[發明專利]一種具有持續學習能力改進PCA的多工況過程監測方法

有效

• 申請號: 202010464703.5
• 申請日: 2020-05-28
• 公開（公告）號: CN111752147B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 周東華;張景欣;陳茂銀;徐曉濱;紀洪泉;高明
• 申請（專利權）人: 山東科技大學
• 主分類號: G05B13/04
• 分類號: G05B13/04;G06F17/15;G06F17/16
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 肖峰

本發明公開了一種具有持續學習能力改進PCA的多工況過程監測方法，涉及工業監測和故障診斷領域。該方法包括：依次采集工業系統正常工況下的過程數據構成訓練集；利用主成分分析對初始工況進行訓練，計算初始投影矩陣；根據彈性權重鞏固方法和主成分分析原理，構造優化函數，對后續工況進行訓練，得到最優投影矩陣；構建監測統計量并計算閾值；采集系統實時工況下的過程數據作為測試樣本，利用當前訓練模型計算該樣本的統計量，并與閾值比較，判斷是否有故障發生。本發明方法結合系統原理和先驗知識確定權重矩陣，提高方法的可解釋性，算法簡單，計算量小，易于實現，可廣泛應用于化工、加工制造、大型火力發電廠等領域。

技術領域

本發明涉及工業監測和故障診斷領域，具體涉及一種具有持續學習能力改進PCA的多工況過程監測方法。

背景技術

工業系統中，由于對產品質量、經濟成本、環保要求、原材料等因素，運行過程的工況會發生變化，使系統經常處于多工況過程。研究多工況過程監測，對提高系統的安全性和可靠性有重要意義。例如，在大型火力發電機組中，工廠經常會使用更換煤。不同煤的燃燒特性差別大，因此對煤粉的細度和風粉混合物溫度的要求差異大。這就導致了制粉系統經常處于多工況過程，研究其運行安全性對提高機組安全性和燃燒效率有重大意義。

傳統多工況過程監測方法分為單模型和多模型兩大類。單模型方法，利用轉換函數將多模態數據轉化為單峰數據，然后采用單工況的過程監測方法。多模型方法包括工況辨識和監測模型建立兩部分，常使用數據聚類方法辨識工況，然后在每個工況中建立監測模型。在多工況過程監測中，主成分分析(principal component analysis,PCA)是最常用的過程監測方法。

當工況順序出現，如何利用PCA方法快速有效實現多工況過程監測，比如工況和工況依次出現，已經訓練工況的監測模型，如何利用工況的數據建立監測模型。對于單模型方法，需要重新利用兩個工況的正常數據學習轉換函數。對于多模型方法，一個工況的監測模型往往不能對另一個工況進行有效監測，需要單獨利用工況數據建立適合的監測模型，甚至需要利用兩個工況的數據重新訓練工況辨識模型。由此可知，傳統基于PCA方法的多工況過程監測方法實時性差，且新工況出現時往往遺忘以前已學習工況知識。因此，亟需一種具有持續學習能力的算法，僅利用單模型就能實現對多個工況的有效監測，且不需要重新利用所有工況數據進行訓練。

發明內容

本發明的目的是針對上述不足，通過提出一種具有持續學習能力的改進PCA方法，將該方法應用于多工況過程監測中，利用彈性加權鞏固(elastic weight consolidation,EWC)方法解決PCA算法在多工況過程的遺忘問題，方法簡記為PCA-EWC。

本發明具體采用如下技術方案：

一種具有持續學習能力改進PCA的多工況過程監測方法，包括如下步驟：

步驟一：離線訓練，依次采集正常運行工況的數據構成訓練數據集，采用PCA對初始工況進行訓練，然后采用PCA-EWC算法對后續的工況依次進行訓練，計算投影矩陣，構建監測統計指標并計算閾值。

步驟二：在線監測，采集當前時刻的數據作為測試樣本，利用當前PCA-EWC算法的訓練模型，計算該測試樣本的統計指標，并與步驟一中的閾值進行比較，判斷是否有故障發生。

優選地，步驟一包括以下步驟：

a)收集正常運行工況下的訓練數據，記為X₁，樣本數量為N₁，計算樣本均值和標準差，并對該數據進行標準化處理，均值為0，標準差為1；

b)利用PCA算法對正常運行工況下的數據進行訓練，計算投影矩陣

c)收集正常運行工況下的訓練數據，記為X₂，樣本數量為N₂，計算樣本均值和標準差，并對該數據進行標準化處理；