[发明专利]一种面向非平稳非线性工业过程的异常监测方法

说明书

本发明公开了一种面向非平稳非线性工业过程的异常监测方法，属于工业过程异常监测领域。本发明在概率平稳子空间分析的基础上，利用核技巧提出了核概率平稳子空间分析方法，可同时处理复杂工业过程的非平稳和非线性特性。该方法首先将非线性数据映射至一个高维特征空间，并在其中建立一个线性模型。其次，利用期望最大化算法估计模型的参数。通过引入核技巧，可利用核函数实现参数学习的过程，而无需知道非线性映射的显式表达式。基于核概率平稳子空间模型，提出了两个检测指标用于监控非平稳非线性工业过程。与原有的概率平稳子空间分析方法相比，本发明可有效提取测量变量中的非线性关系，因此更适于监控同时具有非线性特性的非平稳工业过程。

技术领域

本发明属于工业过程异常监测领域，具体涉及一种面向非平稳非线性工业过程的异常监测方法。

背景技术

随着现代工业过程的复杂度不断增加，以及对系统安全和生产效率的需求不断提高，过程监控技术对于保障工业系统的正常和高效运行是至关重要的。过程监控方法通常可以分为基于模型的方法、基于知识的方法和数据驱动的方法。相比于其它两种方法，数据驱动的监控方法不需要物理模型和专家知识，因此近些年受到越来越多的关注。随着传感器和测量技术的发展，大量的工业过程运行数据可以记录在分布式控制系统(DCS)中，这也推动了数据驱动过程监控技术的进步。

实际上，复杂工业过程往往表现出非平稳特性，及测量变量的统计性质会随时间发生变化。这可能是由运行工况变化、设备老化和未知扰动等因素引起的。非平稳特性对传统的监控方法带来了挑战，因为它们往往假设被控过程是运行在稳定的工况之下。近年来，学者们提出了许多方法用于非平稳过程的异常监测问题。例如，自适应方法、基于协整分析的方法和基于子空间分解的方法。然而，多数的非平稳过程监测方法没有考虑由随机噪声和未知扰动引起的过程不确定性。过程不确定性给非平稳过程监控带来了一些困难。它们可能会掩盖真实的非平稳趋势，并降低对微小故障的监测性能。此外，由于真实的趋势被过程不确定性所遮盖，容易导致模型参数的过拟合问题。过程不确定性的存在，使得工业过程的实测值以统计形式而不是确定形式呈现。概率模型是处理不确定性的有效工具，它可以在过程真实趋势和系统不确定性之间达到良好的平衡。近期，概率平稳子空间分析方法被提出用于监测带有不确定性的非平稳工业过程。该方法是一个生成式模型，将实际的非平稳趋势与过程不确定性分离开，在监测不确定性非平稳工业过程中表现出良好的性能。

虽然概率平稳子空间分析方法对监测非平稳过程是有效的，但它是一种线性方法，假设过程数据具有线性结构。然而，实际工业过程数据通常会违反这个线性假设。因为复杂的系统结构和机理模型，工业过程往往具有非线性特性。例如，在伯努利方程中，流速和压强呈平方关系；由于复杂的反应机理，化学反应釜中的出口流体温度及其成分呈非线性关系。当线性方法用于监测固有的非线性过程时，可能会导致不可靠或不满意的结果，因为它们无法描述测量变量中存在的非线性关系。

目前，已经有一些方法可以应对非线性过程监控问题，主要包括基于神经网络的方法和核方法。其中，神经网络具有很强的非线性表示和学习的能力，但其训练过程往往耗费大量的时间，而且结构设计和参数调整在很大程度上依赖于经验和技巧。核方法的思路是将测量变量映射到一个高维的特征空间中，在特征空间建立线性模型。利用核技巧可以避免求解非线性优化问题，并且不需要显式的非线性映射。因此，学者们提出了很多核方法对非线性数据进行建模，包括核主元分析、核独立成分分析和核偏最小二乘等方法。然而，它们大多数是为监测平稳过程提出的，而不是非平稳过程。

发明内容

为了解决上述问题，本发明结合概率平稳子空间分析和核技巧，提出了一种面向非平稳非线性工业过程的异常监测方法，适用于监测带有不确定性的非平稳非线性工业过程。

本发明的技术方案如下：

一种面向非平稳非线性工业过程的异常监测方法，包括离线训练阶段和在线监测阶段；其中，

A.离线训练阶段，包括如下步骤：