一种基于自回归极限学习机的非线性动态过程监测方法技术

本发明专利技术公开一种基于自回归极限学习机的非线性动态过程监测方法，旨在利用极限学习机(ELM)算法实施非线性动态过程监测。具体来讲，本发明专利技术方法的核心在于利用ELM算法来拟合非线性的自回归(AR)模型，从而实现对采样数据非线性与时序自相关性特征的描述。实施在线过程监测时，利用平方马氏距离统计指标来监测自回归极限学习机模型的输出估计误差，从而反映出在线采样数据是否异常。与传统方法相比，本发明专利技术方法利用ELM拟合出了非线性的AR‑ELM模型，描述了测量变量间的非线性动态关系特征。最后，通过具体实施案例对比验证了本发明专利技术方法是一种更为优选的非线性动态过程监测方法。

【技术实现步骤摘要】
一种基于自回归极限学习机的非线性动态过程监测方法
本专利技术涉及一种工业过程监测方法，尤其是涉及一种基于自回归极限学习机的非线性动态过程监测方法。
技术介绍
随着现代工业过程对象不断地朝着规模的大型化与生产的高效化发展，实时监测过程运行状态对保证生产的安全性与产品质量的稳定性具有不可替代的重要作用。针对过程监测的研究，已从最开始的利用机理模型实施故障检测发展到而今的数据驱动的过程监测方法。尤其是在“工业大数据”热潮下，数据驱动的工业过程监测方法已成为最主流的实施技术手段。发展至今，虽然各式各样的过程监测方法层出不穷，但是所用数据驱动的方法主要集中于统计方法、基于核学习的非线性算法等等。考虑到现代工业过程对象的复杂特性，采样数据的非线性特征较为明显，而且由于采样时间间隔较短，采样数据之间又存在时序自相关的动态特征。因此，非线性动态过程监测更适合于现代工业过程监测。首先，针对非线性过程监测问题的研究，基于核学习技巧的核主元分析(KernelPrincipalComponentAnalysis，KPCA)与核独立元分析(KernelIndep本文档来自技高网...

【技术保护点】
1.一种基于自回归极限学习机的非线性动态过程监测方法，其特征在于，包括以下步骤：/n步骤(1)：在生产过程正常运行状态下，采集n个样本数据x

【技术特征摘要】
1.一种基于自回归极限学习机的非线性动态过程监测方法，其特征在于，包括以下步骤：
步骤(1)：在生产过程正常运行状态下，采集n个样本数据x1，x2，…，xn组成训练数据矩阵X＝[x1，x2，…，xn]∈Rm×n，并根据如下所示公式①对训练数据矩阵X实施归一化处理得到矩阵



其中，i＝1，2，…，n、xi为第i个样本数据、m为测量变量的个数、R为实数集、Rm×n表示m×n维的实数矩阵、j＝1，2，…，m、zj∈R1×n为训练数据矩阵X中的第j行向量、为矩阵中第j行向量、zj，max与zj，jin分别表示行向量zj的最大值与最小值；
步骤(2)：记矩阵其中表示矩阵中的第i列向量，并设置自相关阶数d后，分别根据公式与公式②构造输出矩阵XO与输入矩阵XI：



步骤(3)：利用极限学习机算法建立输入矩阵XI与输出矩阵XO之间的自回归极限学习机模型：XO＝f(XI)+E，其中f()表示自回归极限学习机模型中的非线性变换过程，E为模型误差矩阵，具体的实施过程包括如下所示的四个步骤：
步骤(3.1)：设置隐含层神经元的个数为H，按照标准正态分布随机产生输入层与隐含层之间的连接权值矩阵W∈Rdm×H与偏置向量b∈R1×H；
步骤(3.2)：设定隐含层神经元的激活函数为h(u)＝1/(1+e-u)，其中u为激活函数的自变量，根据如下所示公式③计算隐含层的输出矩阵ψ∈R(n-d)×H中的第k行向量ψk：



其中，XI(k)为输入矩阵XI中的第k列向量，k＝1，2，…，(n-d)，上标号T表示矩阵或向量的转置；
步骤(3.3)：根据公式β＝(ψTψ)-1ψTXOT计算回归系数向量β；
步骤(3.4)：根据公式E＝XO-ψβ计算得到模型误差矩阵E，将上述由输入矩阵XI到隐含层的输出矩阵ψ再到数据矩阵XO的非线性变换过程可表示成XO＝f(XI)+E；
步骤(4)：计...

【专利技术属性】
技术研发人员：唐俊苗，童楚东，史旭华，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33