基于慢特征分析的非平稳工业过程的状态监测方法技术

本发明专利技术公开了一种基于慢特征分析的非平稳工业过程的状态监测方法，该方法采用慢特征分析和平稳性测试来获取可以指示过程工况信息变化的特征量，在特征空间将过程非平稳性分解为分段平稳性，对无稳定工作点的非平稳过程进行工况自动划分；然后，利用平稳建模技术分别对每个稳定工况进行统计建模和状态监测；最后，基于贝叶斯推理的监测指标综合了各个工况的信息，提供了综合的状态监测结果。该方法增强了对具体过程运行特性的了解，提高了的状态监测效率和异常检测结果的准确性，最终可应用于实际工业生产现场，确保非平稳工业过程的安全可靠运行以及产品的高质量追求。

State monitoring method of nonstationary industrial process based on slow characteristic analysis

【技术实现步骤摘要】
基于慢特征分析的非平稳工业过程的状态监测方法
本专利技术属于非平稳过程统计状态监测领域，特别是涉及了一种无工况指示变量的情况，基于慢特征分析，将一个非平稳运行的工业过程自动、有序划分为不同的稳定运行工况，并根据工况划分结果进行统计建模与状态监测的方法。
技术介绍
近年来，随着现代社会对多品种、多规格和高质量产品迫切的市场需求，工业生产更加倚重于可以生产多种产品的高效过程，并且生产运行的安全性、可靠性已成为工程人员关注的焦点。但是，过程运行工况波动会导致工业生产过程体现出非平稳特性，即过程变量统计特性(如均值、均方值等)是时间的函数，在不同的采样时段发生剧烈变化。非平稳运行过程存在时变性、无长期稳定工作点，导致面向非平稳工业过程的统计分析及在线应用面临挑战。为了处理非平稳性，Wilms、Zou等人采用协整分析方法提取变量间的长期均衡关系。然而，变量相关的协整假设在实际应用中可能不成立。Khediri等人提出了基于移动窗口的非平稳性自适应跟踪策略，但是建模成本很高，很难判断数据是否是异常值。多模态过程是一种特殊的非平稳过程，多模态过程具有有限的稳定工作点。因此，多模态过程是分段平稳的。Wang等、Haghani等、Chang等、Yu等人为每个稳定工作模式分别建立一个子模型，但一般的非平稳过程可能没有固定的稳定工作点，也不存在唯一的工况指示变量，因此很难将非平稳过程划分稳定工作点。本申请中所提出方法具体应用背景为铜浮选过程，铜浮选过程是一个典型的非平稳工业过程。浮选法作为一种矿物分选技术，可以提高低品位矿产资源的利用率，获得高品位矿石，矿物浮选法广泛的应用于选矿领域。矿物浮选是利用矿物表面物理化学性质差异分离矿物的复杂物理化学过程。矿物浮选过程是在浮选槽中进行的，首先将粉碎的矿物与水混合，形成矿浆，通过不断的向浮选槽中鼓入空气和叶轮的搅拌产生大量的气泡，在药剂的作用下，疏水有用的矿物颗粒黏附在气泡上，随气泡上升形成泡沫层，而亲水性矿物颗粒则大部分留在矿浆中，泡沫层泡沫携带有用矿物颗粒从溢流槽溢出，形成泡沫产品，而遗留在矿浆中的无用矿物将随底流排出。由于工业生产中存在原矿性质变化、设备性能退化、生产环境变换、生产方案改变等原因，导致铜浮选过程存在多个运行工况。其中，原矿性质变化是导致生产过程多工况的最主要原因。有些采矿场矿体在三维空间上变化很大、品位变化也很大、矿床常常不连续，俗称“鸡窝矿”。由于矿石性质变化剧烈，浮选过程处于频繁变工况、非平稳运行状态。但矿石性质无法实时测量，导致实际生产过程中离线和在线的统计分析都面临巨大挑战，很难通过总结针对不同工况的专家规则来指导生产。慢特征分析(SFA)是为了从矢量输入信号中学习不变或慢变化的特征而发展起来的，所获得的慢特征按从慢到快的顺序排列。SFA在非平稳过程建模中应用还较少，但实际上SFA可以将原始信号分成不同频率的慢信号。其中，又慢、又非平稳的特征反映了工况的内在变化，而快特征反映了过程噪声。因此，可建立一种基于慢特征分析和工作模式有序划分的非平稳工业过程状态监测方法。因此，本申请提出了一种基于慢特征分析的非平稳工业过程的状态监测方法方法。采用SFA作为滤波器对信号进行分离，然后针对SFA的特征进行平稳性测试。因此，可以得到四种具有特定意义的特征，即慢平稳特征、慢非平稳特征、快平稳特征和快非平稳特征。其中，慢非平稳特性反映了工况的内在变化，可能表现出分段平稳性。在多模态过程状态监测的启发下，针对无工况指示变量的情况，利用慢非平稳特征将工况划分为多个有序平稳运行阶段。在特征空间中建立有序的运行自动识别技术，有序划分稳定工作时段。然后，利用主元分析(PCA)或偏最小二乘(PLS)等多元统计方法，针对各稳定工作时段，分别建立统计监测模型。
技术实现思路
本专利技术的目的在于针对现有非平稳生产过程的工况划分和状态监测技术的不足，提供一种基于慢特征分析的非平稳工业过程的状态监测方法。该方法采用SFA来选择缓慢的、非平稳的特征。利用所获得的特征，在特征空间将过程非平稳性分解为分段平稳性，对无稳定工作点的非平稳过程进行工况自动划分。然后，利用平稳建模技术分别对每个稳定工况进行统计建模和状态监测。该方法无需对过程变量进行协整关系假设，并且在无工况指示变量的情况下，仍然能通过慢特征分析，得到指示工况的特征并进行工况自动划分，再利用剩余特征建立统计模型进行过程状态监测，确保非平稳生产过程的安全可靠运行。本专利技术的目的是通过以下技术方案来实现：一种基于慢特征分析的非平稳工业过程的状态监测方法，该方法包括以下步骤：(1)待分析数据的获取：在一个非平稳过程中获取J个测量变量，对每一个测量变量测量N次，将该非平稳过程的数据xnj组成二维数据矩阵X(N×J)，xnj表示X(N×J)中第n行、第j列的元素。(2)数据矩阵X(N×J)的标准化处理：对xnj进行减均值、除以标准差的标准化处理，计算公式如下：得到每列均值为0，方差为1的矩阵X(N×J)。其中，xnj表示标准化后的样本，是第j个变量的均值，sj是第j个变量的标准差。(3)矩阵X(N×J)的慢特征分析(SFA)建模：建模公式如下S＝XW(2)其中，S为第X的慢特征，W为慢特征的投影矩阵，S中的特征已按从慢到快排序。(4)慢特征的平稳性测试：利用ADF测试，对S的每一列进行平稳性测试，得到平稳性特征类型，包括：平稳特征和非平稳特征；可认为S中的前a个特征为变化较慢的特征，后面的特征为变化较快的特征，a≤3。(5)特征空间中的工况自动划分，包括以下子步骤：(5.1)用SSN表示S中的慢非平稳特征，将SSN沿样本方向分割成大小相等的窗口，并按时间顺序进行有序排列，其中第k个窗口中包含的特征表示为定义两个窗口和中特征的相似度γk,k'如下：其中，||||2代表和之间的欧式距离，θ是超参数。(5.2)利用相似度γk,k'对所述窗口进行有序的分组：将第i个工况的作为初始窗口，分别计算与之间的相似度γk,k+1,γk,k+2,γk,k+3,...，直到存在窗口k*满足下列两个条件，获得第i个稳定工况的数据所述稳定工况数据包括条件一：从k*开始的3个窗口与初始窗口的相似度都小于阈值Γ。条件二：当前工况所包含的样本数需大于阈值N。(5.3)重复步骤(5.2)，获得工况划分的结果。(6)基于工况划分结果的状态监测模型建立，包括以下子步骤：(6.1)针对第i个稳定工况，用Si表示S中与该工况对应的特征，其中是Si中的慢非平稳特征，即用于工况自动划分的特征，用表示Si中除去后剩余的其他特征。下面，利用建立第i个稳定工况的统计模型。(6.2)针对利用PCA进行统计建模分析：其中，Pi表示投影方向，Ti表示主元得分，i＝1,2,…,I，I是工况的总数。Pi可以通过特征值分解求得。(6.3)为指示过程特性的变化，将第i个稳定工况的T2和SPE统计量分别定义为：T2,i＝TiΛ-1T本文档来自技高网...

【技术保护点】
1.一种基于慢特征分析的非平稳工业过程的状态监测方法，其特征在于，该方法包括以下步骤：/n(1)待分析数据的获取：在一个非平稳过程中获取J个测量变量，对每一个测量变量测量N次，将该非平稳过程的数据

【技术特征摘要】
1.一种基于慢特征分析的非平稳工业过程的状态监测方法，其特征在于，该方法包括以下步骤：
(1)待分析数据的获取：在一个非平稳过程中获取J个测量变量，对每一个测量变量测量N次，将该非平稳过程的数据xnj组成二维数据矩阵X(N×J)，xnj表示X(N×J)中第n行、第j列的元素。
(2)数据矩阵X(N×J)的标准化处理：对xnj进行减均值、除以标准差的标准化处理，计算公式如下：



得到每列均值为0，方差为1的矩阵X(N×J)。
其中，xnj表示标准化后的样本，是第j个变量的均值，sj是第j个变量的标准差。
(3)矩阵X(N×J)的慢特征分析(SFA)建模：建模公式如下
S＝XW(2)
其中，S为第X的慢特征，W为慢特征的投影矩阵，S中的特征已按从慢到快排序。
(4)慢特征的平稳性测试：利用ADF测试，对S的每一列进行平稳性测试，得到平稳性特征类型，包括：平稳特征和非平稳特征；可认为S中的前a个特征为变化较慢的特征，后面的特征为变化较快的特征，a≤3。
(5)特征空间中的工况自动划分，包括以下子步骤：
(5.1)用SSN表示S中的慢非平稳特征，将SSN沿样本方向分割成大小相等的窗口，并按时间顺序进行有序排列，其中第k个窗口中包含的特征表示为定义两个窗口和中特征的相似度γk,k'如下：



其中，||||2代表和之间的欧式距离，θ是超参数。
(5.2)利用相似度γk,k'对所述窗口进行有序的分组：将第i个工况的作为初始窗口，分别计算与之间的相似度γk,k+1,γk,k+2,γk,k+3,...，直到存在窗口k*满足下列两个条件，获得第i个稳定工况的数据所述稳定工况数据包括
条件一：从k*开始的3个窗口与初始窗口的相似度都小于阈值Γ。
条件二：当前工况所包含的样本数需大于阈值N。
(5.3)重复步骤(5.2)，获得工况划分的结果。
(6)基于工况划分结果的状态监测模型建立，包括以下子步骤：
(6.1)针对第i个稳定工况，用Si表示S中与该工况对应的特征，其中是Si中的慢非平稳特征，即用于工况自动划分的特征，用表示Si中除去后剩余的其他特征。下面，利用建立第i个稳定工况的统计模型。
(6.2)针对利用PCA进行统计建模分析：

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