[发明专利]一种基于分散式ICR模型的非高斯过程监测方法

摘要

本发明公开一种基于分散式ICR模型的非高斯过程监测方法，旨在解决如何利用非高斯数据建模算法，通过数据模型将采样数据转换成误差，并以误差作为被监测对象实施非高斯过程监测的问题。具体来讲，本发明方法首先针对每个测量变量，利用独立成分回归(ICR)算法建立各变量与其他变量之间的软测量模型。然后，利用软测量模型的估计误差作为被监测对象，建立基于独立成分分析(ICA)的过程监测模型实施非高斯过程监测。可以看出本发明方法利用了分散式建模的优势，而且采用多种非高斯数据分析算法相结合的实施方式，是一种更为优选的适于非高斯过程的数据驱动的过程监测方法。

主权项

1.一种基于分散式ICR模型的非高斯过程监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈R^n×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵；步骤(2)：将将标准化后的数据集表示成其中x_i∈R^n×1为第i个测量变量的n个数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1；步骤(3)：将矩阵中第i列数据去除得到软测量模型的输入矩阵而将x_i作为软测量模型的输出，利用独立成分回归(Independent Component Regression，ICR)算法建立输入与输出x_i之间的软测量模型：上式中，ei∈Rn×1为软测量估计误差向量；步骤(4)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成矩阵E＝[e1，e2，…，em]后继续执行下一步骤(5)；步骤(5)：将估计误差矩阵E作为新的训练数据矩阵，对其中的每一列实施标准化处理，得到均值为0，标准差为1的新数据矩阵步骤(6)：利用独立成分分析(Independent Component Analysis，ICA)算法为建立相应的ICA过程监测模型，并保留模型参数集Θ＝{G，H，Λ，D_lim，Q_lim}以备调用，其中G为ICA模型的分离矩阵，H为ICA模型的混合矩阵，Λ为ICA模型中独立成分的协方差矩阵，D_lim与Q_lim分别表示监测统计量D与Q的控制上限；步骤(7)：收集新采样时刻的数据样本x∈R^1×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量后，初始化i＝1；步骤(8)：将行向量中的第i个元素y_i取出后得到输入向量并按照如下所示公式计算y_i的估计误差f_i：步骤(9)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的误差组成向量f＝[f1，f2，…，fm]并继续执行下一步骤；步骤(10)：对f实施与步骤(5)中相同的标准化处理得到新向量步骤(11)：根据如下所示公式计算监测统计指标D与Q：步骤(12)：判断D与Q的具体数值是否大于对应控制上限Dlim与Qlim？若否，则当前样本为正常工况采样；若是，则当前采样数据有可能来自故障工况。