[发明专利]一种基于多变量块交叉相关性剔除的非高斯过程监测方法

权利要求书

1.一种基于多变量块交叉相关性剔除的非高斯过程监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：

步骤(1)：采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈R^n×m，并对其进行标准化处理，得到均值为0、标准差为1的新数据矩阵其中，n为训练样本总数，m为过程对象所有测量变量的个数，R为实数集，R^n×m表示n×m维的实数矩阵；

步骤(2)：根据各测量变量的生产单元归属，将m个测量变量分成C个不同的变量子块，其中C表示过程对象中生产单元的个数；

步骤(3)：依据C个不同的变量子块将矩阵对应地分成C个不同的子矩阵X₁，X₂，…，X_C，其中m_c为第c个变量子块中变量个数且满足条件∑m_c＝m；

步骤(4)：将第c个子矩阵X_c做为回归模型的输出，同时将Y＝[X₁，…，X_c-1，X_c+1，…X_C]做为回归模型的输入，利用偏最小二乘算法(Partial Least Square，PLS)建立输入-输出之间的回归模型：

X_c＝YΘ_c+E_c (1)

上式中，Θ_c为回归矩阵，为回归模型误差；

步骤(5)：重复步骤(4)直至得到C个PLS模型，并将回归模型误差E₁，E₂，…，E_C合并成一个误差矩阵E＝[E₁，E₂，…，E_C]∈R^n×m；

步骤(6)：将误差矩阵E作为新的训练数据矩阵，对其中的每一列实施标准化处理，得到均值为0，标准差为1的新数据矩阵

步骤(7)：对实施白化处理，将其转换成数据矩阵F∈R^n×M，并保留白化转换矩阵G∈R^m×M，其中M为白化转换向量个数；

步骤(8)：利用独立成分分析(Independent Component Analysis，ICA)算法为数据矩阵F∈R^n×M建立非高斯模型，保留分离矩阵W与混合矩阵A；

步骤(9)：根据公式与分别计算独立成分矩阵S与残差矩阵

步骤(10)：根据公式I²＝diag[SS^T]与分别计算训练数据对应的监测统计量I²与SPE，并找出I²与SPE中最大值分别记录为与SPE_lim；

在线监测的实施过程如下所示：

步骤(11)：收集新采样时刻的数据样本x∈R^1×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量

步骤(12)：根据步骤(2)中的C个不同的变量子块，对应地将样本向量对应地分成C个不同的子向量x₁，x₂，…，x_C；

步骤(13)：调用步骤(4)中建立的第c个PLS模型，根据如下所示公式计算出多变量块相关性剔除后的误差e_c：

e_c＝x_c-yΘ_c (2)

上式中，y＝[x₁，…，x_c-1，x_c+1，，x_C]；

步骤(14)：重复步骤(13)直至得到C个误差e₁，e₂，…，e_C，并将这些误差合并成一个误差向量e＝[e₁，e₂，…，e_C]；

步骤(15)：对误差向量e实施与步骤(6)中相同的标准化处理得到新向量

步骤(16)：根据如下所示公式计算监测统计指标I²与SPE：

上式中，上标号T表示矩阵或者向量的转置；

步骤(17)：判断是否满足条件：且SPE≤SPE_lim；若是，则当前监测时刻系统处于正常运行状态，返回步骤(11)继续实施在线故障监测；若否，则当前采样数据来自故障工况。