[发明专利]一种基于即时学习局部模型的发酵过程故障监测方法

摘要

一种基于即时学习局部模型的发酵过程故障监测方法涉及数据驱动的故障诊断领域。全局建模不能克服实际生产中存在的生产过程多阶段性、季节影响和物料品质影响等问题，面对时变过程会产生大量误报。本发明为了克服实际故障监测中模型失配的问题，提出基于即时学习策略的局部建模方法，用局部偏最小二乘模型监测故障。将信息熵引入即时学习策略中自动选取较相似的样本点进行建模。由于局部模型能够表征当前系统状态，所以无需进行阶段辨识，减少了计算量，并且克服了发酵过程的时变特性给监测带来的问题。行之有效地降低了误报率，提高了故障监测准确率，保证了生产的安全经济。

主权项

一种基于即时学习局部模型的发酵过程故障监测方法，其特征在于，该方法包含如下步骤：步骤1，采集同一发酵过程正常的历史数据，数据由生产某产品发酵过程的变量，批次，和每个批次的采样点个数这三个维度组成；数据比连续过程多了一个维度即批次，为三维的矩阵；步骤2，对步骤1采集的三维数据矩阵进行变量展开，展开成二维的矩阵；具体展开步骤为将后一批次的第一个数据接在前一批次最后一个数据后面，相当于按照时间顺序存储所有数据；步骤3，被监测生产过程开始后，采集当前在线样本点，即被监测采样点；当前在线样本点为一个J维向量，其中J为生产过程被监测的变量总数；步骤4，计算当前在线样本点与每个历史样本点马氏距离；步骤5，对马氏距离从小到大排序，即相似的数据排名靠前，不相似的数据排名靠后；然后按照顺序计算数据集的信息熵；具体操作为：先计算以第一个数据为数据集的信息熵，然后计算以第一个和第二个数据为数据集的信息熵，以此类推，依次增加，直到信息熵达到最小值为止，也就是由第一个数据到某个数据的数据集信息熵比第一个数据到某个数据的后一个数据的数据集信息熵要小；步骤6，对选取的样本点进行归一化处理：首先计算相似样本点矩阵的每个过程变量的均值和标准方差；然后利用每个过程变量的均值和标准方差对每个过程变量进行Z‑score标准化；同样对当前在线样本点进行Z‑score标准化；按照批次先后顺序利用遗忘因子进行加权；遗忘因子的表达式为：λi＝e‑αi，其中i表示数据所在的批次与当前批次数值差的绝对值,e为自然指数，α为衰减因子，表示衰减速度，取0.6为通用值；这样从时间上对相似样本点进行加权得到加权后的数据矩阵；步骤7，用加权后的相似样本点进行PLS建模，得到PLS模型；步骤8，利用步骤7得到的PLS模型计算统计量控制限，采用经典的统计量HotellingT2及SPE是否超限的方法来确定是否发生故障；HotellingT2是主元得分向量的标准平方和；设定显著水平为95％，这样就计算出这个统计量的控制限；SPE统计量也被称为Q统计量，它代表了数据中没有被主元模型所解释的变化，表示每次采样在变化趋势上与统计模型的之间的误差；设定显著水平为95％，计算出这个统计量的控制限；通过历史数据PLS模型和当前在线样本点，求出在线样本的HotellingT2和SPE统计量；如果在线样本的统计量超过历史数据的控制限，那么就发生报警；从下个步骤开始为“在线监测”部分；步骤9，统计量分析；统计过程监控领域，HotellingT2是用来检测发生在Sp的故障，而SPE统计量被用来检测空间Sr的故障，当故障发生时，一个或者多个测量变量将会被影响，从而影响这些测量变量之间的关系；PLS模型将测量变量分解为Sp和Sr两个空间，故障检测就是对这两个空间进行监测；在PLS模型结构下，如果发生影响质量变量Y的异常情况，故障发生在空间Sp；另一方面，若故障不影响质量变量，那么发生在空间Sr；步骤10，将上述计算得到的统计量与建模阶段的步骤8确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常；步骤11，如果当前在线样本点发生故障则报警；如果不发生故障则将当前在线样本点添加到历史数据库。