[发明专利]一种基于新型动态近邻保持嵌入算法的过程监测方法

说明书

本发明公开一种基于新型动态近邻保持嵌入算法的过程监测方法，旨在解决如何同时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征，并基于此实施对生产过程运行状态的监测问题。本发明方法的优势在于：首先本发明方法中涉及的新型动态近邻保持嵌入算法是一种全新的算法，它同时考虑了自相关性特征与局部近邻特征，能够更全面地挖掘训练数据中潜藏的有用信息。其次，在具体实施案例中，相比于传统动态过程监测方法，本发明方法在故障监测上能取得更卓越的效果。可以说，本发明方法是一种更为优选的动态过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于新型动态近邻保持嵌入算法的过程监测方法。

背景技术

对生产过程的运行状态实施监测对保证生产过程的安全运行与维持产品质量的稳定性具有重要的科学研究意义，学术界与工业界都投入了大量的人力与物力研究以故障监测为核心任务的过程监测方法。近十几年来，针对故障检测方法尤其是数据驱动的故障检测方法的研究，已经成为工业自动化领域的研究热门之一。通常来讲，数据驱动的故障检测方法的核心思想在于：如何对过程正常数据进行有效地挖掘以提取能反应过程运行状态的潜在有用信息。然而，考虑到现代工业过程规模的复杂化趋势，采集到的工业数据所呈现出的特征往往也是非常复杂的。可以说，如何更有效地挖掘出过程数据中潜藏的有用信息，并建立更适于监测现代工业过程对象的过程监测模型，一直以来都是该研究领域所面临的主要问题。

在现有的科研文献与专利文件中，主元分析(Principal Component Analysis，缩写： PCA)、独立成分分析(Independent Component Analysis，缩写：ICA)、近邻保持嵌入(Neighborhood Preserving Embedding，缩写：NPE)等都被用于过程监测。与PCA算法提取数据方差信息不同的是，NPE方法则考虑的是原始数据点的局部近邻特征，他们在提取原始数据中的潜在信息时，尽量保留数据点在空间距离上的分布特征。此外，由于现代工业过程的采样时间都较短，采样数据之间的时序自相关性是数据驱动的过程监测方法在建模时另一个必须考虑的一个问题。数据驱动的动态过程监测方法中最为典型的方法当属采用增广矩阵为各个训练样本数据引入延时测量值，从而将时序自相关性考虑进来。使用增广矩阵的弊端在于，将时序自相关性与交叉相关性混淆在一起，所提取的潜在特征成分不具备解释性。

一般而言，采样数据的时序自相关性的外在表现形式为：各采样时刻的样本数据与其前面几个时刻的采样数据是存在显著相关性的。这种外在体现形式能反映出数据样本之间的自相关特征，但在挖掘自相关性特征时还需考虑数据分布的局部特征。因此，为有效地挖掘训练数据中的潜藏有用特征，需设计一个能够同时挖掘自相关特征与局部近邻结构特征的算法，以对生产过程的运行状态实施更为高效的过程监测。

发明内容

本发明所要解决的主要技术问题是：如何时挖掘训练数据中潜藏的自相关特征与局部近邻结构特征，并基于此实施对对生产过程运行状态的监测。具体来讲，本发明方法首先将自相关性与局部近邻结构嵌入量化成一个目标函数；其次，求解该目标函数的解，从而得到新的投影变换向量；最后，利用投影变换向量挖掘出潜在特征并建立相应的过程监测模型实施监测。

本发明解决上述技术问题所采用的技术方案为：一种基于新型动态近邻保持嵌入算法的过程监测方法，包括以下步骤：

步骤(1)：在生产过程正常运行状态下，按照采样时间先后依次采集n个样本数据x₁，x₂，…，x_n组成矩阵X＝[x₁，x₂，…，x_n]^T∈R^n×m，并计算矩阵X中各行向量的均值向量μ与标准差向量δ，其中x_i∈R^m×1表示第i个样本数据、m为测量变量的总个数、i＝1，2，…，n、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。