一种基于不等长时段自动有序划分的过程监测方法技术

本发明专利技术公开了一种基于不等长时段自动有序划分的过程监测方法，该方法使用与监测性能相关的过程相似性衡量指标，有效捕捉了具有不等长操作周期的批次过程的不规则过程特性，从而将不等长批次过程自动有序地划分为多个不等长时段。其后，基于不等长子时段的划分结果建立了监测模型，并针对不同时间区域采取不同的监测策略，有效监测了过程的运行状态，区分了故障与时段转换。本发明专利技术简单易于实施，不仅有利于对具体过程特性的了解，而且增强了实际在线过程监测的可靠性和可信度，有助于工业工程师对过程运行状态做出准确判断，及时发现故障，从而保证实际生产的安全可靠运行和产品的高质量追求。

【技术实现步骤摘要】
一种基于不等长时段自动有序划分的过程监测方法
本专利技术属于批次过程统计监测领域，特别是涉及一种基于不等长时段自动有序划分的过程监测方法。
技术介绍
作为工业生产中一种重要的生产方式，批次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。近年来，随着现代社会对多品种、多规格和高质量产品更迫切的市场需求，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。批次生产的安全可靠运行以及产品的高质量追求已成为人们关注的焦点。基于数据的多元统计分析技术因其只需要正常工况下的过程数据来建立模型，同时它们在处理高维、高度耦合数据时具有独特的优势，越来越受到研究人员和现场工程师的青睐。批次过程的统计建模、在线监测、故障诊断及质量预测已成为广泛的研究课题。传统的过程监测方法均基于一个理想化的假设：批次过程具有相同的操作周期且每个批次轨迹都是同步的。然而，在实际工业生产中，由于生产条件以及生产目标的不同，批次轨迹往往是不等长的。考虑到批次过程具有多时段特性，那么对于多时段批次过程来说，它的时段在批次方向也是不等长的。不等长的时段数据给过程统计分析和建模带来了困难。为了解决不等长问题，人们做出了一系列的研究，这些研究主要可以分为两大类：直接的信号同步方法和基于不等长时段划分的方法。直接的信号同步方法指使用一些信号处理的方法将批次进行同步。如最简单的将长批次截断至与短批次长度相等的方法以及将短批次数据补充至与长批次相等的方法。前者只适用于不等长批次共同部分的轨迹是重合的情况，后者则需要大量的批次数据而不适用于实际工业生产过程。另一种方法是基于指示变量的方法，即用一个能指示过程开始与结束的变量代替时间指标，运用重采样与插值的手段对批次进行等长化处理。然而，重采样和插值往往改变了批次过程原有的过程特性，并且指示变量往往无法指示各个时段的开始与结束。此外，基于动态时间规整的方法也被用于批次轨迹的同步，该类方法虽然能将批次很好地等长化，但是同样也会改变原始的过程特性，导致过程监测能力下降。总的来说，直接的信号同步的方法没有考虑到批次过程的多时段特性，没有从本质上解决不等长批次的问题。基于不等长时段划分的方法克服了直接信号同步方法的缺点，没有硬性将批次进行等长处理，而是先将不等长的时段划分出来，再针对每个时段建立监测模型，进行在线监测。然而，前人均是采用聚类的方法对不等长时段进行划分，该类方法有以下几个缺点：(1)过程相似性衡量指标与监测性能没有直接关系，导致监测模型精度欠缺；(2)没有考虑批次过程运行在时间上的有序性，从而导致时段划分结果呈现一种“混乱”状态，需要大量的后续处理；(3)采用时间片作为基本的分析单元，单个批次的过程特性容易被掩盖，使得时段划分结果不够精确，进而影响监测模型精度以及在线监测性能。本专利技术的内容深入考虑了不等长批次过程的不规则的时变过程特性和实际过程运行的时序性以及时段划分结果对于之后监测性能的影响，提出了一种新的不等长子时段自动划分及过程监测方法。到目前为止，尚未见到与本专利技术相关的研究报道。
技术实现思路
本专利技术的目的在于针对现有针对不等长批次生产过程的时段划分及过程监测技术的不足，提供一种基于不等长时段自动有序划分的过程监测方法。该方法通过依次分析每个批次的潜在过程特性，有效捕捉了具有不等长操作周期的批次过程的不规则过程特性，从而将不等长批次过程自动有序地划分为多个不等长子时段；并基于不等长子时段建立了监测模型，针对不同时间区域采用不同的监测策略，有效监测了过程的运行状态，区分了故障与时段转换，最终可应用于实际工业生产现场，确保批次生产的安全可靠运行以及产品的高质量追求。本专利技术的目的是通过以下技术方案来实现的：一种自动的步进式有序时段划分方法，该方法包括以下步骤：(1)获取过程分析数据：设每一个不等长批次操作具有J个测量变量和Ki个采样点，则每一个测量批次可得到一个Ki×J的矩阵Xi(Ki×J)，重复I批次的测量步骤后，得到的数据表述为一个不规则的三维矩阵X，其中，i表示批次，测量变量为批次运行过程中可被测量的状态参数；(2)数据预处理：将三维矩阵X按照采集变量方向展开，即保持三维矩阵X变量维度不变，依次将Xi(Ki×J)从上至下排列得到二维矩阵设二维矩阵X内任意一点的变量为xi,j，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：是二维矩阵X任一列的均值，sj是二维矩阵X相应列的标准差，将已标准化的重新排列分离出时间片矩阵Xk(Ik×J)，即其中，k表示采样时间指标，Ik表示每个时间片所包含的批次操作次数；(3)建立初始时段模型，该步骤包括以下子步骤：(3.1)对步骤2标准化处理后得到的时间片矩阵X1(I1×J)表示为Xv,1(I1×J)进行PCA分解，建立初始时段模型，其中PCA分解公式如下：其中：下标v表示时段模型按变量方式展开，tr为正交的主元向量，pr为正交归一化的负载向量，r表示不同的PCA分解方向，上标T表示矩阵的转置；T′(I1×J)代表保留全部主元的得分矩阵，P′v,1(J×J)代表对应的负载矩阵；(3.2)选取主元个数，将公式(3)重新表述成如下形式：其中：r表示不同的PCA分解方向，R为主元个数；T与Pv,1(J×R)分别保留R个主元后的得分矩阵和负载矩阵，E为残差矩阵；(3.3)计算SPE指标，确定初始时段模型控制限：SPEi＝eiTei(5)其中，下标i表示时间片中的批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量；确定出初始时段模型的控制限Ctrv,1＝α*max(SPEi)，其中，α是缓和因子；(4)衡量变量相关性：调用初始时段模型依次计算下一个时间片每个批次的SPE指标：ti＝Pv,1xi其中，下标i表示时间片中的批次，xi为时间片中的每一个批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量，ti表示第i批次的主元得分向量；如果发现SPEi>Ctrlv,1，则继续调用初始时段模型计算该批次下两个时刻的SPE指标，如果有连续三个样本呈现SPEi>Ctrlv,1，那么该批次变量相关性与初始时段模型所表征的特性差别显著，记录该批次第一次超限时间为k*，则该批次k*时刻之前的数据可认为是一个子时段；如果没有连续三个样本呈现SPEi>Ctrlv,1，则认为该批次仍处于当前时段没有进入下一时段；(5)时段模型更新：将下一时间片中仍处于当前时段的批次加入初始时段模型的建模数据中并按变量展开，得到对重新按步骤3进行PCA建模，得到更新后的模型以及控制限Ctrlv,2；(6)确定所有批次的第一时段：重复步骤4～5，直至所有批次的第一时段均被划分出来；(7)过程数据更新，确定所有时段：移除已划分出的不等长子时段数据，将剩余数据重新对齐作为下一次时段划分的数据；重复步骤3～6直到所有不等长时段均被划分出来，至此，每个不等长时段的最短批次长度ks和最长批次长度kl均被确定出来；(8)基于不等长时段划分结果的统计建模，该步骤包括以下子步骤：(8.1)将每个时段内ks+1至kl时刻的时间片Xk(Ik×J)按变量展开构造泛化时间片则ks+1本文档来自技高网...

【技术保护点】
一种基于不等长时段自动有序划分的过程监测方法，其特征在于，该方法包括以下步骤：(1)获取过程分析数据：设每一个不等长批次操作具有J个测量变量和Ki个采样点，则每一个测量批次可得到一个Ki×J的矩阵Xi(Ki×J)，重复I批次的测量步骤后，得到的数据表述为一个不规则的三维矩阵X，其中，i表示批次，测量变量为批次运行过程中可被测量的状态参数；(2)数据预处理：将三维矩阵X按照采集变量方向展开，即保持三维矩阵X变量维度不变，依次将Xi(Ki×J)从上至下排列得到二维矩阵设二维矩阵X内任意一点的变量为xi,j，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：xi,j=xi,j-x‾jsj---(1)]]>其中：是二维矩阵X任一列的均值，sj是二维矩阵X相应列的标准差，x‾j=1SumΣi=1Sumxi,j]]>sj=Σi=1Sum(xij-x‾j)2/(Sum-1)---(2)]]>Sum=Σi=1IKi]]>将已标准化的重新排列分离出时间片矩阵Xk(Ik×J)，即其中，k表示采样时间指标，Ik表示每个时间片所包含的批次操作次数；(3)建立初始时段模型，该步骤包括以下子步骤：(3.1)对步骤2标准化处理后得到的时间片矩阵X1(I1×J)表示为Xv,1(I1×J)进行PCA分解，建立初始时段模型，其中PCA分解公式如下：Xv,1=T′(Pv,1′)T=Σr=1Jtrpr;---(3)]]>其中：下标v表示时段模型按变量方式展开，tr为正交的主元向量，pr为正交归一化的负载向量，r表示不同的PCA分解方向，上标T表示矩阵的转置；T′(I1×J)代表保留全部主元的得分矩阵，P′v,1(J×J)代表对应的负载矩阵；(3.2)选取主元个数，将公式(3)重新表述成如下形式：Xv,1=TPv,1T+E=Σr=1Rtrpr+E---(4)]]>其中：r表示不同的PCA分解方向，R为主元个数；T与Pv,1(J×R)分别保留R个主元后的得分矩阵和负载矩阵，E为残差矩阵；(3.3)计算SPE指标，确定初始时段模型控制限：SPEi＝eiTei    (5)其中，下标i表示时间片中的批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量；确定出初始时段模型的控制限Ctrv,1＝α*max(SPEi)，其中，α是缓和因子；(4)衡量变量相关性：调用初始时段模型依次计算下一个时间片每个批次的SPE指标：ti＝Pv,1xiei=xi-Pv,1Tti---(6)]]>SPEi=eiTei]]>其中，下标i表示时间片中的批次，xi为时间片中的每一个批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量，ti表示第i批次的主元得分向量；如果发现SPEi>Ctrlv,1，则继续调用初始时段模型计算该批次下两个时刻的SPE指标，如果有连续三个样本呈现SPEi>Ctrlv,1，那么该批次变量相关性与初始时段模型所表征的特性差别显著，记录该批次第一次超限时间为k*，则该批次k*时刻之前的数据可认为是一个子时段；如果没有连续三个样本呈现SPEi>Ctrlv,1，则认为该批次仍处于当前时段没有进入下一时段；(5)时段模型更新：将下一时间片中仍处于当前时段的批次加入初始时段模型的建模数据中并按变量展开，得到对重新按步骤3进行PCA建模，得到更新后的模型以及控制限Ctrlv,2；(6)确定所有批次的第一时段：重复步骤4～5，直至所有批次的第一时段均被划分出来；(7)过程数据更新，确定所有时段：移除已划分出的不等长子时段数据，将剩余数据重新对齐作为下一次时段划分的数据；重复步骤3～6直到所有不等长时段均被划分出来，至此，每个不等长时段的最短批次长度ks和最长批次长度kl均被确定出来；(8)基于不等长时段划分结果的统计建模，该步骤包括以下子步骤：(8.1)将每个时段内ks+1至kl时刻的时间片Xk(Ik×J)按变量展开构造泛化时间片则ks+1至kl时刻的时间片Xk(Ik×J)均可由泛化时间片表示；(8.2)根据步骤7的时段划分结果，每个时段内的时间片Xk(Ik×J)及泛化时间片按公式(1)进行标准化处理，获得时段内每个时刻的均值和标准差；(8.3)将每个时段内1至ks时刻的时间片Xk(Ik×J)和泛化时间片按变量展开得到对进行PCA建模：Tc＝XcPc，sXc=TcPc,sT+Ec=XcPc,sPc,sT+EcX^c=TcPc,sT=XcPc,sPc,sT---(7)]]>Ec=Xc-X^c=XcPc,ePc,eT]]>其中，下标c表示时段指标，s表示主元空间，e表...

【技术特征摘要】
1.一种基于不等长时段自动有序划分的过程监测方法，其特征在于，该方法包括以下步骤：(1)获取过程分析数据：设每一个不等长批次操作具有J个测量变量和Ki个采样点，则每一个测量批次可得到一个Ki×J的矩阵Xi(Ki×J)，重复I批次的测量步骤后，得到的数据表述为一个不规则的三维矩阵X，其中，i表示批次，测量变量为批次运行过程中可被测量的状态参数；(2)数据预处理：将三维矩阵X按照采集变量方向展开，即保持三维矩阵X变量维度不变，依次将Xi(Ki×J)从上至下排列得到二维矩阵设二维矩阵X内任意一点的变量为xi,j，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：是二维矩阵X任一列的均值，sj是二维矩阵X相应列的标准差，将已标准化的重新排列分离出时间片矩阵Xk(Ik×J)，即其中，k表示采样时间指标，Ik表示每个时间片所包含的批次操作次数；(3)建立初始时段模型，该步骤包括以下子步骤：(3.1)对步骤2标准化处理后得到的时间片矩阵X1(I1×J)表示为Xv,1(I1×J)进行PCA分解，建立初始时段模型，其中PCA分解公式如下：其中：下标v表示时段模型按变量方式展开，tr为正交的主元向量，pr为正交归一化的负载向量，r表示不同的PCA分解方向，上标T表示矩阵的转置；T′(I1×J)代表保留全部主元的得分矩阵，P′v,1(J×J)代表对应的负载矩阵；(3.2)选取主元个数，将公式(3)重新表述成如下形式：其中：r表示不同的PCA分解方向，R为主元个数；T与Pv,1(J×R)分别保留R个主元后的得分矩阵和负载矩阵，E为残差矩阵；(3.3)计算SPE指标，确定初始时段模型控制限：SPEi＝eiTei(5)其中，下标i表示时间片中的批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量；确定出初始时段模型的控制限Ctrlv,1＝α*max(SPEi)，其中，α是缓和因子；(4)衡量变量相关性：调用初始时段模型依次计算下一个时间片每个批次的SPE指标：其中，下标i表示时间片中的批次，xi为时间片中的每一个批次，ei是第i批次的残差列向量，即ei为E的第i行向量的转置向量，ti表示第i批次的主元得分向量；如果发现SPEi>Ctrlv,1，则继续调用初始时段模型计算该批次下两个时刻的SPE指标，如果有连续三个样本呈现SPEi>Ctrlv,1，那么该批次变量相关性与初始时段模型所表征的特性差别显著，记录该批次第一次超限时间为k*，则该批次k*时刻之前的数据可认为是一个子时段；如果没有连续三个样本呈现SPEi>Ctrlv,1，则认为该批次仍处于当前时段没有进入下一时段；(5)时段模型更新：将下一时间片中仍处于当前时段的批次加入初始时段模型的建模数据中并按变量展开，得到对重新按步骤3进行PCA建模，得到更新后的模型以及控制限Ctrlv,2；(6)确定所有批次的第一时段：重复步骤4～5，直至所有批次的第一时段均被划分出来；(7)过程数据更新，确定所有时段：移除已划分出的不等长子时段数据，将剩余数据重新对齐作为下一次时段划分的数据；重复步骤3～6直到所有不等长时段均被划分出来，至此，每个不等长时段的最短批次长度ks和最长批次长度kl均被确定出来；(8)基于不等长时段划分结果的统计建模，该步骤包括以下子步骤：(8.1)将每个时段内ks+1至kl时刻的时间片Xk(Ik×J)按变量展开构造泛化时间片则ks+1至kl时刻的时间片Xk(Ik×J)均可由泛化时间片表示；(8.2)根据步骤7的时段划分结果，每个时段内的时间片Xk(Ik×J)及泛化时间片按公式(1)进行标准化处理，获得时段内每个时刻的均值和标准差；(8.3)将每个时段内1至ks时刻的时间片Xk(Ik×J)和泛化时间片按变量展开得到对进行PCA建模：

【专利技术属性】
技术研发人员：李文卿，赵春晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33