[发明专利]一种基于结构化典型变量分析的动态过程监测方法

说明书

本发明公开一种基于结构化典型变量分析的动态过程监测方法，旨在推理出结构化典型变量分析算法，并以此算法为基础实施动态过程监测。具体来讲，本发明通过对典型变量分析算法的优化目标实施改进，将结构化的思路考虑进来，从而推理出一种新的算法来挖掘自相关特征。本发明方法在提取潜在特征的过程中，同时考虑未来数据与过往数据之间的相关性，即考虑了时间序列上的自相关性特征。此外，在监测时通过分别构造过往得分向量与未来得分向量，实现了对自相关特征的监测。可以说，本发明方法推理出了一种全新的动态建模算法：结构化典型变量分析算法，在此基础实施动态过程监测理应具备更优越的故障监测性能。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于结构化典型变量分析的动态过程监测方法。

背景技术

在工业“大数据”热潮的推动下，现代工业过程逐步走向数字化管理，工业过程对数据的利用程度体现了现代化的管理水准。这主要得益于先进仪表技术与计算技术的飞速发展与广泛应用，生产过程对象可以离线存储与在线测量海量的数据。这些数据蕴含着能体现生产过程运行状态的有用信息，利用采样数据实现对过程运行状态的监测于是乎得到了较多学者们的青睐。在学术研究领域与工业实践领域，研究人员与企业技术人员都投入了大量的人力与物力研究如何通过数据反映过程运行状态的方法。在数据驱动的过程监测领域中，多变量统计过程监测是被研究得最多的方法，其中当以主元分析(PrincipalComponent Analysis，PCA)算法为最为常见的实施技术手段。多变量统计过程监测的核心本质在于：通过对正常工况下的采样数据实施特征挖掘，并利用该特征建立单分类的模型以实施监测。

建立统计过程监测模型时，需要充分挖掘正常工况下采样数据的特征。由于现代工业过程采样时间间隔大为缩短，采样数据不可避免的存在时间序列上的自相关性。因此，数据的自相关性这种动态特征是必须考虑的一个问题。针对动态过程监测问题的研究，最常见的思路就是使用增广矩阵，将数据的自相关性与交叉相关性混淆在一起后，利用PCA算法实施特征提取，这就是科研文献中最经典的动态PCA方法。此外，还有学者提出使用典型变量分析(Canonical Variate Analysis，CVA)算法估计出动态系统的状态变量，该状态变量体现出了过往数据与未来数据之间的动态关系特征。然而，这两类算法都是将自相关与交叉相关混淆在一起的处理策略，不利于单独分析正常工况数据中潜藏的动态特征。

近年来，有研究学者提出一类新颖的动态过程监测方法，即通过优化特征提取向量，使提取的潜在特征存在显著的自相关特性。这类方法通过结构化的思路外在的区分出了自相关特征，开辟了动态过程监测的新途径。然而，这来方法未能如CVA算法一般考虑过往数据与未来数据之间的动态关系特征，不能从时间序列上反映出相关性。因此，结构化的建模思路在CVA算法上的进一步拓展，还有待深入展开。

发明内容

本发明所要解决的主要技术问题是：如何推理出结构化典型变量分析算法，并以此算法为基础实施动态过程监测。为此，本发明通过对典型变量分析算法的优化目标实施改进，将结构化的思路考虑进来，从而推理出一种新的算法：结构化典型变量分析。

本发明解决上述技术问题所采用的技术方案为：一种基于结构化典型变量分析的动态过程监测方法，包括以下所示步骤：

(1)采集生产过程正常运行工况下的样本，组成训练数据矩阵X∈R^n×m，并计算矩阵X中各列向量的均值μ₁，μ₂，…，μ_m以及标准差δ₁，δ₂，…，δ_m，对应组成均值向量μ＝[μ₁，μ₂，…，μ_m]^T与标准差向量δ＝[δ₁，δ₂，…，δ_m]，其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵，上标号T表示矩阵或向量的转置。