[發明專利]基于密度峰值聚類和即時學習的多工況多階段批次過程監測方法

有效

• 申請號: 202011031988.X
• 申請日: 2020-09-27
• 公開（公告）號: CN112199829B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 張新民;范賽特;魏馳航;宋執環
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06F17/18
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 賈玉霞

1.一種基于密度峰值聚類和即時學習的多工況多階段批次過程監測方法，其特征在于，

包括以下步驟：

S1：離線建模

S1.1：收集c種工況的歷史離線批次過程數據樣本，其中每種工況包含b個批次的過程數據樣本；

S1.2：按時間段將一個批次分為p個階段，分別是時間順序采樣點1到t₁，t₁+1到t₂，…，t_p-1+1到t_p；

S1.3：將p個階段的三維歷史離線批次過程數據按可變方向展開成二維；

S1.4：對于每個工況中的每個階段的過程數據樣本，用密度峰值聚類為其生成對應的簇類，并用相應的簇類信息在離線建模中，標記每個樣本的類別；

S1.5：針對不同質量變量軌跡，構造偏最小二乘子模型；

S2：在線建模

S2.1：獲取在線樣本；

S2.2：基于S1.4得到的密度峰值聚類得到的簇類信息，采用密度峰值分類方法，找到在線樣本對應的工況和階段；

S2.3：對于同一工況和同一階段下不同的質量變量軌跡的問題，先求出該工況該階段相似質量變量軌跡的均值；再使用即時學習來計算質量變量軌跡均值和當前在線樣本的質量變量軌跡之間的相似性；

S2.4：利用S1.5構造的同一工況和同一階段下的所有質量變量軌跡的偏最小二乘子模型，計算得到每個偏最小二乘子模型的T²和SPE的過程監測統計信息；所述S2.4中的T²和SPE的過程監測統計信息的計算公式如下：

其中，為在線樣本的T²概率，p_SPE(X_new)為在線樣本的SPE概率，X_new為在線樣本，N和F代表批次過程的正常和故障；和分別是正常和故障樣本的T²先驗概率；p_SPE(N)和p_SPE(F)分別是正常和故障樣本的SPE先驗概率；當顯著性級別選擇為α時，p_SPE(N)的值為1-α，p_SPE(F)的值為α；

S2.5：利用S2.3得到的相似性作為貝葉斯融合策略中的參數，合并同一工況和同一階段下的所有質量變量軌跡的偏最小二乘子模型的T²和SPE的過程監測統計信息，獲得貝葉斯融合結果；若在線樣本計算得到的貝葉斯融合結果超過設定的控制限，則判定為故障；否則為正常樣本。

2.根據權利要求1所述基于密度峰值聚類和即時學習的多工況多階段批次過程監測方法，其特征在于，所述S1.3中的可變維度具體為變量維度。

3.根據權利要求1所述基于密度峰值聚類和即時學習的多工況多階段批次過程監測方法，其特征在于，所述S1.4中的密度峰值聚類具體為：

對于每個樣本，計算兩個統計量：局部密度ρ_i、樣本與比其密度高的任何其他樣本之間的最小距離δ_i；

其中，樣本的局部密度ρ_i的定義如下：

其中，d_ij是樣本之間的距離，d_c是截止距離，其需要預先指定；數據集是相應的指標集；的下標是降序的，它滿足

ρ_q1≥ρ_q2≥…≥ρ_qN，

其中δ_i的定義如下：