故障檢測針對的是所有測量變量，無法將其強(qiáng)行區(qū)分成輸入與輸出變量，這就在一定程度上限制了神經(jīng)網(wǎng)絡(luò)用于故障檢測的可行性。

此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中最常見的是前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它訓(xùn)練速度慢、使用梯度下降法很容易陷入局部極小等問題，同樣限制了神經(jīng)網(wǎng)絡(luò)在故障監(jiān)測領(lǐng)域的推廣與應(yīng)用。極限學(xué)習(xí)機(jī)(Extreme Learning Machine)，英文縮寫為ELM由于訓(xùn)練速度極快，只需設(shè)置隱層神經(jīng)元個數(shù)，便可得到唯一的最優(yōu)解。ELM算法因此更容易應(yīng)用于故障監(jiān)測研究。然而縱觀已有的文獻(xiàn)資料，使用ELM算法實施故障監(jiān)測的技術(shù)方法只有一個案例。該案例將訓(xùn)練數(shù)據(jù)同時作為ELM的輸入與輸出，構(gòu)建了一種自聯(lián)想的ELM模型，并通過對比原數(shù)據(jù)與ELM模型輸出數(shù)據(jù)之間的差異，實現(xiàn)了對在線數(shù)據(jù)的監(jiān)測。然而，該方法需要使用移動窗口技術(shù)，對故障的檢測存在延時，不利于滿足故障及時監(jiān)測的要求。

考慮到工業(yè)過程對象的采樣時間間隔較短，采樣數(shù)據(jù)不可避免地存在時間序列上的自相關(guān)性。因此，數(shù)據(jù)的自相關(guān)性這種動態(tài)特征是除非線性特征以外另一個必須考慮的問題。針對動態(tài)過程監(jiān)測問題的研究，最常見的思路就是使用增廣矩陣，將數(shù)據(jù)的自相關(guān)性與交叉相關(guān)性混淆在一起后，利用KPCA算法實施非線性動態(tài)過程監(jiān)測。然而，這種基于核學(xué)習(xí)技巧的思路實施在線監(jiān)測時，會涉及到大量的計算，不利于在線監(jiān)測的實施。因此，針對非線性動態(tài)過程監(jiān)測的研究還有待進(jìn)一步的深入。

發(fā)明內(nèi)容

本發(fā)明所要解決的主要技術(shù)問題是：如何利用ELM算法為各個測量變量建立分散式的非線性動態(tài)過程監(jiān)測模型。具體來講，本發(fā)明依次將各個測量變量作為ELM的輸出變量，而其他測量變量及其延時測量值作為ELM的輸入變量，從而可以應(yīng)用ELM算法建立輸入與輸出之間的非線性動態(tài)關(guān)系模型。實施故障檢測時，將分散式ELM模型的估計誤差作為被監(jiān)測對象，利用平方馬氏距離統(tǒng)計量實施故障檢測。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于分散式極限學(xué)習(xí)機(jī)的動態(tài)過程監(jiān)測方法，包括以下步驟：