[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

说明书

本发明公开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，旨在将多变量块之间的交叉相关性考虑进分布式过程建模与过程监测中，从而实施更加可靠而有效的分布式非高斯过程监测。本发明方法首先初步根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将每个变量子块中与其他变量子块之间的交叉相关信息剔除出去；最后，利用剔除交叉相关性后的误差实施基于独立成分分析算法的建模与非高斯过程监测。相比于传统方法，本发明方法的主要创新在于利用回归模型将不同多变量子块之间的交叉相关性考虑进来，以交叉相关性剔除后的误差做为新的监测对象。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及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。

背景技术

实时监测生产过程运行状态对于保证生产安全与产品质量的稳定性具有重要性意义，生产实际中通常采取的过程监测技术手段就是我们所熟知的故障监测方法，旨在及时地甄别出系统出现的异常状态。近年来，随着工业大规模化与“大数据”化建设的推进，生产过程中可以很容易地采集到大量的样本数据，但是无法为其建立精确的机理模型。在这种应用背景下，传统基于机理模型的故障监测方法就遇到了发展的瓶颈，而数据驱动的过程监测方法逐步得到重视与广泛的研究。在这一研究领域里，多变量统计过程监测得到了最多的研究与关注。这其中，又当以主成分分析(Principal Component Analysis，PCA)与独立成分分析(Independent Component Analysis，ICA)算法为最主流的两种建模与故障监测方法。两者的共同之处在于通过挖掘训练数据的潜在特征，将过程监测任务转换成一个单分类的模式识别问题。

然而，通过现有文献资料与专利技术文件中可以发现，基于ICA的过程监测方法能取得的效果通常优越于基于PCA的过程监测方法。这主要是因为ICA能够挖掘出训练数据的非高斯特征成分，更能揭示事物的本质，同时更能适应于解决非高斯过程的故障监测问题。考虑到现代工业过程的大规模性与复杂特性，生产过程的采样数据一般不符合高斯分布假设，基于ICA的非高斯过程监测方法更值得深入研究。此外，由于现代工业过程对象通常有诸多生产子单元组成，直接对对象整体采用一个故障监测模型取得的监测性能往往差强人意。近年来，分布式的建模与故障监测方法得到了广泛的研究与应用。一般来讲，分布式的过程监测方法能够在建模时简化对过程对象分析的难度，而且多模型的思路通常泛化性能优越于单个模型。基于分布式ICA的非高斯过程监测方法实施的技术难点主要在于如何将所有的测量变量划分成多个变量子块，一种最简单最直接的划分多变量块的方法就是按照测量变量对应的生产单元归属实施变量块划分。

由于现代工业过程各生产子单元之间不是单纯的串联或并联链接关系，相互之间还存在复杂交叉关系，比如产品的回流进入其他生产单元，以及利用不同生产单元间的反馈信号实施控制等等。这种交叉关系体现在采样数据上就是不同变量子块间的数据集存在交叉相关性。因此，直接按照生产单元分成的变量子块的做法，再直接建立多个分布式的过程监测模型不能将不同生产单元之间的交叉相关性考虑进来。因此，传统的分布式的非高斯过程监测方法还有待进一步的改进。可想而知，若是按照生产单元实施分布式故障监测时，能将不同生产单元之间的交叉相关性考虑进来，将会提升相应过程监测方法的性能。可是，若是直接根据生产过程的机理知识分析这种交叉关联关系，需要深入细致的分析过程对象的组成结构情况。这在实际过程中是不可取的，也违背了数据驱动过程监测方法从数据角度出发的优势与理念。

发明内容

本发明所要解决的主要技术问题是：如何将多变量块之间的交叉相关性考虑进分布式过程建模与过程监测中，从而实施更加可靠而有效的分布式非高斯过程监测。具体来讲，本发明方法首先初步根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将每个变量子块中与其他变量子块之间的交叉相关信息剔除出去；最后，利用剔除交叉相关性后的误差实施基于ICA算法的建模与非高斯过程监测。

本发明解决上述技术问题所采用的技术方案为：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，包括以下步骤：