[發明專利]消去時序相關性的多模型動態PCA故障監測方法

在審

• 申請號: 201911032490.2
• 申請日: 2019-10-28
• 公開（公告）號: CN110795695A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 鄂東辰;董興華;王寶中;鄭直;王瑩;龍海洋
• 申請（專利權）人: 華北理工大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06F17/16;G06K9/00
• 代理公司: 13103 唐山永和專利商標事務所
• 代理人: 魏偉

本發提供一種消去時序相關性的多模型動態PCA故障監測方法，其過程是：首先，對批次性正常生產過程的監測數據進行標準化處理；其次，分別對一個批次內每個時刻建立時間序列模型，通過減法運算消去相鄰時刻數據的時序相關性；然后，對批次內每個時刻的隨機分布數據分別進行PCA特征提取；最后，基于提取的關系特征構造高階統計量，通過高階統計量與其控制限對比實現故障監測，具體演算過程分為建模和監測兩個階段，建模階段包含簡單隨機分布數據生成和PCA特征提取兩過程，本發明是非時變消去時序相關動態PCA的補充，它使PCA理論體系更架完善，為基于數據統計的非平穩動態工作過程故障監測奠定基礎。

技術領域

本發明屬于基于數據統計的機械設備的故障監測方法技術領域。

背景技術

故障監測方法分為基于解析模型的故障監測和基于數據統計的故障監測。基于解析模型的故障監測需要先建立監測對象的數學模型，模型的準確性會對監測結果產生直接影響。基于數據統計的故障監測是先從正常工作狀態下的監測數據中提取出變量的關系特征，再以該關系特征為基向量，將當前監測數據向基向量上投影，由投影值構造高階統計量實現故障監測。當高階統計量落在概率分布函數的置信區間內則表明當前生產設備處在正常的工作狀態；當高階統計量落在置信區間外則生產設備發生了異常。特征提取是數據統計故障監測方法的關鍵。主成分分析(Principal Component Analysis PCA)是一種常見的特征提取方法，它通過對監測數據所構造的協方差矩陣進行特征值分解求出代表數據關系特征的特征向量。

根據PCA方法是否能夠提取數據的時序關系特征將PCA分為靜態PCA和動態 PCA(dynamic principal component analysis DPCA)。靜態PCA假設不同監測時刻的數據間不存在時序相關性，只提取變量的互相關特征。動態PCA則考慮數據存在時序相關性，數據的時序相關性也是過程監測數據的一類重要特征，它反映了生產設備的運行狀態。增廣矩陣動態主成分分析(Augmented matrix dynamic principal component analysis AMDPCA)正是利用了變量的時序關系的動態PCA特征提取方法，它可以理解為時間序列模型殘差監測方法的一種變形。

采用增廣矩陣建立模型時通常是將時序相關性與互相關性混淆在一起考慮。監測數據的自相關性卻沒有消除，使得T²統計量不再滿足卡方分布，導致其誤報警次數增加。

對此陳耀提出消去時序相關性的動態PCA特征提取方法，它通過建立數據的時序模型消除其時序相關性，使得數據滿足隨機分布的假設，該方法是針對平穩工作過程。但是，在目前的科研文獻與專利文件中，還鮮有考慮非平穩工作過程的時變時序相關性的動態過程監測方法。如何消除非平衡工作過程中時序相關性對過程監測的影響是本領域急需進一步的深入研究。

發明內容

本發明要解決的技術問題是在非平穩工況下，當監測數據存在時序相關性時，時序相關性數據并不滿足簡單隨機分布的條件,會使高階統計量的誤報警增加的問題。

為解決上述技術問題，本發明采用消去時序相關多模型動態PCA特征提取方法對批次性生產過程進行監測。

本發明的具體的技術方案是：

一種消去時序相關性的多模型動態PCA故障監測方法，其過程是：首先,對批次性正常生產過程的監測數據進行標準化處理；其次，分別對一個批次內每個時刻建立時間序列模型，通過減法運算消去相鄰時刻數據的時序相關性；然后，對批次內每個時刻的隨機分布數據分別進行PCA特征提取；最后，基于提取的關系特征構造高階統計量，通過高階統計量與其控制限對比實現故障監測，

具體演算過程分為建模和監測兩個階段，建模階段包含簡單隨機分布數據生成和PCA特征提取兩過程，

一建模階段：

A.簡單隨機分布數據生成：