【技术实现步骤摘要】
一种面向非平稳非线性工业过程的异常监测方法
[0001]本专利技术属于工业过程异常监测领域，具体涉及一种面向非平稳非线性工业过程的异常监测方法。
技术介绍
[0002]随着现代工业过程的复杂度不断增加，以及对系统安全和生产效率的需求不断提高，过程监控技术对于保障工业系统的正常和高效运行是至关重要的。过程监控方法通常可以分为基于模型的方法、基于知识的方法和数据驱动的方法。相比于其它两种方法，数据驱动的监控方法不需要物理模型和专家知识，因此近些年受到越来越多的关注。随着传感器和测量技术的发展，大量的工业过程运行数据可以记录在分布式控制系统(DCS)中，这也推动了数据驱动过程监控技术的进步。
[0003]实际上，复杂工业过程往往表现出非平稳特性，及测量变量的统计性质会随时间发生变化。这可能是由运行工况变化、设备老化和未知扰动等因素引起的。非平稳特性对传统的监控方法带来了挑战，因为它们往往假设被控过程是运行在稳定的工况之下。近年来，学者们提出了许多方法用于非平稳过程的异常监测问题。例如，自适应方法、基于协整分析的方法和基于子...
【技术保护点】
【技术特征摘要】
1.一种面向非平稳非线性工业过程的异常监测方法，其特征在于，包括离线训练阶段和在线监测阶段；其中，A.离线训练阶段，包括如下步骤：A1.采集非平稳非线性过程在正常工况下的运行历史数据其中N为历史数据集中的样本数目，m为测量变量的数目；A2.将非线性数据X映射到一个高维的特征空间，该非线性映射φ的形式如式(1)所示：其中，x(t)为历史数据X中的第t个样本，φ(x(t))为x(t)在高维特征空间中对应的样本，M为高维特征空间的维度，且有M＞m；A3.假设高维样本φ(x(t))在特征空间中具有线性变化的性质，那么φ(x(t))分解为式(2)所示的线性模型：其中，是一个混合矩阵，表示信号源，由D个平稳信号源和M
‑
D个非平稳信号源组成，e
f
(t)为服从高斯分布的过程不确定性；A4.根据历史数据X计算N
×
N维的核矩阵K，其元素形式由式(3)给出：其中，k(
·
,
·
)为核函数，c为核宽度；A5.利用式(4)对核矩阵K进行中心化处理：其中，1
N
表示维度为N且元素全为1的列向量；A6.将标准化数据矩阵X中的样本划分为n个连续但不重叠的数据段，各个数据段记为各数据段的样本数记为N
i
，且有A7.假设平稳成分与非平稳成分不相关，且服从一个D维的高斯分布在时间尺度上是不变的，服从一个M
‑
D维的高斯分布它在各个数据段上是变化的，那么完整的信号源s
f
(t)服从一个M维的高斯分布且有A8.根据式(2)和式(5)，在第i个数据段的高维样本φ(x(t))同样服从高斯分布，其形式如式(6)所示：
其中，R
i
定义为A9.利用期望最大化算法估计核概率平稳子空间分析模型的参数A10.对于高维样本φ(x(t))，计算其在高维特征空间中对应的局部信号源估计值其中，核向量k＝k(X,x(t))利用式(8)进行中心化处理：A11.计算高维样本φ(x(t))从属于第i个数据段的后验概率，如式(9)所示：其中，如式(6)所示，先验概率设为1/n；A12.将显式表示成式(10)所示的形式：令Σ
f,i
的特征值分解为那么其中，另外
其中，k(x(t),x(t))进行式(13)所示的中心化处理：综合式(11)和式(12)，计算出式(10)中的进而得到后验概率ω
i
(t)；A13.根据后验概率ω
i
(t)对式(7)中得到的局部信号源估计值进行混合，得到最终的信号源估计值如式(14)所示：A14.结合式(2)和式(14)，所估计的过程不确定性如式(15)所示：A15.由于是一个平稳时间序列，因此设计T
e2
统计量监测过程不确定性中的变化，如式(16)所示：其中，k(X,x(t))和k(x(t),x(t))分别用式(8)和式(13)中心化之后的代替；A16.对于局部信号源其均值向量和协方差矩阵分别由式(17)和式(18)进行计算：
其中，A17.局部信号源对应的平稳成分的均值向量和协方差矩阵分别由式(19)和式(20)进行计算：和式(20)进行计算：其中，W
f,s
由单位矩阵I
M
的前D列组成；A18.对于局部信号源定义局部马氏距离指标如式(21)所示：A19.对局部马氏距离指标进行混合得到最终的T
s2
统计量以监测平稳信号源的变化：A20.给定置信度性水平α，利用核密度估计方法确定统计量T
e2
和T
s2
的控制限，分别记为和B.在线监测阶段，包括如下步骤：B1.采集非平稳非线性过程的实时运行数据x(t
′
)，计算其对应的核向量k
′
＝k(X,x(...
【专利技术属性】
技术研发人员：周东华，吴德浩，陈茂银，纪洪泉，钟麦英，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。