[發(fā)明專利]基于高斯混合模型的滑窗PCA高爐異常監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 202010432828.X
• 申請日: 2020-05-20
• 公開（公告）號: CN111652414B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計）人: 朱雄卓;楊春節(jié);張瀚文
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G07C3/00
• 分類號: G07C3/00;G06F18/2135;G06F18/214;C21B7/24;G08B21/18;G08B31/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 林松海

1.一種基于高斯混合模型的滑窗PCA高爐異常監(jiān)測方法，其特征在于，利用高斯混合模型改進(jìn)PCA監(jiān)測模型的T²統(tǒng)計量，稱為GMM-T²統(tǒng)計量，從而適應(yīng)高爐數(shù)據(jù)的非高斯特性；并在此基礎(chǔ)上加入滑窗機(jī)制，使模型具有實時更新的能力，進(jìn)而適應(yīng)高爐爐況的時變特性；

所述利用高斯混合模型改進(jìn)PCA監(jiān)測模型的T²統(tǒng)計量為：

在對高爐數(shù)據(jù)樣本使用PCA模型之后，得到主成分T和主元個數(shù)A，選取高斯混合模型個數(shù)k，對主成分T使用高斯混合模型進(jìn)行求解，得到每個高斯成分的均值μ_i和協(xié)方差Σ_i，并求出每個樣本的GMM-T²統(tǒng)計量以及每個高斯成分的GMM-T²統(tǒng)計量上限GMM-T²_UCL：

其中，0≤i≤k，即第i個高斯成分，GMM-T²_ij為隸屬于第i個高斯成分的第j個樣本的GMM-T²統(tǒng)計量，t_ij為隸屬于第i個高斯成分的第j個樣本的主成分，b_i為第i個高斯成分包含的樣本數(shù)，每個高斯成分的GMM-T²統(tǒng)計量上限即為該成分包含的樣本中，GMM-T²統(tǒng)計量的最大值；當(dāng)統(tǒng)計量沒有超過統(tǒng)計量的上限值時，模型判斷高爐未發(fā)生異常情況，反之則發(fā)生異常情況；

所述模型加入滑窗機(jī)制為：

當(dāng)模型判斷高爐數(shù)據(jù)樣本為正常樣本時，就將該樣本加入訓(xùn)練集中，然后將訓(xùn)練集中最早的一個樣本剔除，保持訓(xùn)練集數(shù)量不變，當(dāng)判斷為正常樣本的新樣本數(shù)到達(dá)W個時，后臺使用新的訓(xùn)練集進(jìn)行模型的訓(xùn)練，完成模型的更新后替代當(dāng)前用于在線監(jiān)測的模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，其具體流程為：

步驟1：離線建模；

步驟1.1：收集高爐過程數(shù)據(jù)，將其進(jìn)行標(biāo)準(zhǔn)化后的數(shù)據(jù)記為X_train(N×m)，樣本數(shù)為N，變量數(shù)為m，計算數(shù)據(jù)的協(xié)方差矩陣R_train，利用SVD分解得到特征向量和特征值，然后根據(jù)累計方差貢獻(xiàn)率選取主成分個數(shù)A，進(jìn)而得到負(fù)載矩陣P_train以及得分矩陣T_train，其中T_train為X_train在P_train方向上的投影；

步驟1.2：確定高斯混合模型的高斯成分個數(shù)為k，對使用PCA得到的主成分使用高斯混合模型進(jìn)行求解，得到每個高斯成分的均值μ_i和協(xié)方差Σ_i，并求出每個樣本的GMM-T²統(tǒng)計量以及每個高斯成分的GMM-T²統(tǒng)計量上限GMM-T²_UCL；

同時也計算出SPE統(tǒng)計量和其上限值SPE_UCL；

步驟2：在線監(jiān)測；

步驟2.1：當(dāng)有高爐的新樣本到來時，同樣對其進(jìn)行標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的數(shù)據(jù)記為X_test，然后計算其主成分t，利用高斯混合模型判斷其歸屬于第i個高斯成分，然后計算其對應(yīng)的GMM-T²統(tǒng)計量和SPE統(tǒng)計量：

SPE＝e^Te

其中，S為離線建模階段的特征值對角陣，μ_i和Σ_i也是離線訓(xùn)練時第i個高斯成分均值和協(xié)方差，將計算出來的統(tǒng)計量與GMM-T²_UCL和SPE_UCL進(jìn)行比較，如果有一個指標(biāo)超限，則可判斷系統(tǒng)出現(xiàn)異常；若兩個指標(biāo)均未超限，則系統(tǒng)處于正常運行狀態(tài)；

步驟3：模型更新；

步驟3.1：當(dāng)模型判斷高爐樣本為正常樣本時，就將該樣本加入訓(xùn)練集中，然后將訓(xùn)練集中最早的一個樣本剔除，保持訓(xùn)練集數(shù)量不變，當(dāng)判斷為正常樣本的新樣本數(shù)到達(dá)W個時，后臺使用新的訓(xùn)練集重新執(zhí)行步驟1，完成模型的更新后替代當(dāng)前用于在線監(jiān)測的模型。