[发明专利]一种基于多块非线性交叉关系模型的分布式故障检测方法

摘要

本发明公开一种基于多块非线性交叉关系模型的分布式故障检测方法，旨在建立分布式的多块非线性交叉关系模型，从而实施有效的分布式故障检测。具体来讲，本发明方法首先根据各生产单元测量变量的归属，将所有测量变量划分成不重叠的多个变量子块；其次，利用RBF网络为各个变量子块及其它变量子块之间的非线性交叉关系模型；最后，利用剔除交叉关系影响的误差实施建模与故障检测。与传统方法相比，本发明方法在建模过程中考虑了块与块之间的非线性交叉关系。因此，本发明方法理应具备更优秀的故障检测性能，是一种更为优选的分布式故障检测方法。

主权项

1.一种基于多块非线性交叉关系模型的分布式故障检测方法，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)：根据过程对象流程图确定C个生产子单元后，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，并保证每个测量变量在各变量子块中累计出现的次数仅有一次；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个变量子块中的变量个数且满足条件∑m_c＝m；步骤(4)：设置RBF神经网络隐层节点数k，并初始化c＝1；步骤(5)：将第c个子矩阵X_c做为RBF网络模型的输出，同时将Z_c＝[X₁，…，X_c‑1，X_c+1，…X_C]做为RBF网络模型的输入，训练得到相应的RBF网络，那么由输入Z_c到输出X_c之间的非线性关系即为第c个子块与其他变量子块之间的非线性交叉关系模型，其中为RBF网络对输出的估计值；步骤(6)：根据公式计算误差矩阵后，判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(5)；若否，则保留得到C个非线性交叉关系模型，并将C个误差矩阵合并成一个误差矩阵E＝[E₁，E₂，…，E_C]；步骤(7)：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(8)：利用主成分分析算法为建立相应的故障检测模型，并保留模型参数集Θ＝{P，Λ，D_lim，Q_lim}以备调用，其中P为投影变量矩阵，Λ是由特征值组成的对角矩阵，D_lim与Q_lim分别表示监测统计量D与Q的控制上限；在线过程监测阶段的实施过程如下所示：步骤(9)：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(10)：根据步骤(2)中的C个不同的变量子块，对应地将样本向量分成C个不同的子向量x₁，x₂，…，x_C，并初始化c＝1；步骤(11)：调用步骤(5)中保留的第c个非线性交叉关系模型，根据公式ec＝xc‑f(yc)计算出误差向量ec，其中，y＝[x1，…，xc‑1，xc+1，…，xC]；步骤(12)：判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(11)；若否，则将得到的C个误差e1，e2，…，eC合并成一个误差向量e＝[e1，e2，…，eC]；步骤(13)：对误差e实施与步骤(7)中相同的标准化处理得到新向量步骤(14)：根据如下所示公式计算监测统计指标D与Q：上式中，I为m×m维的单位矩阵；步骤(15)：判断是否满足条件：D≤Dlim且Q≤Qlim？若是，则当前监测时刻系统处于正常运行状态，返回步骤(9)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。