[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

本發明公開了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，該方法結合密度峰值聚類和即時學習等算法，用來解決多模式多階段的批次過程監測問題。為解決批次過程數據中批次間差異和非高斯分布的問題，首先使用密度峰值聚類對批次過程數據的工況和階段進行分類和識別。由于相同工況和階段下的質量變量軌跡存在多樣性，采用即時學習提取相似軌跡，以獲得具有相似質量變量軌跡的子數據集。因此，對于某個子工況中的每個子階段的每條質量變量軌跡，都將建立一個子模型，以實現準確的建模和監控方案。最后，引入貝葉斯融合方法作為集成策略來確定故障的最終概率。相比其他現存方法，本發明的方法有良好的效果和適用性。

技術領域

本發明屬于工業過程控制領域，尤其涉及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。

背景技術

近幾年，工業生產中的過程監測技術作為過程系統工程的重要部分，越來越受到工業界和學術的關注。對于保障安全生產和提高產品質量，有著非常重要的作用，因此具有非常重大的研究價值。傳統的工業工程監測一般基于過程機理，現在因為分布式計算機控制系統(DCS)技術的發展，搜集了大量過程數據，所以基于數據驅動的多元統計分析的方法逐漸受到關注。其中主元分析方法(PCA)和偏最小二乘法等使用廣泛。實際工業過程監測中，工業狀況多并且相對復雜，包含的問題有非線性、非高斯性、多階段、多模態等，單一的監測方法存在一些局限性，很難找到普適的數據驅動模型。為了克服單一方法的劣勢，需要針對不同問題提出不同的融合監測方法。并且現階段過程監控策略通常僅限于單工況多階段高斯批次過程，無法處理多工況多階段非高斯的批次過程監測問題。

發明內容

本發明的目的在于提供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，其能在多工況多階段非高斯的情況下，也能獲得較好的批次過程監測結果。具體技術方案如下：

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，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；

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。