[發明專利]基于全結構動態自回歸隱變量模型的多尺度過程故障檢測方法

在審

• 申請號: 202310063661.8
• 申請日: 2023-02-06
• 公開（公告）號: CN116339275A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 周樂;鄭東磊;侯北平;鄭洪波;王堯欣
• 申請（專利權）人: 浙江科技學院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 杭州知閑專利代理事務所(特殊普通合伙) 33315
• 代理人: 黃燕

本發明公開了一種基于全結構動態自回歸隱變量模型的多尺度過程故障檢測方法，在線收集過程的多尺度數據樣本，利用多尺度全結構自回歸動態隱變量模型得到當前時刻測試樣本的動態T²統計量、每個測量尺度下的靜態T²統計量和SPE統計量，并與預先獲得的檢測控制限對比，得出過程的在線檢測結果。該方法在完全利用過程完整多尺度數據信息的同時，又能利用卡爾曼濾波和貝葉斯方法分別考慮數據的動態和靜態特性，并對動態和靜態潛隱變量實現精確的估計，通過降維得到的動態和靜態潛隱變量從不同的數據子空間對故障產生響應。在故障檢測精度和應用范圍上實現提升。

技術領域

本發明涉及一種控制方法，具體是涉及一種基于全結構動態自回歸隱變量模型的多尺度過程故障檢測方法。

背景技術

隨著現代流程工業的發展，工業生產規模和復雜程度逐漸增加，及時對大規模工業過程可能產生的故障進行檢測受到廣泛的重視。隨著集散控制系統(DCS)在工業領域的廣泛應用，大量生產過程變量以較高的測量尺度被保存在系統數據庫中，一些調度層的中間變量和需要離線化驗的關鍵質量變量的測量尺度則較低。這導致在復雜工業過程數據存在多尺度特性。隨著多元統計過程監測技術的發展，海量過程數據通過降維、重構以及可視化實現對過程的實時監測，并廣泛應用于化工、有色冶金、治污等領域。傳統的靜態過程監測模型如主成分分析(PCA)和偏最小二乘(PLS)在面向高維時序相關過程數據時監測效果不佳，而多數動態過程監測模型如動態PCA(DPCA)、規范變量分析(CVA)以及線性高斯狀態空間模型(LGSSM)等模型描述了過程的時序相關特性但并未考慮到過程數據的多尺度特性。多尺度動態潛隱變量模型能夠完全利用過程數據的多尺度信息，并利用期望最大化(EM)算法對模型參數進行估計。然而上述動態模型假設動態潛隱變量同樣包含了過程的靜態特性，因此在面對強耦合的復雜工業過程故障檢測時效果受到影響。因此需要提出一種既能利用過程多尺度數據，同時又能分別考慮到過程動態特性和靜態特性的工業過程故障檢測方法。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于全結構動態自回歸隱變量模型的多尺度工業過程故障檢測方法。

一種基于全結構動態自回歸隱變量模型的多尺度過程故障檢測方法，包括：在線收集化工過程的多尺度數據樣本，待測試樣本集，對測試樣本集進行標準化，利用預先構建的多尺度全結構自回歸動態隱變量模型(TMsARDLV模型)得到當前時刻測試樣本的動態T²統計量、每個測量尺度下的靜態T²統計量和SPE統計量，并與預先獲得的檢測控制限對比，得出過程的在線檢測結果；所述多尺度全結構自回歸動態隱變量模型中，多尺度數據樣本與動態潛隱變量和各個測量尺度下的靜態潛隱變量呈線性關系。

所述多尺度全結構自回歸動態隱變量模型訓練時，收集對應過程(比如造紙廢水處理過程)正常運行狀態下多種不同測量尺度的變量樣本，組成建模用的訓練樣本集，對訓練樣本集進行標準化，然后用于所述多尺度全結構自回歸動態隱變量模型的構建。

所述不同測量尺度是指采用不同的采樣率進行采樣。本發明中，采集的多個變量樣本對應的采樣率可以完全不同，也可以是部分相同。

作為一種實施方式，所述多尺度全結構自回歸動態隱變量模型結構如下：

其中：x(k)表示k時刻模型的動態潛隱變量；z(k-1)包含了過去L個時刻該模型的動態潛隱變量，L為滯后時間；A為模型動態潛隱變量的狀態轉移矩陣；v(k)為第k時刻模型的動態噪聲；y^ξ(k)為k時刻采集得到的變量；C^ξ(k)為第k時刻變量和動態潛隱變量之間的動態發散矩陣；t^ξ(k)為第k時刻的靜態潛隱變量；Ψ^ξ(k)為第k時刻變量和靜態潛隱變量之間的靜態發散矩陣；w^ξ(k)為第k時刻變量的測量噪聲；ξ為表示當前時刻變量被采集到的樣本屬性。