一种基于分散式OSC-PLS回归模型的故障检测方法技术

本发明专利技术公开一种基于分散式OSC‑PLS回归模型的故障检测方法，旨在从同等对待各测量变量的角度出发，建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明专利技术方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。相比于传统方法，本发明专利技术方法在利用分散式建模的基础上同等的为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度从而保证了后续的故障检测性能。可以说，本发明专利技术方法是一种更为优选的数据驱动故障检测方法。

A fault detection method based on decentralized OSC-PLS regression model

The invention discloses a fault detection method based on a decentralized OSC_PLS regression model, aiming at establishing an effective fault detection model to implement more reliable fault detection from the point of view of treating each measurement variable equally. Specifically, the method uses the strategy of decentralized modeling for reference, after eliminating the orthogonal uncorrelated signals between each measurement variable and other measurement variables, establishes the regression model between them by using PLS regression algorithm, and then implements fault detection by using the estimation error of each measurement variable. Compared with the traditional method, the method of the invention establishes the respective regression model for each measurement variable on the basis of the decentralized modeling, and removes the orthogonal uncorrelated signals from each regression model, thus guaranteeing the soft-sensing precision of the regression model to the greatest extent and guaranteeing the subsequent fault detection performance. . It can be said that the method of the invention is a more preferred data driven fault detection method.

【技术实现步骤摘要】
一种基于分散式OSC-PLS回归模型的故障检测方法
本专利技术涉及一种数据驱动的故障检测方法，尤其涉及一种基于分散式OSC-PLS回归模型的故障检测方法。
技术介绍
随着全球化市场竞争日趋激烈化，有效地保证生产的正常运行是现代过程工业面临的主要挑战。因此，故障检测在整个综合自动化系统中占有着重要地位。在已有的科研文献与专利资料中，实施故障检测的技术手段可以大体上分为基于机理模型的与数据驱动的。基于机理模型的故障检测方法以误差生成为核心要素，通过过程对象精确的机理模型产生过程对象某些参数或变量的实测值与估计值之间的误差，然后监测估计误差的变化情况来反应过程对象是否处于正常生产工况。近年来，由于计算机技术的飞跃发展和工业规模的不断扩大，工业过程能够测量和存储的数据信息越来越大而精确描述过程的机理模型却难以获得。数据驱动的过程监测技术就是在这个背景下应运而生的，其中针对多变量统计过程监测(MSPM)的研究已得到了工业界和学术界的广泛关注。通常来讲，数据驱动的故障检测方法在于对正常工况下的采样数据进行特征挖掘，从而提取出少数几个特征成分，然后对特征成分计算相应的统计量指标以判断在线采样数据是否来自于正常工况。数据驱动的故障检测方法主要以主元分析(PrincipalComponentAnalysis，PCA)、独立元分析(IndependentComponentAnalysis，ICA)、和偏最小二乘(PartialLeastSquare，PLS)算法为基础，相应的研究成果层出不穷。一般来讲，PLS算法及其拓展形式主要用于与质量相关的故障检测研究，旨在建立输入数据与质量指标之间的软测量关系。而PCA算法是一种无监督型的特征挖掘算法，旨在提取训练数据的潜在有用特征成分。但无论是利用哪种算法的建立故障检测模型，其基本思想都是对原始数据进行投影变换。而进行投影变换时，这些投影变换向量上各系数其实可看做成不同变量的权重系数。从这一角度讲，不同投影变换向量为不同变量赋予不同的权值，每个变量经投影转换后因权值的差异而导致这些变量重要性程度是不等同的。然而，从故障检测的角度出发，每个测量变量的异常变化都能表征过程对象出现了故障，各个测量变量在故障检测中的重要性是等同的。因此，传统数据驱动的故障检测方法在故障检测性能的提升上还有待进一步研究，即如何从等同对待各个测量变量的前提下，对数据特征进行有效挖掘。针对上述问题，一种可行的思路是对每个测量变量进行单独的分析，利用相应回归算法描述出该变量与其他变量之间的相互关系特征。由于过程测量变量间是交错相关的，用一部分变量测量数据就预测或者估计出其他变量的测量数据，这也就是软测量的基本思想。然而，在利用回归算法建立软测量模型时，需要考虑模型输入与输出之间不相关信息的干扰影响，也就是需要实施正交信号校正(OrthogonalSignalCorrection，OSC)以剔除输入与输出之间正交不相关的成分信息。只有这样，才能改善软测量模型的精度，从而使输入-输出关系特征描述更加准确。
技术实现思路
本专利技术所要解决的主要技术问题是：如何从同等对待各测量变量的角度出发，准确地描述出各测量变量与其他测量变量之间的相互关系特征，从而建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本专利技术方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。本专利技术解决上述技术问题所采用的技术方案为：一种基于分散式OSC-PLS回归模型的故障检测方法，包括以下步骤：(1)采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵。(2)将标准化后的数据集表示成其中xi∈Rn×l为第i个测量变量的n数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1。(3)将矩阵中第i列数据去除得到回归模型的输入矩阵而将xi作为回归模型的输出，利用正交信号校正(OSC)方法剔除输入与输出xi之间的正交不相关成分，具体的实施过程如下所示：①计算的协方差矩阵②求解矩阵C最大特征值λ所对应的特征向量ai；③根据公式计算主元向量ti∈Rn×l；④根据公式tnew＝[I-xi(xiTxi)-1xiT]ti更新主元向量，这一步实为实施正交信号提取；⑤根据公式计算与tnew之间的回归系数向量bi，并计算得到主元向量的ti的更新值⑥检验是否满足条件||ti-tnew||/||ti||＜10-6？若否，重复④～⑤；若是，执行⑦；⑦保留特征向量ai与回归系数向量bi，并根据公式剔除中与输出xi之间的正交不相关成分，从而得到剔除正交不相关成分后的输入数据矩阵Zi。(4)利用PLS回归算法建立输入Zi与输出xi之间的软测量模型，具体实施过程如下所示：①置k＝1后，初始化向量uk＝xi；②根据公式wk＝Ziuk/||Ziuk||、sk＝Ziwk、qk＝xiTsk/(skTsk)分别计算得到系数向量wk、得分向量sk、和系数qk；③根据公式unew＝xiqk/qk2计算向量unew；④判断是否满足条件||uk-unew||＜10-6？若否，则置uk＝unew后返回步骤②；若是，则执行步骤⑤；⑤根据公式pk＝ZiTsk/(skTsk)计算得到第k个投影向量pk∈R(m-1)×l，并保留向量pk、向量wk、和系数qk；⑥判断矩阵Yk＝skpkT中的最大元素是否大于0.001？若是，根据公式Zi＝Zi-skpkT更新输入矩阵Zi后执行步骤⑦；若否，则得到投影矩阵Pi＝[p1，p2，…，pk]、系数矩阵Wi＝[w1，w2，…，wk]、和列向量Q＝[q1，q2，…，qk]T，并执行步骤⑧；⑦判断k＜m-2？若是，则置k＝k+1后，返回步骤②；若否，则得到投影矩阵Pi＝[p1，p2，…，pk]、系数矩阵Wi＝[w1，w2，…，wk]、和列向量Q＝[q1，q2，…，qk]T，并执行步骤⑧；⑧计算回归向量Ri＝Wi(PiTWi)-1Q，那么输入Zi与输出xi之间的软测量模型为：xi＝ZiRi+ei(1)上式中，ei表示第i个变量的估计误差。(5)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成矩阵E＝[e1，e2，…，em]后继续执行下一步骤(6)。(6)依次计算矩阵E的均值行向量μ∈Rl×m与协方差矩阵S＝(E-μ)T(E-μ)/(n-1)，并计算马氏距离监测统计指标D的上限其中表示自由度为m的卡方分布在置信水平α＝99％下的取值。(7)收集新采样时刻的数据样本x∈Rl×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后，初始化i＝1。(8)将行向量中的第i个元素yi取出后得到输入向量并按照如下所示公式剔除输入中与输出yi之间正交不相关的信号成分，从而得到新输入向量zi：(9)根据公式fi＝yi-ziRi得到当前监测数据中第i个测量值的估计误差。(10)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的估计本文档来自技高网...

【技术保护点】
1.一种基于分散式OSC‑PLS回归模型的故障检测方法，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)：采集生产过程正常运行状态下的样本，组成训练数据集X∈R

【技术特征摘要】
1.一种基于分散式OSC-PLS回归模型的故障检测方法，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)：采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；步骤(2)：将标准化后的数据集表示成其中xi∈Rn×1为第i个测量变量的n数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1；步骤(3)：将矩阵中第i列数据去除得到回归模型的输入矩阵而将xi作为回归模型的输出，利用正交信号校正(OSC)方法剔除输入与输出xi之间的正交不相关成分，从而得到新输入矩阵其中，为正交成分向量，ai是的协方差矩阵的最大特征值对应的特征向量，bi为计算正交成分的回归系数向量；步骤(4)：利用偏最小二乘(PLS)回归算法建立输入Zi与输出xi之间的软测量模型：xi＝ZiRi+ei(1)上式中，ei表示第i个变量的估计误差，Ri为PLS模型的输入-输出回归向量；步骤(5)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成矩阵E＝[e1，e2，…，em]后继续执行下一步骤(6)；步骤(6)：依次计算矩阵E的均值行向量μ∈R1×m与协方差矩阵S＝(E-μ)T(E-μ)/(n-1)，并计算马氏距离监测统计指标D的上限其中表示自由度为m的卡方分布在置信水平α＝99％下的取值；在线故障检测的实施过程如下所示：步骤(7)：集新采样时刻的数据样本x∈R1×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后，初始化i＝1；步骤(8)：将行向量中的第i个元素yi取出后得到输入向量并按照如下所示公式剔除输入中与输出yi之间正交不相关的信号成分，从而得到新输入向量zi：步骤(9)：根据公式fi＝yi-ziRi得到当前监测数据中第i个测量值的估计误差；步骤(10)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的估计误差组成向量f＝[f1，f2，…，fm]并继续执行下一步骤；步骤(11)：根据如下所示公式计算误差向量f的统计监测指标D：D＝(f-μ)S-1(f-μ)T(3)进而根据D的具体数值实施在线故障检测，具体思路为：若D≤Dlim，则当前...

【专利技术属性】
技术研发人员：童楚东，俞海珍，朱莹，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33