[发明专利]一种基于多变量块交叉相关性剔除的非高斯过程监测方法

摘要

本发明公开一种基于多变量块交叉相关性剔除的非高斯过程监测方法，旨在将多变量块之间的交叉相关性考虑进分布式过程建模与过程监测中，从而实施更加可靠而有效的分布式非高斯过程监测。本发明方法首先初步根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，利用回归模型将每个变量子块中与其他变量子块之间的交叉相关信息剔除出去；最后，利用剔除交叉相关性后的误差实施基于独立成分分析算法的建模与非高斯过程监测。相比于传统方法，本发明方法的主要创新在于利用回归模型将不同多变量子块之间的交叉相关性考虑进来，以交叉相关性剔除后的误差做为新的监测对象。

主权项

1.一种基于多变量块交叉相关性剔除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)：采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈R^n×m，并对其进行标准化处理，得到均值为0、标准差为1的新数据矩阵其中，n为训练样本总数，m为过程对象所有测量变量的个数，R为实数集，R^n×m表示n×m维的实数矩阵；步骤(2)：根据各测量变量的生产单元归属，将m个测量变量分成C个不同的变量子块，其中C表示过程对象中生产单元的个数；值得注意的是，根据过程对象生产单元划分变量子块时，本发明方法不要求对各变量子块做精确的划分，在某些测量变量归属的生产单元可有两个及以上时，可以随意划分该测量变量所属的生产单元；步骤(3)：依据C个不同的变量子块将矩阵对应地分成C个不同的子矩阵X₁，X₂，…，X_C，其中c＝1，2，…，C，m_c为第c个变量子块中变量个数且满足条件∑m_c＝m；步骤(4)：将第c个子矩阵Xc做为回归模型的输出，同时将Y＝[X1，…，Xc‑1，Xc+1，…XC]做为回归模型的输入，利用偏最小二乘算法(Partial Least Square，PLS)建立输入‑输出之间的回归模型：Xc＝YΘc+Ec         (1)上式中，Θ_c为回归矩阵，为回归模型误差；步骤(5)：重复步骤(4)直至得到C个PLS模型，并将模型误差E1，E2，…，EC合并成一个误差矩阵E＝[E1，E2，…，EC]∈Rn×m；步骤(6)：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(7)：对实施白化处理，将其转换成数据矩阵F∈R^n×M，并保留白化转换矩阵G∈R^m×M，其中M为白化转换向量个数；步骤(8)：利用独立成分分析(Independent Component Analysis，ICA)算法为数据矩阵F∈Rn×M建立非高斯模型，保留分离矩阵W与混合矩阵A；步骤(9)：根据公式与分别计算独立成分矩阵S与残差矩阵步骤(10)：根据公式I²＝diag[SS^T]与分别计算训练数据对应的监测统计量I²与SPE，并找出I²与SPE中最大值分别记录为与SPE_lim；在线监测的实施过程如下所示：步骤(11)：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步骤(12)：根据步骤(2)中的C个不同的变量子块，对应地将样本向量对应地分成C个不同的子向量x₁，x₂，…，x_C；步骤(13)：调用步骤(4)中建立的第c个PLS模型，根据如下所示公式计算出多变量块相关性剔除后的误差ec：ec＝xc‑yΘc        (2)上式中，y＝[x1，…，xc‑1，xc+1，，xC]；步骤(14)：重复步骤(13)直至得到C个误差e1，e2，…，eC，并将这些误差合并成一个误差向量e＝[e1，e2，…，eC]；步骤(15)：对误差e实施与步骤(6)中相同的标准化处理得到新向量步骤(16)：根据如下所示公式计算监测统计指标I2与SPE：上式中，上标号T表示矩阵或者向量的转置；步骤(17)：判断是否满足条件：且SPE≤SPE_lim？若是，则当前监测时刻系统处于正常运行状态，返回步骤(11)继续实施在线故障监测；若否，则当前采样数据来自故障工况。