变分推理的高斯非高斯成分协同的混杂过程故障检测方法技术

本发明专利技术涉及一种变分推理的高斯非高斯成分协同的混杂过程故障检测方法，该方法基于学生t

【技术实现步骤摘要】
变分推理的高斯非高斯成分协同的混杂过程故障检测方法


[0001]本专利技术属于工业过程控制
，具体涉及一种基于变分推理的高斯、非高斯成分协同的混杂过程故障检测方法。

技术介绍

[0002]着工业4.0时代的到来,现代工业自动化系统不断朝着复杂化、信息化和智能化的趋势发展。过程监测作为保证产品质量稳定性、过程生产设备安全平稳运行的关键,已经成为现代复杂工业系统不可或缺的重要组成部分。在实际过程中,由于外在环境变化、原材料品质波动性、测量设备自身的精度以及设备复杂性，难以直接建立的过程数学监测模型。因此，基于数据动的过程监测理论和技术能够帮助操作人员和工程师进一步了解生产过程相关知识，受到人们的普遍关注，并在实际应用中取得较好的效果[参考文献1
‑
5]。典型的过程监测方法主要有主元分析(principal componentanalysis,PCA)及其改进型，偏最小二乘(partial least squares, PLS),高斯混合模型(Gaussian mixture model，GMM)等统计学习方法[参考文献5...

【技术保护点】

【技术特征摘要】
1.一种变分推理的高斯非高斯成分协同的混杂过程故障检测方法，其特征在于，包括以下步骤：S1、离线模型训练阶段S101、更新隐变量s
n
分布参数，更新隐变量t
n
分布参数，更新隐变量u
n
分布参数及其一阶统计量和对数统计量；S102、更新模型参数P,A,Λ；S103、利用matlab优化工具箱求解优化问题得到最优的解；S104、迭代次数增加1，即it＝it+1；S105、直到迭代次数小于设定最大迭代次数值或者似然函数值收敛；S2、如果存在v
k
<12，则把隐变量向量s
n
中第k个隐变量移除并把矩阵A相应的行变量移除，然后把从矩阵A中移除的行向量增加到矩阵P中并把从隐变量向量s
n
中移除的隐变量增加到隐变量t
n
中，否则使迭代次数it＝1，返回步骤S101重新训练模型求取高斯隐变量t
n
和非高斯隐变量s
n
；S3、输出最优模型参数P,A以及最优隐变量分布参数t
n
、s
n
；S4、监测阶段S401、对于训练样本，计算故障监测统计量I2、T2和Q；计算故障监测统计量T2和Q的控制限和Q
lim
，根据概率核密度估计计算控制限S402、根据步骤S401的结果，判断是否存在监测统计量超过控制限，若存在则判断过程存在故障，否则过程处于正常状态；S403、对新的样本x
new
，固定模型参数，从Gamma分布随机采集数据作为u
new
的初始值；其迭代次数it'＝1，最大迭代次数设为maxit；使用上述迭代方式计算其对应的隐变量t
new
，s
new
的期望；S404、更新隐变量分布参数，更新隐变量分布参数，更新隐变量分布参数及其一阶统计量和对数统计量；S405、根据下式计算当前似然函数值根据下式计算当前似然函数值S406、直至似然函数收敛或迭代次数超过最大迭代次数it'<maxit，停止计算当前似然函数值S407、输出和作为x
new
的最优隐变量t
new
，s
new
的期望；S408、计算故障监测统计量和Q
new
；S409、判断是否存在监测统计量超过控制限，如果存在则表明该时刻过程存在故障，否则过程处于正常状态。2.根据权利要求1所述变分推理的高斯非高斯成分协同的混杂过程故障检测方法，其特征在于，在所述步骤S1之前，还存在以下步骤：
输入—输入数据集设置控制限置信度a；初始化—对数据集X分解独立成分，把去混合矩阵作为混合矩阵A的初始值，并确定独立成分的数量；对ICA拟合后的残差数据集进行分解，以特征值累加贡献率80％确定主元数量，负荷矩阵作为负荷矩阵P的初始值；噪声方差作为的对角元素作为对角矩阵Λ的初始值；选取所有超参数的初始值为1e
‑
6；估计自由度v
k
的值，且k＝1,2,
…
,d
s
；算法停止阈值ε＝1e
‑
5,最大迭代次数maxiter；初始迭代步数it＝1；从Gamma分布Ga(1e
‑
16,1e
‑
6)随机采集数据作为隐变量u
n
的初始值，且n＝1,2,
…
,N。3.根据权利要求2所述变分推理的高斯非高斯成分协同的混杂过程故障检测方法，其特征在于，所述步骤S101中，利用式(15)～(16)更新隐变量s
n
分布参数，分布参数，式中，表示s
n
的期望，T为矩阵或者向量的转置...

【专利技术属性】
技术研发人员：任世锦，任珈仪，陈琳，潘剑寒，开红梅，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：