一种基于非线性动态成分分析的动态过程监测方法技术

本发明专利技术公开一种基于非线性动态成分分析的动态过程监测方法，旨在推理出一种全新的非线性动态成分分析算法，以挖掘出训练数据中的非线性自相关特征，并利用该算法建立故障检测模型实施动态过程监测。本发明专利技术方法借鉴核学习技巧，推理出了一种全新的非线性动态成分分析算法，该算法在挖掘潜在特征成分时考虑了非线性自相关性问题。因此，本发明专利技术方法挖掘出的潜在特征成分是在非线性的动态成分，在此基础上实施的动态过程监测是一种全新的非线性动态过程监测技术方案。

【技术实现步骤摘要】
一种基于非线性动态成分分析的动态过程监测方法
本专利技术涉及一种数据驱动的过程监测方法，尤其涉及一种基于非线性动态成分分析的动态过程监测方法。
技术介绍
近年来，在工业“大数据”热潮的带动下，工业过程的现代化程度很大一部分取决于对生产数据的管理与应用。由于先进测量技术与计算机技术的广泛应用，生产过程对象可以离线存储与在线测量海量的数据。这些海量的数据肯定蕴含着能体现生产过程运行状态的信息，但是却存在着“数据海量，但信息缺失”问题。在这个背景下，数据驱动的过程监测方法，尤其是统计过程监测得到了学术界与工业界的青睐。统计过程监测方法的基础是主成分分析(PrincipalComponentAnalysis，PCA)与独立成分分析(IndependentComponentAnalysis，ICA)，各种基于PCA与ICA的故障监测方法层出不穷。统计过程监测实施的核心本质在于如何从正常工况中挖掘出潜在特征成分信息，从而能有效反映出工况的异常变化。从模型的类型上讲，统计过程监测模型一般都属于单分类模型。挖掘正常工况下采样数据潜在特征时，有两个必须要考虑的问题：其一是采样数据的自相关动态特征；其二本文档来自技高网...

【技术保护点】
1.一种基于非线性动态成分分析的动态过程监测方法，其特征在于，包括以下步骤：步骤(1)采集生产过程正常运行状态下的样本，组成训练数据矩阵X∈Rn×m，并计算矩阵X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，对应组成均值向量μ＝[μ1，μ2，…，μm]T与标准差向量δ＝[δ1，δ2，…，δm]，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，上标号T表示矩阵或向量的转置；步骤(2)根据如下所示公式对矩阵X实施标准化处理得到

【技术特征摘要】
1.一种基于非线性动态成分分析的动态过程监测方法，其特征在于，包括以下步骤：步骤(1)采集生产过程正常运行状态下的样本，组成训练数据矩阵X∈Rn×m，并计算矩阵X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，对应组成均值向量μ＝[μ1，μ2，…，μm]T与标准差向量δ＝[δ1，δ2，…，δm]，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，上标号T表示矩阵或向量的转置；步骤(2)根据如下所示公式对矩阵X实施标准化处理得到上式①中，U∈Rn×m是由n个相同的均值向量μ组成的矩阵，即U＝[μ，μ，…，μ]T，对角矩阵Φ中对角线上的元素由标准差向量δ组成；步骤(3)记设置自相关阶数为D后，依据如下所示公式计算核矩阵K∈Rn×n：其中，xi为第i个标准化后的样本数据，上标号T表示矩阵或者向量的转置，Ki，j表示核矩阵K中的第i行第j列元素，下标号i＝1，2，…，n，j＝1，2，…，n；步骤(4)根据公式中心化处理核矩阵K从而得到中心化后的核矩阵其中，矩阵1n∈Rn×n中所有元素都等于1；步骤(5)利用非线性动态成分分析算法求解得到个非线性动态成分向量以及相应的特征向量具体的实施过程如下所示：步骤(5.1)初始化τ＝1、矩阵以及向量β＝[1，1，…，1]T∈RD×1，并定义操作表示将矩阵中第a行至第b行、第g列至第h列的元素作为一个矩阵的操作；步骤(5.2)设置后，根据公式分别构造矩阵k1，k2，…，kD，并设置K2＝[k1，k2，…，kD]T，其中d＝1，2，…，D；步骤(5.3)根据公式β＝β/||β||单位化处理向量β后，设置Kφ＝β1k1+β2k2+…+βDkD；步骤(5.4)并求解广义特征值问题：中最大特征值所对应的特征向量pτ，需保证向量pτ的长度满足条件：步骤(5.4)根据公式更新向量β，其中表示Kronecker内积，其具体的计算方式如下所示：步骤(5.5)判断向量β是否...

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