[发明专利]一种基于GA-ICA的新型分散式非高斯过程监测方法

说明书

本发明公开一种基于GA‑ICA的新型分散式非高斯过程监测方法，旨在利用十进制的遗传算法求解ICA模型，并推导出多块ICA算法的实施过程，在此基础上即可实施分散式的非高斯过程监测。本发明方法在实施多块建模的过程中，首先利用十进制的遗传算法求解所有测量变量对应的分离向量与独立成分，然后再根据各个变量子块的独特性，将各变量子块对应的独立成分分离出来。因此，本发明方法在实施多块建模时综合考虑了所有测量变量的整体性与各变量子块的局部特性，这是一种全新的分散式非高斯过程监测方法。此外，具体实施案例中将会验证本发明方法的优越性，从而说明本发明方法是一种更为优选的分散式非高斯过程监测方法。

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GA-ICA的新型分散式非高斯过程监测方法。

背景技术

在工业“大数据”热潮下，现代工业过程逐步走向数字化管理。由于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信息，利用采样数据实施过程运行状态的监测于是乎得到了较多学者们的青睐。事实上，无论是学术界还是工业界，都投入了大量的人力与物力研究以故障检测为核心任务的过程监测方法。在数据驱动的过程监测研究领域，统计过程监测是被研究得最多的方法，其中当以主成分分析(Principal Component Analysis，PCA)与独立成分分析(Independent ComponentAnalysis，ICA)为最主流的实施技术手段。相比于PCA算法，ICA算法因能够挖掘出数据中潜藏的非高斯成分信息，更能揭示对象的本质，因此更适合于非高斯过程对象的监测。且在已有的科研文献与专利信息中可以发现，ICA方法的故障检测效果一般不亚于PCA方法。

传统ICA方法应用于非高斯过程监测时，都是建立一个ICA模型，即将所有的生产单元对应的测量变量当成一个整体。在实际应用中，考虑到现代工业过程逐步走向大规模化发展，生产流程全自动化控制，且包含多个相互联系相互制约的生产单元，不同生产单元理应区别对待。因此，现代工业过程更青睐于分布式的过程监测方法技术，对各个生产单元进行分散式的监测。然而，由于各个生产单元之间相互耦合，又必须考虑到整体性。从这个角度来讲，分散式监测在建立过程监测模型时，除考虑局部特性外还应考虑整体性。

虽然多块PCA(Multiblock PCA，缩写MBPCA)算法早就提出并应用于分散式过程监测，但是多块ICA(Multiblock ICA，缩写MBICA)算法却未被提出来。这主要是因为ICA模型的求解过程通常使用FastICA迭代算法，通过梯度下降的原理求解使非高斯最大化的分离向量。因此，基于FastICA算法的ICA是无法直接扩展成MBICA算法的。由于非高斯最大化是一个优化问题，除梯度下降法之外，还可以使用智能优化算法，如遗传(GeneticAlgorithm，缩写GA)算法。经典的GA算法需要进行二进制编码，十进制转变成二进制会增加计算量。因此，直接使用GA算法求解ICA模型还有待商榷。

发明内容

本发明所要解决的主要技术问题是：利用十进制的遗传算法求解ICA模型，并推导出多块ICA算法的实施过程，在此基础上即可实施分散式的非高斯过程监测。具体来讲，本发明方法首先利用GA-ICA算法求解所有测量变量对应的独立成分，然后对过程对象的所有测量变量实施分块处理，最后利用独立成分实施分散式的非高斯过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于GA-ICA的新型分散式非高斯过程监测方法，包括以下所示步骤：

步骤(1)：在生产过程对象正常运行状态下，采集n个样本数据x₁，x₂，…，x_n组成训练数据矩阵X＝[x₁，x₂，…，x_n]∈R^m×n，并计算均值向量μ＝(x₁+x₂+…+x_n)/n以及标准差向量δ∈R^m×1：