一种基于多子空间划分的动态过程精细化监测方法技术

本发明专利技术公开一种基于多子空间划分的动态过程精细化监测方法，旨在考虑数据时序相关性差异以及过程变量服从不同分布的问题，并在此基础上实施基于高斯非高斯以及时序非时序子空间划分的动态过程精细化监测。本发明专利技术方法的主要核心首先在于根据数据时间序列相关性和Kolmogorov

【技术实现步骤摘要】
一种基于多子空间划分的动态过程精细化监测方法


[0001]本专利技术涉及一种数据驱动的过程监测方法，尤其涉及一种基于多子空间划分的动态过程 精细化监测方法。

技术介绍

[0002]由于大数据智能感知的快速发展，工业生产过程中采集和存储了大量的数据,数据驱动的 过程监测对于保证生产过程的安全高效运行起着至关重要的作用。由于闭环控制系统的存在， 生产过程始终是动态的，有些传感器采集到的数据具有较强的时间序列相关性，而有些传感 器采集到的数据具有较弱的时间序列相关性，甚至没有时间序列相关性。如果在过程监测模 型中忽略时间尺度上的序列相关性，会导致监测结果不理想，增加误检和漏检的风险。为了 考虑时间序列的相关性，典型的策略是通过时间滞后移位策略。动态主成分分析(Dynamicprincipal component analysis,DPCA)、动态独立成分分析(Dynamic independent componentanalysis,DICA)、动态偏最小二乘(Dynamic partial least squares,DPLS)已被提出并广 泛应用于过程监测。然而，通过时间滞后移位策略会使得增广数据矩阵的维数急剧增加。近 年来，慢特征分析(SFA)方法由于能够提取慢时间序列相关特征而被成功地应用于动态过程监 测。然而，目前的过程监测方法忽略了不同类型传感器数据展现出的不同时间序列相关性。 因此，为了获得准确的特征，低误检率和低漏检率，需要建立序列相关子空间和序列不相关 子空间，然后在每个子空间分别提取特征。
[0003]此外，为了解决工业生产过程数据服从不同分布问题,采用基于变量分布特征的统计过程 检验方法来识别过程变量的正态性,将序列相关子空间和序列不相关子空间进一步划分为高 斯
‑
序列相关子空间，高斯
‑
序列不相关子空间，非高斯
‑
序列相关子空间和非高斯
‑
序列不相 关子空间，从而更好地提取局部信息。为了不仅考虑子空间内信息，而且考虑不同子空间之 间信息的变化，利用移动窗策略以及互信息方法构造不同子空间间的监测统计量。在目前的 科研文献与专利文件中，还鲜有同时考虑过程数据时间序列相关性方面的差异和服从不同分 布问题，并将子空间内信息及子空间间信息监测的动态过程监测方法。

技术实现思路

[0004]本专利技术所要解决的主要技术问题是：如何同时考虑采样数据时间序列相关性和服从不同 分布的问题，并在此基础上实施动态过程精细化监测。具体来讲，本专利技术首先根据自相关函 数和KS检验方法将原始信息空间划分为四个不同的子空间；其次，根据不同子空间中的数据 特征，利用PCA、SFA方法在不同的子空间中提取特征分别建立对应的动态监测模型，构建各 子空间内监测统计量；此外，为了不仅考虑子空间内信息，而且考虑不同子空间之间信息的 变化，利用移动窗策略以及互信息方法构造不同子空间间的监测统计量。最后，采用局部离 群因子(LOF)方法在子空间内监测统计量及不同子空间间监测统计量的基
础上建立综合监测 指标以准确判断过程运行状态。
[0005]本专利技术解决上述技术问题所采用的技术方案为：一种基于多子空间划分的动态过程精细 化监测方法，包括以下所示步骤：
[0006]步骤(1)：在生产过程对象正常运行状态下，采集n个样本数据组成训练数据矩阵X＝ [x1,x2,
…
,x
m
]∈R
n
×
m
，其中x
i
∈R
n
×1(i＝1,2,
…
,m)，表示n个样本下不同类型的传感器变 量，n为训练样本数，m为过程测量变量数，R为实数集，R
n
×
m
表示n
×
m维的实数矩阵；
[0007]步骤(2)：不同类型x
i
∈R
n
×1(i＝1,2,
…
,m)有着不同程度的时间序列相关性，采用自相 关函数(ACF)度量x
i
(t)与x
i
(t+k)之间的相关性，其中k为滞后。对于x
i
∈R
n
×1(i＝1,
…
,m)， 给出了滞后为k的自相关式为
[0008]ACF(k)＝S
k
/S0ꢀꢀꢀ
(1)
[0009][0010][0011]当滞后k>0时，如果ACF在给定的控制范围内，则认为该变量没有时间序列相关；否则， 认为变量具有时间序列相关性。对于严格无时间序列相关的自变量，ACF＝0。考虑统计学意义， 将ACF的控制限设为0.05，从而将训练数据集X∈R
n
×
m
划分为序列相关子空间划分为序列相关子空间和序列不相关子空间其中X，X
C
和X
U
之间的关系如下：
[0012][0013]步骤(3)：分别在序列相关子空间和序列不相关子空间中根据Kolmogorov
‑
Smirnov(KS) 方法将序列相关子空间和序列不相关子空间进一步划分为高斯
‑
序列相关子空间，高斯
‑
序列 不相关子空间，非高斯
‑
序列相关子空间和非高斯
‑
序列不相关子空间的具体的实施过程如下 所示：
[0014]步骤(3.1)：对于序列相关空间中的变量x
ci
,表示由样本得到的经验累积分布函 数,F
c
表示理论累积分布函数。取为在随机变量上的最大值作为KS检验的 统计量,是否接受高斯分布的概率值为
[0015][0016]其中，n为变量总数。
[0017]步骤(3.2)：根据KS检验临界表可知P0(m
i
,α),其中α为置信度水平,一般取0.05。原 假设H0为两个数据分布一致或者数据符合理论分布,也就是说H0表示测试结果,P0为是否接 受高斯分布的概率值。原假设H0是两组数据符合理论分布或者分布一致,那么对于变量x
ci
,若 H0＝0且P在5％置信水平上,则随机变量x
ci
服从高斯分布。反之,若H0＝1且P在5％置信水 平下,则随机变量x
ci
服从非高斯分布；进而将序列相关子空间分为高斯
‑
序列相关空间子空间 G
c
:和非高斯
‑
序列相关空间子空间H
c
::从而有效地提取数据的高斯和非高斯特征。
[0018]步骤(3.3)：同样地，对于序列不相关空间中的变量x
ui
也经过上述两个步骤的方法，从 而得到高斯
‑
序列不相关子空间G
u
:和非高斯
‑
序列不相 关子空间H
u
:
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多子空间划分的动态过程精细化监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X＝[x1，x2，...，x
m
]∈R
n
×
m
，其中x
i
∈R
n
×1(i＝1，2，...，m)，表示n个样本下不同类型的传感器变量，n为训练样本数，m为过程测量变量数，R为实数集，R
n
×
m
表示n
×
m维的实数矩阵；步骤(2)：不同类型x
i
∈R
n
×1(i＝1，2，...，m)有着不同程度的时间序列相关性，采用自相关函数(ACF)度量x
i
(t)与x
i
(t+k)之间的相关性，从而将训练数据集X∈R
n
×
m
划分为序列相关子空间和序列不相关子空间和序列不相关子空间步骤(3)：分别在序列相关子空间和序列不相关子空间中应用Kolmogorov
‑
Smirnov(KS)方法来检验数据是否服从高斯分布，进一步将这两个子空间划分为四个子空间：高斯
‑
序列相关子空间G
c
：高斯
‑
序列不相关子空间G
u
：：非高斯
‑
序列相关子空间H
c
：：和非高斯
‑
序列不相关子空间H
u
：其中，n
t
+n
k
＝m
c
，m
t
+m
k
＝m
u
；步骤(4)：对四个子空间的数据集进行预处理和归一化，使得每个子空间的各个过程变量均值为零，方差为1，从而得到新的子空间为：从而得到新的子空间为：从而得到新的子空间为：步骤(5)：在标准化后的高斯
‑
序列不相关子空间和非高斯
‑
序列不相关子空间中，分别对空间和构建PCA模型，进行数据降维，从而得到模型的主成分矩阵T
Gu
，T
Hu
与残差矩阵E
Gu
，E
Hu
，然后，在特征空间和残差空间中依据公式，然后，在特征空间和残差空间中依据公式和分别构建T
Gu2
，T
Hu2
和SPE
Gu
，SPE
Hu
统计量进行子空间内监测；步骤(6)：在标准化后的高斯
‑
序列相关子空间和非高斯
‑
序列相关子空间中，使用SFA方法提取和的时间序列相关慢特征信息，然后根据公式的时间序列相关慢特征信息，然后根据公式和分别构建T
Gc2
，T
Hc2
和SPE
Gc
，SPE
Hc
统计量进行子空间内监测；步骤(7)：采用移动窗口策略和互信息方法测量四个子空间之间的关系变化，假设假设中的第t个样本分别表示为将移动窗口的长度设置为2L，则每个子空间内移动窗可分别构造为则每个子空间内移动窗可分别构造为根据如下公式计算子空间间的互信息：
然后，在构造的移动窗口的基础上，根据下式构造统计量，计算四个子空间之间的关系变化：变化：变化：变化：变化：变化：步骤(8)：结合子空间内监测统计量和子空间间监测统计量，利用局部离群因子(LOF)方法进行综合监测统计量LOF(y)的构建。设设则对于Y中的一个样本y，y的LOF可计算为：其中，LRD(y)表示y的局部可达密度。然后，采用核密度估计(KDE)方法确定综合监测统计量LOF(y
t
)的控制限LOF
lim
。在线过程监测的实施过程如下所示：步骤(9)：收集新采样时刻的样本数据x
t
，其中下标号t表示当前最新采样时刻；步骤(10)：根据离线建模时得到的四个子空间划分标准对测试样本x
t
进行划分，从而得到四个子空间中的样本数据：x
′
Gc
，x
′
Gu
，x
′
Hc
，x
′
Hu
；步骤(11)：对四个子空间的测试样本分别利用步骤(4)中得到的均值及标准差进行处理，从而得到标准化后的测试样本数据：步骤(12)：对于利用离线建模步骤(5)中得到的PCA模型进行特征提取分别构建T
′
Gu2
，SPE
′
Gu
，T
′
Hu2
和SPE
′
Hu
统计量；步骤(13)：对于根据离线建模步骤(6)中得到的SFA模型进行慢特征提取分别构建T
′
Gc2
，SPE
′
Gc
，T
′
Hc2
和SPE
′
Hc
统计量；步骤(14)：对实施步骤(7)中的移动窗口策略和互信息方法，进一步计算出：步骤(15)：结合测试子空间内监测统计量和子空间间统计量，利用步骤(8)中局部离群因子方法构建综合监测统计量LOF(y
t
)；步骤(16)判断是否满足条件：LOF(y
t
)＜LOF
lim
；若是，则当前测试样本为正常工况采样，返回步骤(9)继续实施对下一个样本数据的监测；否则，当前采样数据来自故障工况。2.根据权利要求1所述的一种基于多子空间划分的动态过程精细化监测方法，其特征在于，所述步骤(2)中根据自相关函数ACF将训练数据集划分为序列相关子空间和序列不相关子空间的具体实施过程如下所示：
步骤(2.1)：自相关函数(ACF)度量了x
i
(t)与x
i
(t+k)之间的相关性，其中k为滞后。对于x
i
∈R
n
×1...

【专利技术属性】
技术研发人员：宋冰，谢佳敏，侍洪波，陶阳，谭帅，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：