[发明专利]一种基于多块典型相关分析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典型相关分析模型的分布式故障检测方法，在多块故障模型建立过程中将各子块之间的相关性考虑进来，并在此基础上实施分布式的故障检测。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多个变量子块；其次，针对每个变量子块，利用典型相关分析算法挖掘出该子块与其他子块之间最体现相关性特征的典型成分；最后，利用典型成分实施分布式的故障检测。相比于传统方法，由于本发明方法考虑了各子块与其他子块之间的相关性，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

1.一种基于多块典型相关分析模型的分布式故障检测方法，其特征在于：所述方法包括以下步骤：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，计算X中各列向量的均值μ₁，μ₂，…，μ_m以及标准差δ₁，δ₂，…，δ_m，并按照如下所示公式对X中各行向量进行标准化处理得到新数据矩阵即：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，x∈R^1×m表示矩阵X中任意一个行向量，为行向量x经标准化处理后的结果，均值行向量μ＝[μ₁，μ₂，…，μ_m]，ζ∈R^m×m为对角矩阵且对角线上的元素为标准差δ₁，δ₂，…，δ_m；步骤(2)根据各测量变量的生产单元归属，将m个测量变量划分成C个不同的变量子块，C表示过程对象中生产单元的个数；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并初始化c＝1，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m₁+m₂+…+m_C＝m；步骤(4)将X₁，X₂，…，X_C中除第c个矩阵子块X_c以外的矩阵子块合并成一个矩阵Z_c，利用典型相关分析算法求解得到典型成分具体的实施过程如下所示：①根据如下所示公式分别计算得到相关性矩阵Φ1、Φ2、Φ3、和Φ4：其中，上标号T表示矩阵或向量的转置；②计算Θ_c＝Φ₁^‑1Φ₂Φ₃^‑1Φ₄的所有特征值及相应的特征向量此步骤中要求所有特征向量都为单位长度；③根据公式U_c＝X_cB_c计算得到典型成分矩阵U_c，其中步骤(5)根据公式Dc＝diag(UcΛc‑1UcT)计算训练数据中第c个子块所有样本数据的监测统计指标组成向量Dc，并找出Dc中最大值记录为ξc，其中矩阵Λc＝UcUcT/(n‑1)；步骤(6)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(4)；若否，则保留矩阵Λ1，Λ2，…，ΛC、矩阵B1，B2，…，BC、以及各子块统计指标控制限ξ1，ξ2，…，ξC；步骤(7)收集新采样时刻的数据样本y∈R^1×m，根据公式对数据向量y实施标准化处理得到新数据向量步骤(8)根据步骤(2)中的C个不同的变量子块，对应地将数据向量对应地分成C个不同的子向量y₁，y₂，…，y_C，并初始化c＝1；步骤(9)根据公式uc＝ycBc计算第c个子块下的典型成分uc；步骤(10)根据公式Dc＝ucΛc‑1ucT计算第c个子块下的监测统计指标Dc；步骤(11)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(9)；若否，则依据贝叶斯概率融合将D1，D2，…，DC融合成一个概率型指标BIC；步骤(12)判断是否满足条件：BIC≤0.01？若是，则当前监测时刻系统处于正常运行状态，返回步骤(7)继续对下一采样时刻的样本实施在线故障检测；若否，则当前采样数据来自故障工况。