[发明专利]基于谱半径-区间主成分分析的工业过程状态监测方法

说明书

本发明涉及一种基于谱半径‑区间主成分分析的工业过程状态监测方法，包括下列步骤：针对工业过程所采集到的含有测量噪声、测量误差以及不确定性的数据，基于核密度估计的数据转化方法，将工业过程所采集到的过程数据转化为区间数据；基于得到的区间数据，建立谱半径‑区间主成分分析模型，对含有不准确过程数据的复杂工业过程进行特征提取，将高维区间数据投影到低维空间；引入离线监测统计量，并基于核密度估计方法确定统计量的控制限；基于所求得的四个监测统计量的控制限，分析在线监测统计量与控制限之间的关系，实现过程状态的在线监测。

技术领域

本发明涉及到工业过程状态监测技术领域，具体地说是一种面向含有不准确测量数据的复杂工业过程状态监测方法。

背景技术

自二十一世纪以来，随着科学技术和全球经济的快速发展以及新一轮产业革命和全球产业竞争范式的重大转变，智能制造的脚步不断加快。在全球经济快速发展的浪潮中，产品质量和生产安全成为了企业立足和发展的重中之重。采用正确的过程状态监测方法可以提高工业设备运行的安全性，防止灾难性事故的发生，同时还可以减少产品质量的波动，进而提高企业的竞争力。随着科技水平的提高、网络仪表和传感器技术的普及，现代工业过程的数据得以被采集、储存。基于数据驱动的多元统计过程状态监测方法快速发展，受到了工业界和学术界的密切关注，其已广泛应用于化工、半导体生产、航空航天等生产过程中。

目前，虽然上述方法已广泛应用于工业过程的监测领域，但是其监测结果高度依赖于数据的准确性，例如主成分分析方法[1]。然而，实际工业过程因为噪声干扰或者传感器测量问题的影响，通常会出现数据测量不准确的现象，基于不准确的过程数据建立的状态监测模型的故障检测性能较差[2]。此外，受到复杂工况、恶劣的操作环境等因素的影响，一些关键的过程变量更是难以测量，例如能反映浓密机中矿石含量的搅拌机运行声音。这些变量通常由专家或有经验的工程师采用语义信息描述，并以区间数的形式表示[3]。上述噪声、误差和不确定性的加入往往会导致常用的数据驱动状态监测方法误报、漏报增加，严重情况下，甚至完全区分不出正常工况和异常工况[4]。针对含有不准确测量数据的复杂工业过程状态监测方面的研究，国内外学者已进行了一些探索，但仍存在以下方面的不足：(1)目前基于数据驱动的多元统计过程状态监测方法大多是依据含有测量噪声、测量误差的单值过程数据进行状态监测[5]，或者是使用原始数据形式为区间形式的过程数据进行状态监测[6]，而并没有考虑当工业过程中既存在单值数据又存在区间数据的情况；(2)在当前基于区间数据进行过程状态监测的研究中，存在计算量大、计算复杂，且没有充分挖掘区间内部信息的问题，如Cazes等人提出的顶点主成分分析方法[7]；(3)现有的将单值数据转化为区间数据的方法多是基于“打包”思想[8][9]，简单地将相邻时间点的单值数据用区间域的形式表示出来，忽略了原始单值数据的重要信息以及原始数据属性的内在关系。因此，如何在不准确的工业数据中挖掘过程异常工况信息，并保持监测方法在高噪声、大测量误差下的鲁棒性，是亟待解决的问题，相关该方面的研究具有重要的理论意义及工程价值。

参考文献：

[1]J.X.Zhang,D.H.Zhou,M.Y.Chen.Monitoring multimode processes:Amodified PCA algorithm with continual learning ability[J].Journal of ProcessControl,2021,103:76-86.

[2]C.Chakour,A.Benyounes,M.Boudiaf.Diagnosis of uncertain nonlinearsystems using interval kernel principal components analysis:Application to aweather station[J].ISA Transactions,2018,83:126-141.