【技术实现步骤摘要】
基于动静特征协同分析和有序时段划分的闭环系统过程监测方法
本专利技术属于间歇过程统计监测领域,特别是涉及了一种考虑闭环系统的调节作用,基于动静特征协同分析,将一个多操作步骤的间歇过程自动划分为不同的时段并根据时段划分结果进行过程监测的方法。
技术介绍
随着经济发展,人们的个性化需求增多,市场需求变化加快,多品种、多规格和高质量的产品需求增长,为了迎合这些需求,工业生产更加倚重于生产小批量、高附加值产品的间歇过程。作为工业生产中一种重要的生产方式,间歇过程与人们的生活息息相关,已被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域。多时段性是间歇过程的一个显著特点,间歇操作中的过程变量相关关系跟随过程操作进程或过程机理特性的变化发生规律性的改变,呈现分段性。在同一时段中,不同采样时刻过程变量的相关关系近似一致;在不同时段中,每个时段具有不同的过程变量轨迹、运行模式以及相关性特征,变量相关性有显著差异。为了获得理想的产品质量,每个时段都有其特定的控制目标,且在每个被良好控制的时段间可能存在短暂的过渡阶段。显然,对于间歇过程的监测不能只考虑过程整体的运行情况,更应该深入分析每个子时段的潜在的过程相关特性。Kosanovich等人在对一个聚合物反应工业过程中应用MPCA时,针对过程中两个明显具有不同特征的反应时段分别建立MPCA模型,该模型对比单模型监测性能有较大提升。将一个间歇过程合理地划分成不同的子时段并且区分出稳定时段和过渡时段,不仅可以加强对过程的分析和理解,更是后续基于时段进行统计建模和实时故障检测的基础与关键。本专利中所提出方法具体应用背景 ...
【技术保护点】
1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个间歇操作具有J个测量变量,对每一个测量变量测量K次,这样,一次间歇操作的数据可以组成一个二维数据矩阵X(K×J);重复I次间歇操作,得到的数据可以表述为一个三维矩阵X(I×J×K)。(2)数据预处理:将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J),其中,下标k是时间指标;设二维矩阵Xk内任意一点的变量为xijk,对该变量进行减均值、除以标准差的标准化处理,其中,下标i代表批次,j代表变量,标准化处理的计算公式如下:
【技术特征摘要】
1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个间歇操作具有J个测量变量,对每一个测量变量测量K次,这样,一次间歇操作的数据可以组成一个二维数据矩阵X(K×J);重复I次间歇操作,得到的数据可以表述为一个三维矩阵X(I×J×K)。(2)数据预处理:将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J),其中,下标k是时间指标;设二维矩阵Xk内任意一点的变量为xijk,对该变量进行减均值、除以标准差的标准化处理,其中,下标i代表批次,j代表变量,标准化处理的计算公式如下:其中:k是时间片指标,是Xk矩阵第j列的均值,sjk是Xk矩阵第j列的标准差,为标准化后的二维矩阵Xk内任意一点的变量;其中,将二维矩阵Xk(I×J)标准化后,得到每列均值为0,方差为1的时间片矩阵(3)时间片SFA建模,该步骤由以下子步骤来实现:(3.1)建立每个时间片的SFA模型:对标准化处理后的每一个时间片矩阵建立SFA模型,得到每个时间片SFA模型,其中SFA建模公式如下:其中,sk为第k个时间片的慢特征,Wk为第k个时间片的转换矩阵,T表示转置;(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限:其中,是sk的一阶微分,Ωk是的经验协方差矩阵;根据相同时刻不同批次的T2值服从带权重系数的χ2分布,从而确定出控制限Ctrk,T;利用核密度估计求出S2的控制限Ctrk,S,二者分别从不同方面反应了时间片SFA模型的重构能力。(4)基于时段的SFA建模,该步骤由以下子步骤来实现:(4.1)从间歇过程初始点开始,依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J),标准化后得到矩阵其中,h代表由h个时间片矩阵组成该时段矩阵,下标c是时段指标;对新的时段矩阵进行SFA建模:其中,sc为第c个时段的慢特征,Wc为第c个时段的转换矩阵,T表示转置;(4.2)计算各时段c的静态监测统计量T2和动态监测统计量S2的控制限:其中,是sc的一阶微分,Ωc是的经验协方差矩阵;根据相同时刻不同批次的T2值服从带权重系数的χ2分布,从而确定出控制限Ctrc,T;利用核密度估计求出S2的控制限Ctrc,S;(5)确定时段划分点k*:比较在相同时间区域内的Ctrk,T与Ctrc,T,Ctrk,s与Ctrc,S,定义连续三个样本呈现Ctrk>αCtrc,称两个控制限不相似,反之则称两个控制限相似;其中,α是依附于Ctrc的常数,称作缓和因子,它反应的是与时间片模型相比,时段模型允许监测精度损失的程度;若控制限不相似,说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响;有两组控制限:Ctrk,T与Ctrc,T,Ctrk,S与Ctrc,S分别进行比较,结果有四种,每种结果与其对应的时段划分操作如下表所示:其中,时段划分操作是指,将新加入的时间片前的时刻记为k*,将k*时刻之前的时间片认为是一个子时段,进行时段划分;(6)过程分析数据更新,确定所有划分时段:根据步骤5中所获得的时刻k*的指示,移除第一个子时段,把余下的间歇过程数据作为新的输入数据带入到第5步中。(7)重复上述步骤5-6,划分不同时间段,直到没有数据余留;(8)基于时段划分结果的动静协同过程监测模型建立,该步骤由以下子步骤来实现:(8.1)建立基于时段的局部SFA模型用于监测过程静态行为:根据步骤6时段划分结果,每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组,Xc(IKc×J),标准化后得到矩阵其中,下标c是时段指标,Kc代表已划分好的第c个时段的组成该时段的时间片个数,然后建立第c个...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。