基于多核独立元分析的批量生产过程故障检测方法技术

一种基于多核独立元分析的批量生产过程故障检测方法，包括采集数据、数据处理、利用核主元分析对数据进行白化、利用修正ＩＣＡ提取独立元及利用Ｔ↑［２］和ＳＰＥ统计量进行故障检测步骤。本发明专利技术首次提出一种基于ＭＫＩＣＡ的批量生产过程监测方法，实现对复杂过程进行监测。能较早的检测到故障，从而减少工业生产过程中的损失。

【技术实现步骤摘要】

本专利技术属于故障诊断
，特别涉及一种基于多核独立元分析MKICA(MultiwayKernel Independent Component Analysis)的批量生产过程监测方法。
技术介绍
随着工业规模的日益扩大，生产产品数量的增加，越来越多的工业领域使用批量生产方式生产。比如啤酒行业、味精行业和制药行业等许多领域。尤其是在复杂非线性工业生产过程中，批量生产方式应用的更为普遍。由于非线性生产过程中决定产品质量的因素较多，对条件要求比较苛刻，所以条件的变化大都会降低产品的质量，比如发酵过程。发酵过程是一个非常复杂的非线性过程，有关过程操作条件优化方面的报道不多。对于一个发酵装置、菌体及其相应的发酵培养基均确定的发酵过程而言，影响发酵过程的条件是pH、温度及溶解氧等要素。对于像生产木糖醇这类依靠氧化还原酶实现生物转化的过程来说，pH和溶解氧的因素尤为重要。 在许多采用批量方式生产的化学制品、医药制品、生物制品和其它产品制造行业中，生产过程中关键时期的微小变动都会降低产品质量。因此应用有效的故障检测方法能在生产过程中较早的检测到故障，可以减少不合格批次的数量，明显提高产品质量。批量生产过程的故障主要发生在进料泵和反应装置等部位。 目前，基于多元统计分析的几项技术被广泛应用于批量生产的故障检测。通过扩展多元统计过程控制方法，MacGregor在《Technometrics》等期刊中、Gallagher在《Comput.Chem.Eng.》中分别提出多主元分析方法。在《IEEE Transactions on semiconductor manufacturing》和《J.of Process Control》中，Qin提出了基于递归最小二乘方法的多偏最小二乘法，这种方法可用于监测过程数据和产品质量。在《Chem.Intell.Lab.Sys.》中，Nomikos和MacGregor提出了对批量生产过程的丢失数据的估计方法。这些方法在实际中很起作用。然而，如果应用不需要补充丢失数据的多偏最小二乘监测方法会更好。在《AIChE J.》中，Dong和McAvoy使用基于主曲线和神经网络相结合的非线性主元分析法来监测批量生产。非线性主元分析法是基于神经网络的。由于神经网络需要离线和在线学习近似的动态变化，所以是很慢的，不适用于实际的过程监测中。在《Chem.Intell.Lab.Sys.》中，Rnnar等提出一个有适应性的批量生产过程监测方法。这种方法使用等级主元分析方法，克服了在主元分析方法中对丢失数据的需要。最近，核主元分析方法也用来提取非线性关系。已经证实这种方法能通过分析历史数据很有效的检测故障，同时在线监测新批次的效果也很好。但是以上提出的方法应用在非高斯性的工业过程，如发酵过程中表现不很理想。
技术实现思路
本专利技术首次提出基于MKICA的批量生产过程的故障检测方法。针对批量生产过程所具有的非线性特征，提出一种基于多核独立元分析方法的故障检测方法，在标准操作条件模式下建模，从在线监测得到的实时工况数据中提取独立元，利用统计变量T2和SPE进行故障检测。此方法与基于多独立元分析(Multiway Independent Component Analysis，MICA)的方法比较，证实了基于多核独立元分析方法的过程监测方法能较早的检测到故障，从而提高产品的质量和生产率。 使用多核独立元分析方法进行批量生产过程的故障检测方法的详细步骤如下 步骤一数据采集 采集观测变量数据。对于每个故障，采集两组数据，即训练数据和实时工况数据。其中，训练数据用于建立模型，实时工况数据用于故障检测。例如在发酵过程中，进料泵的故障导致耗氧率的改变，需要采集温度、压力和PH值等相关变量进行故障检测。 步骤二数据处理 在数据采集过程中，会丢失一些数据。对于丢失数据的补充有以下几个方法 ①用零补充丢失的数据； ②用当前值补充丢失的数据； ③用平均值补充丢失的数据； ④用主元分析方法补充丢失的数据； ⑤用变量之间冗余的关系补充丢失的数据。 依据批量生产的特征选择最合适的方法，方法②和③应用的比较普遍。本专利技术采用方法②。 批量生产过程数据是关于批次、变量和时间的数据。首先把数据放入三维矩阵X(I×J×K)中，其中I是批次，J是变量的数目，K是每个批采样的次数，然后将矩阵X(I×J×K)变换成二维矩阵X(I×JK)，如图1所示。例如，一批JK维的标准操作数据，xk∈RJK，k＝1，...，I，xk为观测数据，RJK为JK维空间。用均值和标准偏差规范化X(I×JK)。经过转化后，运用MKICA方法就等效于在大的二维矩阵X上运用普通的核独立元分析(Kernel Independent Component Analysis，KICA)方法。 步骤三用核PCA对数据进行白化处理 白化的作用是减少独立元分析(ICA)方法需要估计的参数，从而简化计算过程。这一步的目的就是通过非线性映射把观测数据从输入空间映射到特征空间中，然后在特征空间进行白化处理。 首先，进行非线性映射。设观测数据xk∈RJK，通过非线性映射ФRJK→F，F为特征空间，把原始空间的观测数据映射到高维特征空间，Ф(xk)∈F。特征空间中协方差矩阵为 其中Ф(xk)，k＝1，...，I，为映射到高维特征空间的数据。假定Ф(xk)为零均值和单位方差。令Θ＝[Φ(x1)，...，Ф(xI)]，因而协方差矩阵CF能表示为为了避免在特征空间中执行非线性映射和内积计算，定义了一个I×I维的Gram核矩阵K[K]ij＝Kij＝<Ф(xi)，Ф(xj)>＝k(xi，xj)(1) 有K＝ΘTΘ，k(xi，xj)为核函数，xi和xj为观测数据，1≤i，j≤I。应用核函数k(xi，xj)，可以不通过非线性映射就能在F中计算内积，这样就避免了在特征空间中执行非线性映射和内积计算。常用的核函数是径向基核函数多项式核函数k(x，y)＝<x，y>r和S形核函数k(x，y)＝tanh(β0<x，y>+β1)。核函数的选择决定了映射Ф和特征空间F。由核矩阵K可知，高维空间中Ф(xk)的中心化能按以下方法执行，即将Ф(xk)的中心化转化为对K的中心化处理。从下式可以得到中心化核矩阵 其中， 对 进行特征值分解 可以得到 的d个最大正特征值λ1≥λ2≥...≥λd和相应的标准正交的特征向量α1，α2，...，αd。在本专利技术中，按经验选取满足的特征值。那么，协方差矩阵CF的d个最大正特征值是相应的标准正交特征向量v1，v2，...，vd可以表示为 j＝1，...，d(4) CF的特征矩阵V＝[v1，v2，...，vd]可以简单的表示如下 V＝ΘHΛ-1/2(5) 其中Λ＝diag(λ1，λ2，...，λd)是由d个特征值构成的对角矩阵，H＝[α1，α2，...，αd]是对应的特征向量构成的矩阵。用CF的特征矩阵V把协方差矩阵CF化为对角矩阵 令 那么， PTCFP＝E(8) E为单位矩阵。这样，得本文档来自技高网...

【技术保护点】
一种基于多核独立元分析的批量生产过程故障检测方法，其特征在于该方法包括以下步骤：　　　　步骤一、采集数据　　　　采集过程中相关变量的数据，对于每个故障，采集两组数据，即标准操作模式的训练数据和在线监测的实时工况数据；其中，训练数据用于建立模型，实时工况数据用于故障检测；　　　　步骤二、数据处理　　　　用当前值补充丢失的数据，用均值和标准偏差规范化采集的观测数据，批量生产过程数据是关于批次、变量和时间的数据，首先把数据放入三维矩阵Ｘ（Ｉ×Ｊ×Ｋ）中，其中Ｉ是批次，Ｊ是变量的数目，Ｋ是每个批采样的次数，然后将矩阵Ｘ（Ｉ×Ｊ×Ｋ）变换成二维矩阵Ｘ（Ｉ×ＪＫ）；　　　　步骤三、利用核主元分析对数据进行白化处理　　　　通过非线性映射将输入空间映射到一个特征空间，接着在此特征空间对观测数据进行白化处理，得到白化后的观测变量ｚ；　　　　步骤四、利用修正ＩＣＡ提取独立元　　　　利用修正ＩＣＡ算法把白化后的观测变量ｚ转换成独立元，并使独立元各变量之间尽可能相互统计独立；　　　　步骤五、利用Ｔ↑［２］和ＳＰＥ统计量进行故障检测　　　　采用Ｔ↑［２］和ＳＰＥ统计量进行在线故障检测，当观测数据的统计量没有超出统计量规定的控制限时，则属于正常数据，反之属于异常数据，表明出现故障。...

【技术特征摘要】
1.一种基于多核独立元分析的批量生产过程故障检测方法，其特征在于该方法包括以下步骤步骤一、采集数据采集过程中相关变量的数据，对于每个故障，采集两组数据，即标准操作模式的训练数据和在线监测的实时工况数据；其中，训练数据用于建立模型，实时工况数据用于故障检测；步骤二、数据处理用当前值补充丢失的数据，用均值和标准偏差规范化采集的观测数据，批量生产过程数据是关于批次、变量和时间的数据，首先把数据放入三维矩阵X(I×J×K)中，其中I是批次，J是变量的数目，K是每个批采样的次数，然后将矩阵X(I×J×K)变换成二维矩阵X(I×JK)；步骤三、利用核主元分析对数据进行白化处理通过非线性映射将输入空间映射到一个特征空间，接着在此特征空间对观测数据进行白化处理，得到白化后的观测变量z；步骤四、利用修正ICA提取独立元利用修正ICA算法把白化后的观测变量z转换成独立元，并使独立元各变量之间尽可能相互统计独立；步骤五、利用T2和SPE统计量进行故障检测采用T2和SPE统计量进行在线故障检测，当观测数据的统计量没有超出统计量规定的控制限时，则属于正常数据，反之属于异常数据，表明出现故障。2.根据权利要求1所述的基于多核独立元分析的批量生产过程监测方法，其特征在于所述的步骤三中的利用核主元分析方法对数据进行白化处理的具体过程如下首先进行非线性映射，设观测数据xk∈RJK，k＝1，...，I，k是观察数据的个数，I是批次，J是变量的数目，K是每个批采样的次数，RJK为JK维空间，通过非线性映射ФRJK→F，F为特征空间，把原始空间的观测数据映射到高维特征空间中，Ф(xk)∈F，特征空间中协方差矩阵为其中Ф(xk)，k＝1，...，I，为映射到高维特征空间的数据，假定Ф(xk)为零均值和单位方差，令Θ＝[Ф(x1)，...，Ф(x1)]，因而协方差矩阵CF能表示为定义一个I×IGram维的核矩阵K[K]ij＝Kij＝<Ф(xi)，Ф(xj)>＝k(xi，xj)(1)有K＝ΘTΘ，k(xi，xj)为核函数，xi和xj为观测数据，1≤i，j≤I，应用核函数k(xi，xj)，可以不通过非线性映射就能在F中计算内积，这样就避免了在特征空间中执行非线性映射和内积计算，常用的核函数是径向基核函数多项式核函数k(x，y)＝<x，y>r和S形核函数k(x，y)＝tanh(β0<x，y>+β1)，核函数的选择决定了映射Ф和特征空间F；由核矩阵K可知，高维空间中Ф(xk)能按以下方法进行中心化，即将Ф(xk)的中心化转化为对K的中心化处理，从下式可以得到中心化核矩阵其中，对进行特征值分解可以得到的d个最大正特征值λ1≥λ2≥...≥λd和相应的标准正交的特征向量α1，α...

【专利技术属性】
技术研发人员：张颖伟，秦泗钊，王婷，
申请(专利权)人：东北大学，
类型：发明
国别省市：89[中国|沈阳]