[发明专利]一种基于多块非线性交叉关系模型的分布式故障检测方法

权利要求书

1.一种基于多块非线性交叉关系模型的分布式故障检测方法，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)：根据过程对象流程图确定C个生产子单元后，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，并保证每个测量变量在各变量子块中累计出现的次数仅有一次；

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个变量子块中的变量个数且满足条件∑m_c＝m；

步骤(4)：设置RBF神经网络隐层节点数k，并初始化c＝1；

步骤(5)：将第c个子矩阵X_c做为RBF神经网络模型的输出，同时将Z_c＝[X₁，…，X_c-1，X_c+1，…X_C]做为RBF神经网络模型的输入，训练得到相应的RBF神经网络，那么由输入Z_c到输出X_c之间的非线性关系即为第c个子块与其他变量子块之间的非线性交叉关系模型，其中为RBF神经网络对输出的估计值；

步骤(6)：根据公式计算误差矩阵E_c后，判断是否满足条件c＜C；若是，则置c＝c+1后返回步骤(5)；若否，则保留得到C个非线性交叉关系模型，并将C个误差矩阵合并成一个误差矩阵E＝[E₁，E₂，…，E_C]；

步骤(7)：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(8)：利用主成分分析算法为建立相应的故障检测模型，并保留模型参数集Θ＝{P，Λ，D_lim，Q_lim}以备调用，其中P为投影变量矩阵，Λ是由特征值组成的对角矩阵，D_lim与Q_lim分别表示监测统计指标D与Q的控制上限；

在线过程监测阶段的实施过程如下所示：

步骤(9)：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(10)：根据步骤(2)中的C个不同的变量子块，对应地将样本向量分成C个不同的子向量x₁，x₁，…，x_C，并初始化c＝1；

步骤(11)：调用步骤(5)中保留的第c个非线性交叉关系模型，根据公式e_c＝x_c-f(y_c)计算出误差e_c，其中，y＝[x₁，…，x_c-1，x_c+1，…，x_C]；

步骤(12)：判断是否满足条件c＜C；若是，则置c＝c+1后返回步骤(11)；若否，则将得到的C个误差e₁，e₂，…，e_C合并成一个误差向量e＝[e₁，e₂，…，e_C]；

步骤(13)：对误差向量e实施与步骤(7)中相同的标准化处理得到新向量

步骤(14)：根据如下所示公式计算监测统计指标D与Q：

上式中，I为m×m维的单位矩阵；

步骤(15)：判断是否满足条件：D≤D_lim且Q≤Q_lim；若是，则当前监测时刻系统处于正常运行状态，返回步骤(9)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。