一种基于独立慢特征分析的非高斯非线性过程监控方法技术

本发明专利技术公开了一种基于独立慢特征分析的非高斯非线性过程监控方法，属于工业过程监控与故障诊断领域。包括以下步骤：一、收集历史正常工况下的观测数据，利用ISFA从观测数据中提取出既相互独立又变化缓慢的隐变量；二、建立相关统计指标，并利用核密度估计方法估计统计指标的概率密度函数确定控制限；三、采集在线过程数据，计算在线数据的统计指标并与控制限进行对比，如果超出控制限，则判断过程中存在故障。本发明专利技术可以在观测数据由隐变量非线性混合而成的非高斯、非线性过程中，更好地提取出能够刻画过程非线性的隐变量，从而能获得比传统数据驱动方法更准确的检测结果，从而减少故障带来的损失，提高过程运行的安全性。提高过程运行的安全性。提高过程运行的安全性。

【技术实现步骤摘要】
一种基于独立慢特征分析的非高斯非线性过程监控方法


[0001]本专利技术属于工业过程监控与故障诊断领域，特别涉及一种基于独立慢特征的非高斯非线性过程监控方法。

技术介绍

[0002]在工业过程中，由于过程变量显著相关，信息高度冗余，过程中主要的变化通常是由一小部分隐变量主导的，且这部分起主导作用的隐变量的维度往往远小于过程变量的维度，因此只要监控起主导作用的变量是否发生异常，就可以判断工业过程是否出现了故障。一些典型的数据驱动的隐变量模型如主成分分析法(Principle Component Analysis,PCA)与独立成分分析(Independent Component Analysis,ICA)在多变量统计过程监控(Multivariate Statistical Process Monitoring,MSPM)领域得到了广泛的关注和长足的发展与进步。但是这些传统的方法存在着以下问题：
[0003](1)传统的PCA假设隐变量之间是统计上不相关的，且隐变量是服从高斯分布的，在实际的工业过程中，如化工过程和生化过程等，这些假设条件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于独立慢特征分析(Independent Slow Feature Analysis,ISFA)的非高斯非线性过程监控方法，其特征在于，包括以下步骤：步骤一：离线训练，收集过程正常运行工况的数据，ISFA从观测数据中提取出既在统计上相互独立又随时间变化缓慢的隐变量及残差，并利用提取出的隐变量组成的子空间与残差子空间分别建立对应的统计指标，用核密度估计统计指标的概率密度函数，根据置信度分别计算控制限，使用ISFA提取出的隐变量称为独立慢特征；步骤二：在线监控，通过ISFA从过程在线运行的数据中提取的独立慢特征及残差，并利用提取出的独立慢特征和残差分别计算在线数据的统计指标，如果计算的任一在线数据统计指标的值超过步骤一离线训练阶段建立的控制限，则判断过程中存在故障。2.根据权利要求1所述的方法，其特征在于，步骤一所述的离线训练过程如下：1.1)假设观测数据为一组N维的零均值输入信号x(t)＝[x1(t),L,x
N
(t)]
T
，t为过程运行状态下所有采样时间的集合，T为矩阵的转置，先对输入数据x(t)做非线性扩展z(t)＝h(x(t))，z(t)为L维且均值为0的信号，h是非线性函数，如x(t)的二项式扩展h(x(t))具有以下形式h(x)＝[x1,L,x
N
,x1x1,x1x2,L,x
N
x
N
]
T
‑
h
0T
，h
0T
是一个常数向量，向量各分量对应信号每个维度的均值，使得h(x)的均值为0；对非线性扩展之后的信号z(t)做白化(球化)处理得到y(t)＝Wz(t)，使得白化后的信号y(t)各成分y
i
(t)的均值为0，方差为1，i∈[1,L]，代表信号y(t)中的维度；W为白化矩阵W＝Λ
‑
1/2
U
T
，其中Λ与U是对z(t)的协方差矩阵C
z
＝E(z(t)z
T
(t))进行奇异值分解C
z
＝UΛU
T
得到；1.2)对白化后的信号y(t)做独立慢特征分析，得到L
×
L的矩阵Q，使得u(t)＝Qy(t)＝QWz(t)＝QWh(x(t))的前R个成分u1(t),L,u
R
(t)尽可能的统计上相互独立且随时间变化缓慢，这R个成分被称为独立慢特征，y(t)，z(t)，h与W的定义均与步骤1.1中相同，R的值远小于L；剩余L
‑
R个成分u
R+1
(t),L,u
L
(t)相比于前R个成分变化更快且可能...

【专利技术属性】
技术研发人员：周哲，李畅，文成林，李祖欣，杜树新，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：