[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

说明书

本发明公开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，旨在建立分布式的多块非线性交叉关系模型，从而实施有效的分布式故障检测。具体来讲，本发明方法首先根据各生产单元测量变量的归属，将所有测量变量划分成不重叠的多个变量子块；其次，利用RBF网络为各个变量子块及其它变量子块之间的非线性交叉关系模型；最后，利用剔除交叉关系影响的误差实施建模与故障检测。与传统方法相比，本发明方法在建模过程中考虑了块与块之间的非线性交叉关系。因此，本发明方法理应具备更优秀的故障检测性能，是一种更为优选的分布式故障检测方法。

技术领域

本发明涉及一种数据驱动的故障检测方法，尤其涉及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。

背景技术

保证持续正常的生产状态对于降低企业生产成本与保证生产安全具有重要性意义，通常采取的技术手段无外乎对过程运行状态实施实时监测，从而及时地甄别出系统出现的异常状态。近年来，随着工业大规模与“大数据”建设的推进，生产过程中可以采集大量的实时数据而无法建立精确的机理模型，这为数据驱动的故障监测方法的兴起与广泛应用做好了铺垫。近年来，考虑到现代工业过程的大规模性，基于主成分分析(PrincipalComponent Analysis，PCA)算法的故障检测方法已经从最开始的单个故障检测模型发展成多块建模策略的分布式的故障检测。由于现代工业过程的大规模趋势，整个生成单元通常由诸多个子生产单元组成。因此，可以将所有的测量变量按照生产单元的归属划分成多个子变量块，然后对每个子变量块分别实施监测就是分布式故障检测方法的核心本质。

一般来讲，分布式的故障检测方法由于实施多块建模策略，能够在建模时简化对过程对象分析的难度，而且多块模型的思路通常泛化性能优越于单个模型。将大规模的被监测过程对象分成多个变量子块的方法通常有两种思路：基于过程机理知识分解与从纯采样数据角度出发分解。无论是选择哪种，原测量变量集都会被分成多个重叠与不重叠的变量子块，然后为每个子块建立相应的故障检测模型，如多块PCA模型。若是将故障检测算法替换成非线性算法，同样可实施非线性的分布式故障检测。然而，由于整个工业过程对象的测量变量被人为的分成了多块，块与块之间的交叉关系却鲜有研究学者考虑进来，此种问题在将变量分解成多个不重叠的变量子块的分布式故障检测方法中尤为多见。

不可否认，现代工业过程各生产子单元之间还存在交叉的关系，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。直接按照生产单元分成的不重叠的变量子块的做法，不能将不同生产单元之间的交叉关系考虑进来。因此，传统的分布式故障监测方法还有待进一步的改进。此外，多个生产子单元之间的交叉关系若是使用线性模型进行描述，通常存在欠拟合问题，最佳的措施应该是非线性的模型来描述多块之间的交叉关系。作为一种经典的非线性建模算法，径向基函数(Radial BasisFunction，RBF)网络具备卓越的非线性拟合能力。在应用中，除离线训练RBF网络需要一定时间外，在线使用RBF神经网络计算效率较快。

发明内容

本发明所要解决的主要技术问题是：如何建立多块非线性交叉关系模型，从而实施更加可靠而有效的分布式故障检测。具体来讲，本发明方法首先根据各生产单元测量变量的归属，将所有测量变量划分成不重叠的多个变量子块；其次，利用RBF网络为各个变量子块及其它变量子块之间的非线性交叉关系模型；最后，利用剔除交叉关系影响的误差实施建模与故障检测。

本发明解决上述技术问题所采用的技术方案为：一种基于多块非线性交叉关系模型的分布式故障检测方法，包括以下步骤：

(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。