本發(fā)明涉及一種工業(yè)過程故障檢測(cè)方法，尤其涉及一種基于量綱可變型獨(dú)立元分析模型的故障檢測(cè)方法。

背景技術(shù)：

隨著計(jì)算機(jī)技術(shù)在工業(yè)系統(tǒng)中的廣泛應(yīng)用，現(xiàn)代化工業(yè)生產(chǎn)過程正在邁向“大數(shù)據(jù)時(shí)代”，海量的生產(chǎn)過程數(shù)據(jù)資源為數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)、軟測(cè)量、控制、優(yōu)化等提供堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。其中，數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法于近年來得到了空前的發(fā)展，各種故障檢測(cè)模型層出不窮。以主成分分析(principalcomponentanalysis，pca)與獨(dú)立成分分析(independentcomponentanalysis，ica)算法為代表的多變量統(tǒng)計(jì)過程監(jiān)測(cè)方法得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，產(chǎn)生了適合不同工況類型的故障檢測(cè)實(shí)施方案。與基于pca的故障檢測(cè)方法相比較而言，ica算法在建模的過程中旨在提取在高階統(tǒng)計(jì)意義上相互獨(dú)立的成分信息，可應(yīng)對(duì)非高斯的過程數(shù)據(jù)對(duì)象。正因?yàn)槿绱耍趇ca的故障檢測(cè)方法在監(jiān)測(cè)現(xiàn)代化復(fù)雜工業(yè)過程對(duì)象時(shí)，其所取得故障檢測(cè)效果通常優(yōu)越于傳統(tǒng)的pca方法。

值得指出的是，無論是基于pca，還是基于ica的故障檢測(cè)模型，它們?cè)陔x線建模階段都需要對(duì)正常工況下的采樣數(shù)據(jù)實(shí)施標(biāo)準(zhǔn)化預(yù)處理以消除測(cè)量變量量綱間的差異。由于任何一個(gè)測(cè)量變量對(duì)應(yīng)的采樣數(shù)據(jù)出現(xiàn)問題，都可以說過程進(jìn)入非正常的運(yùn)行狀態(tài)，因此每個(gè)測(cè)量變量的重要性是一致的。在建模前為了消除各個(gè)測(cè)量變量變化范圍(量綱)對(duì)建模結(jié)果的影響，標(biāo)準(zhǔn)化處理將所有測(cè)量變量的量綱統(tǒng)一化是一個(gè)勢(shì)在必行的過程?？墒?，從故障檢測(cè)的角度出發(fā)，若能將測(cè)量變量的量綱差異體現(xiàn)出來，就相當(dāng)于為不同變量賦予了不同的權(quán)重系數(shù)，相應(yīng)的故障檢測(cè)模型就會(huì)對(duì)某些故障種類更為敏感，從而可以有效地提升故障檢測(cè)效果。由于故障檢測(cè)模型在離線建模階段時(shí)只利用了正常工況下的采樣數(shù)據(jù)集，可以看成是一種無監(jiān)督型的建模思路。因此，只有正常數(shù)據(jù)而缺乏故障數(shù)據(jù)的條件下，無法有針對(duì)性的將量綱差異體現(xiàn)出來，這時(shí)標(biāo)準(zhǔn)化處理貌似就成了“不得已而為之”的預(yù)處理方案了。為了提高傳統(tǒng)基于ica的故障檢測(cè)模型的監(jiān)測(cè)效果，量綱可變是一種可行的實(shí)施方案。唯一的難點(diǎn)在于如何在只有正常數(shù)據(jù)可用來建模的前提下，有指導(dǎo)性的挖掘量綱差異，從而在此基礎(chǔ)上建立量綱可變的故障檢測(cè)模型。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的主要技術(shù)問題是：從正常數(shù)據(jù)統(tǒng)計(jì)特性角度出發(fā)，挖掘測(cè)量變量間的量綱差異，并建立基于量綱可變型的ica故障檢測(cè)模型以實(shí)施在線故障檢測(cè)。具體來講，本發(fā)明方法在離線建模階段首先按照傳統(tǒng)ica建模的思路得到模型的分離矩陣，然后依據(jù)分離矩陣各列向量上元素?cái)?shù)值的差異，對(duì)應(yīng)地為過程測(cè)量變量賦予不同的權(quán)重以體現(xiàn)量綱的差異，并再次建立ica故障檢測(cè)模型。由于分離矩陣有多個(gè)列向量，每個(gè)列向量都體現(xiàn)了測(cè)量變量在該投影方向上的差異，對(duì)應(yīng)有多種不同的量綱可變形式，可建立多個(gè)ica故障檢測(cè)模型。因此，在線實(shí)施故障檢測(cè)時(shí)，則調(diào)用這多個(gè)ica模型計(jì)算相應(yīng)的監(jiān)測(cè)統(tǒng)計(jì)量，并利用貝葉斯推理得到最終的概率型監(jiān)測(cè)指標(biāo)，從而簡化最后是否觸發(fā)故障報(bào)警的決策。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于量綱可變型獨(dú)立元分析模型的故障檢測(cè)方法，包括以下步驟：

(1)采集生產(chǎn)過程正常運(yùn)行狀態(tài)下的數(shù)據(jù)樣本，組成訓(xùn)練數(shù)據(jù)集x∈r^n×m，并對(duì)每個(gè)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為0，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣其中，n為訓(xùn)練樣本數(shù)，m為過程測(cè)量變量數(shù)，r為實(shí)數(shù)集，r^n×m表示n×m維的實(shí)數(shù)矩陣。

(2)利用pca方法對(duì)數(shù)據(jù)矩陣進(jìn)行白化處理得到數(shù)據(jù)矩陣z∈r^n×m。其中，m≤m為矩陣z中變量個(gè)數(shù)。

(3)利用ica算法為訓(xùn)練數(shù)據(jù)求解得到分離矩陣w∈r^m×p，其中p為分離矩陣中的列向量的個(gè)數(shù)。

(4)根據(jù)分離矩陣w＝[w1，w2，…，wp]中各個(gè)列向量wj∈r^m×1元素的差異，對(duì)應(yīng)為矩陣中各列賦予不同的權(quán)重，相應(yīng)的得到數(shù)據(jù)矩陣xj，其中，下標(biāo)號(hào)j＝1，2，…，p。

(5)再次利用ica算法分別為量綱改變后的訓(xùn)練數(shù)據(jù)矩陣x1，x2，…，xp求解分離矩陣(w1，w2，…，wp)與混合矩陣(a1，a2，…，ap)，建立對(duì)應(yīng)的p個(gè)ica模型。

(6)確定每個(gè)ica模型故障監(jiān)測(cè)統(tǒng)計(jì)量所對(duì)應(yīng)的控制限，保留模型參數(shù)集θ1，θ2，…，θp以備在線監(jiān)測(cè)調(diào)用。

(7)采集過程對(duì)象新采樣時(shí)刻的數(shù)據(jù)xnew∈r^m×1，對(duì)其實(shí)施與訓(xùn)練數(shù)據(jù)集x相同的標(biāo)準(zhǔn)化處理得到

(8)根據(jù)分離矩陣w中各個(gè)列向量wj，對(duì)中各測(cè)量變量實(shí)施相同的加權(quán)處理，對(duì)應(yīng)得到量綱改變后的數(shù)據(jù)向量y1，y2，…，yp。

(9)調(diào)用模型參數(shù)集θ1，θ2，…，θp實(shí)施在線故障檢測(cè)，并利用貝葉斯推理將多個(gè)監(jiān)測(cè)統(tǒng)計(jì)量融合為一個(gè)概率型指標(biāo)方便決策故障發(fā)生與否。

與傳統(tǒng)方法相比，本發(fā)明方法的優(yōu)勢(shì)主要在于：

首先，本發(fā)明方法通過對(duì)不同變量賦予不同的權(quán)重，使各測(cè)量變量的量綱不一致，從而實(shí)現(xiàn)了將測(cè)量變量的不同等重要性考慮進(jìn)建模中。此外，本發(fā)明方法實(shí)施量綱可變型建模時(shí)，采用了多組不同的量綱可變方式以建立多個(gè)ica故障檢測(cè)模型。相比于傳統(tǒng)單個(gè)ica模型的故障檢測(cè)方法而言，本發(fā)明方法是用多模型實(shí)施故障檢測(cè)的，對(duì)正常數(shù)據(jù)特征的描述就更加全面。因此，本發(fā)明方法可以提升傳統(tǒng)基于ica的故障檢測(cè)方法的過程監(jiān)測(cè)性能。值得指出的是，本發(fā)明方利用ica算法建立故障檢測(cè)模型主要考慮了過程數(shù)據(jù)的非高斯特性，本發(fā)明方法當(dāng)然也可以借鑒其他非線性的建模算法，以實(shí)現(xiàn)對(duì)非線性過程對(duì)象的故障檢測(cè)。

附圖說明

圖1為本發(fā)明方法的實(shí)施流程圖。

圖2為ica算法求解過程示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明方法進(jìn)行詳細(xì)的說明。

如圖1所示，本發(fā)明公開一種基于量綱可變型獨(dú)立元分析模型的故障檢測(cè)方法。具體的實(shí)施步驟如下所示：

步驟1：采集生產(chǎn)過程正常運(yùn)行狀態(tài)下的數(shù)據(jù)樣本，組成訓(xùn)練數(shù)據(jù)集x∈r^n×m，并對(duì)每個(gè)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為0，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣其中，n為訓(xùn)練樣本數(shù)，m為過程測(cè)量變量數(shù)，r為實(shí)數(shù)集，r^n×m表示n×m維的實(shí)數(shù)矩陣。

步驟2：利用pca方法對(duì)數(shù)據(jù)矩陣進(jìn)行白化處理得到數(shù)據(jù)矩陣z∈r^n×m。其中，m≤m為矩陣中變量個(gè)數(shù)，具體的實(shí)施過程如下所示：

①計(jì)算的協(xié)方差矩陣其中s∈r^m×m；

②計(jì)算矩陣s的所有特征值和特征向量，并剔除小于0.0001的特征值及其對(duì)應(yīng)的特征向量，得到特征向量組成的矩陣b＝[b1，b2，…，bm]∈r^m×m以及特征值組成的對(duì)角矩陣d∈r^m×m；

③按照公式對(duì)進(jìn)行白化處理以得到矩陣z；

步驟3：利用ica算法為訓(xùn)練數(shù)據(jù)求解得到分離矩陣w∈r^m×p，其中p為分離矩陣中的列向量的個(gè)數(shù)，相應(yīng)的實(shí)施過程如圖2所示，具體包括以下流程：

①設(shè)定需要提取的獨(dú)立成分個(gè)數(shù)p，并初始化k＝1；

②選取單位矩陣i∈r^m×m中的第k列做為向量ck的初始值；

③根據(jù)公式ck←e{zg(ck^tz)}-e{h(ck^tz)}ck更新向量ck，其中，g(ck^tz)與h(ck^tz)的計(jì)算方式如下所示：

g(ck^tz)＝4·(ck^tz)³(1)

h(ck^tz)＝12·(ck^tz)²(2)

e{}表示求取向量的平均值；

④對(duì)更新后的向量ck依次按照下式進(jìn)行正交歸一化處理：

ck←ck/||ck||(4)

⑤重復(fù)③～④直至向量ck中各元素不再發(fā)生變化，然后保存向量ck

⑥判斷k＜p？若是，置k＝k+1后返回②；若否，將保存的d個(gè)向量c1，c2，…，cp組成一個(gè)矩陣c＝[c1，c2，…，cd]∈r^m×d。

⑦按照如下所示公式分別計(jì)算ica模型的混合矩陣a與分離矩陣w：

a＝c^td^1/2b^t(5)

w＝bd^-1/2c(6)

步驟4：根據(jù)分離矩陣w＝[w1，w2，…，wp]中各個(gè)列向量wj∈r^m×1元素的差異，對(duì)應(yīng)為矩陣中各列賦予不同的權(quán)重，按照如下所示公式得到數(shù)據(jù)矩陣xj：

其中，下標(biāo)號(hào)j＝1，2，…，p，對(duì)角線上的元素wj，1，wj，2，…，wj，m分別是向量wj中的第1，2，…，m個(gè)元素。

步驟5：再次利用ica算法分別為量綱改變后的訓(xùn)練數(shù)據(jù)矩陣x1，x2，…，xp求解分離矩陣(w1，w2，…，wp)與混合矩陣(a1，a2，…，ap)，具體的實(shí)施過程與步驟3類似，這里不再贅述。

步驟6：確定每個(gè)ica模型故障監(jiān)測(cè)統(tǒng)計(jì)量所對(duì)應(yīng)的控制限，保留模型參數(shù)集θ1，θ2，…，θp以備在線監(jiān)測(cè)調(diào)用，具體的實(shí)施過程如下所示：

①根據(jù)公式y(tǒng)j＝xjwj計(jì)算得到獨(dú)立成分矩陣yj∈r^n×p；

②根據(jù)公式ej＝xj-yjaj^t計(jì)算得到殘差矩陣ej∈r^n×m；

③根據(jù)公式t＝diag(yjyj^t)計(jì)算向量t∈r^n×1，其中diag(yjyj^t)表示將矩陣yjyj^t的對(duì)角線元素組成列向量；

④將向量t中的元素從大至小降序排列，將排在第n/10位的數(shù)值確定為統(tǒng)計(jì)量ij²的控制限

⑤根據(jù)公式q＝diag(ejej^t)計(jì)算向量q∈r^n×1；

⑥將向量q中的元素從大至小降序排列，將排在第n/10位的數(shù)值確定為統(tǒng)計(jì)量qj的控制限qj，hm；

⑦保留模型參數(shù)集

步驟7：采集過程對(duì)象新采樣時(shí)刻的數(shù)據(jù)xnew∈r^m×1，對(duì)其實(shí)施與訓(xùn)練數(shù)據(jù)集x相同的標(biāo)準(zhǔn)化處理得到

步驟8：根據(jù)分離矩陣w中各個(gè)列向量wj，按照如下所示公式對(duì)中各測(cè)量變量實(shí)施相同的加權(quán)處理：

對(duì)應(yīng)得到量綱改變后的數(shù)據(jù)向量yj∈r^1×m，其中，上標(biāo)號(hào)t表示矩陣或向量的轉(zhuǎn)置。

步驟9：調(diào)用模型參數(shù)集θ1，θ2，…，θp實(shí)施在線故障檢測(cè)，并利用貝葉斯推理將多個(gè)監(jiān)測(cè)統(tǒng)計(jì)量融合為概率指標(biāo)從而方便決策故障發(fā)生與否，具體的實(shí)施過程如下所示：

①利用參數(shù)集θj中的分離矩陣wj和aj，按照如下所示公式計(jì)算監(jiān)測(cè)統(tǒng)計(jì)量ij²與qj，hm：

ij²＝y(tǒng)jwjwj^tyj^t(9)

qj＝||yj-yjwjaj^t||²(10)

上式中，符號(hào)||||表示求取向量的長度；

②按照如下所示公式計(jì)算條件概率

上式中，n和f分別表示正常和故障工況；

③按照如下所示公式計(jì)算概率

上式中，β為置信限，通常取β＝99％；

④按照如下所示公式計(jì)算新數(shù)據(jù)屬于故障的概率

⑤按照如下所示公式計(jì)算得到對(duì)應(yīng)于ij²統(tǒng)計(jì)量的概率融合指標(biāo)bi：

⑥計(jì)算對(duì)應(yīng)于qj統(tǒng)計(jì)量的概率融合指標(biāo)bq的實(shí)施過程與以上步驟②～⑤類似，這里就不再贅述；

⑦判斷bi或bq指標(biāo)數(shù)值是否大于1-β？若是，則觸發(fā)故障警報(bào)；若否，繼續(xù)監(jiān)測(cè)下一個(gè)采樣時(shí)刻的數(shù)據(jù)樣本。

上述實(shí)施案例只用來解釋說明本發(fā)明的具體實(shí)施過程，而不是對(duì)本發(fā)明進(jìn)行限制。在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改，都落入本發(fā)明的保護(hù)范圍。