消去时序相关性的多模型动态PCA故障监测方法技术

本发提供一种消去时序相关性的多模型动态PCA故障监测方法，其过程是：首先，对批次性正常生产过程的监测数据进行标准化处理；其次，分别对一个批次内每个时刻建立时间序列模型，通过减法运算消去相邻时刻数据的时序相关性；然后，对批次内每个时刻的随机分布数据分别进行PCA特征提取；最后，基于提取的关系特征构造高阶统计量，通过高阶统计量与其控制限对比实现故障监测，具体演算过程分为建模和监测两个阶段，建模阶段包含简单随机分布数据生成和PCA特征提取两过程，本发明专利技术是非时变消去时序相关动态PCA的补充，它使PCA理论体系更架完善，为基于数据统计的非平稳动态工作过程故障监测奠定基础。

Multi model dynamic PCA fault monitoring method to eliminate time series correlation

【技术实现步骤摘要】
消去时序相关性的多模型动态PCA故障监测方法
本专利技术属于基于数据统计的机械设备的故障监测方法

技术介绍
故障监测方法分为基于解析模型的故障监测和基于数据统计的故障监测。基于解析模型的故障监测需要先建立监测对象的数学模型，模型的准确性会对监测结果产生直接影响。基于数据统计的故障监测是先从正常工作状态下的监测数据中提取出变量的关系特征，再以该关系特征为基向量，将当前监测数据向基向量上投影，由投影值构造高阶统计量实现故障监测。当高阶统计量落在概率分布函数的置信区间内则表明当前生产设备处在正常的工作状态；当高阶统计量落在置信区间外则生产设备发生了异常。特征提取是数据统计故障监测方法的关键。主成分分析(PrincipalComponentAnalysisPCA)是一种常见的特征提取方法，它通过对监测数据所构造的协方差矩阵进行特征值分解求出代表数据关系特征的特征向量。根据PCA方法是否能够提取数据的时序关系特征将PCA分为静态PCA和动态PCA(dynamicprincipalcomponentanalysisDPCA)。静态PCA假本文档来自技高网...

【技术保护点】
1.一种消去时序相关性的多模型动态PCA故障监测方法，其过程是：首先,对批次性正常生产过程的监测数据进行标准化处理；其次，分别对一个批次内每个时刻建立时间序列模型，通过减法运算消去相邻时刻数据的时序相关性；然后，对批次内每个时刻的随机分布数据分别进行PCA特征提取；最后，基于提取的关系特征构造高阶统计量，通过高阶统计量与其控制限对比实现故障监测，/n具体演算过程分为建模和监测两个阶段，建模阶段包含简单随机分布数据生成和PCA特征提取两过程，/n一建模阶段：/nA.简单随机分布数据生成：/n1)从k＝2时刻开始；；/n2)令监测数据AR模型的初始阶次为1，p＝1；/n3)最小二乘法建立第k时刻的...

【技术特征摘要】
1.一种消去时序相关性的多模型动态PCA故障监测方法，其过程是：首先,对批次性正常生产过程的监测数据进行标准化处理；其次，分别对一个批次内每个时刻建立时间序列模型，通过减法运算消去相邻时刻数据的时序相关性；然后，对批次内每个时刻的随机分布数据分别进行PCA特征提取；最后，基于提取的关系特征构造高阶统计量，通过高阶统计量与其控制限对比实现故障监测，
具体演算过程分为建模和监测两个阶段，建模阶段包含简单随机分布数据生成和PCA特征提取两过程，
一建模阶段：
A.简单随机分布数据生成：
1)从k＝2时刻开始；；
2)令监测数据AR模型的初始阶次为1，p＝1；
3)最小二乘法建立第k时刻的时间序列模型AR(p)；
设n元监测变量第k时刻的AR(p)模型为：



其中，









式中——自回归系数向量；
Yk——k时刻监测数据向量；

——k时刻p阶滞后的监测数据矩阵；
Ak——k时刻残差向量；
n——变量个数；
则自回归系数的最小二乘估计为：



则第k时刻的简单随机分布数据为：



4)通过a(k)和a(k-1)的ρ是否大于0.1判断数据的时序相关性是否完全消除掉；
5)若ρa(k，k-1)≥0.1：a(k)和a(k-1)的时序相关性没有完全消除掉，AR模型增加一阶，重新计算AR(p+1)模型；若ρa(k,k-1)<0.1，则k时刻数据的时序相关性已经完全消除掉...

【专利技术属性】
技术研发人员：鄂东辰，董兴华，王宝中，郑直，王莹，龙海洋，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：河北;13