一种基于局部约束的串级CSTH性能评估与诊断方法技术

本发明专利技术涉及过程数据分析领域，具体为一种基于局部约束的串级CSTH性能评估与诊断方法，所述性能评估与诊断方法包括以下步骤：S1、数据准备与预处理，S2、构建流形局部约束的性能评估模型，S3、迭代求解迹比问题获得性能评估指标，S4、导致性能变化的关键回路/变量诊断。通过上述步骤，使得本发明专利技术不要求过程模型和控制器模型，仅依赖于过程数据，所提性能评估方法既考虑了过程的稳态特性，也考虑了过程的动态特性，所提性能评估方法可考虑过程数据的局部信息结构，可以诊断导致性能变化的关键回路和变量，对重新设计过程控制器或调整过程参数有参考价值。有参考价值。有参考价值。

【技术实现步骤摘要】
一种基于局部约束的串级CSTH性能评估与诊断方法


[0001]本专利技术涉及过程数据分析领域，具体为一种基于局部约束的串级CSTH性能评估与诊断方法。

技术介绍

[0002]性能监测/评估(CPM/CPA)方法实际上就是利用过程数据进行时序分析比较实际控制性能与基准性能，以评估性能变化的程度，并且进一步诊断导致控制系统性能退化的回路或者变量，并通过适时适当的措施，以避免过程运行的不平稳、不安全，为控制系统的维护提供参考，性能评估有对传统过程控制中的控制器性能进行评估和对广义概念上控制系统的变量体现的性能进行评估两种意思，对控制系统性能评估的方法主要有基于模型和基于数据两种类型。
[0003]基于模型的方法首先提出了最小方差控制的概念，最小方差控制即控制系统可达的最优控制通过对操作数据作时间序列分析估计得到。自最小方差控制概念被提出之后，许多研究工作基于此展开，基于模型的方法常常需要获得关于模型的先验知识，这恰恰是基于模型的性能评估方法的一个难点和关键点。
[0004]为了研究如何降低性能评估算法对过程先验知识的依赖性，数据驱动的性能评估方法开始发展，其中子空间辨识方法、预测误差方差的方法应用比较广泛，这些方法大多还是基于最小方差控制基准，在这些研究的基础上，又有新的定义体现广义的系统性能变化的指标的方法被提出，这些评估方法定义了体现广义的系统性能的变化指标，并且可以根据故障诊断方法，具体追溯到导致性能变化的过程变量或者回路以及定义了性能变化程度的量化指标。
[0005]虽然上述的性能评估方法具有很大的启发性，但是仍存在一些局限性，当工业过程从出现波动时，传统的性能评估方法常常侧重于关注过程在全局层面的波动性，往往是以系统输出或者过程变量的方差为基准，对不同时间段的数据性能进行比较，而这样会导致数据样本中嵌入的固有几何结构和邻域信息即数据在局部层面的波动性被忽略。
[0006]因此亟需专利技术一种基于局部约束的串级CSTH性能评估与诊断方法以解决上述问题。

技术实现思路

[0007]本专利技术的目的在于提供一种基于局部约束的串级CSTH性能评估与诊断方法，该方法在对比监测期和基准期方差的基础上引入流形学习算法局部线性嵌入结果的结构作为约束，从而可同时考虑过程数据在全局和局部上的波动信息，通过对投影方向进行求解，可获取导致监测期性能变化关键信息，进行关键回路/变量的溯源诊断。需要指明的是，许多流形学习的算法被广泛应用于提取工业数据的动态特性，这是因为工业过程常常被认为是一个慢变化过程，相邻采样点很可能空间上距离靠近，或者说是处在高维空间的同一个低维流形上。而流形学习算法的思想就是在降维前后，保持采样点之间的局部结构，或者也可
以称为采样点显示出的动态特性。
[0008]为实现上述目的，本专利技术提供如下技术方案：该方法是在对比监测期和基准期方差的基础上引入流形学习算法局部线性嵌入结果的结构作为约束，同时考虑过程数据在全局和局部上的波动信息，通过对投影方向进行求解，获取导致监测期性能变化关键信息，进行关键回路/变量的溯源诊断。
[0009]优选地，所述性能评估与诊断方法具体包括以下步骤：
[0010]S1、数据准备与预处理
[0011]收集一段历史过程数据X，在里面筛选出一段标准工况下的数据作为监测期数据X1，再选出一段待评价的数据作为基准期数据X2，其中m为输入过程数据的维度，对X1，X2去中心化。要寻找的投影向量构成的矩阵为V＝v1,v2,
…
,v
k
。
[0012]S2、构建流形局部约束的性能评估模型
[0013]考虑工业过程中的局部约束，引入流形学习算法中常见的图拉普拉斯项Y
T
LY＝I作为约束项，并以比值的形式比较监测期较基准期的方差波动，设计性能评估指标的目标函数：
[0014][0015][0016]G1＝(I
‑
W1)(I
‑
W1)
T
[0017]G2＝(I
‑
W2)(I
‑
W2)
T
[0018]为流形结构约束下监测期与基准期协方差的迹比问题，其中，tr(
·
)表示的是迹，和分别为监测期和基准期的图拉普拉斯约束项。通过将该问题转化为迹差问题，进而可采用迭代方法求解广义特征值，而且迭代求解的最终迹比结果即为评估性能变化的指标。该评估指标可以同时考虑工业过程全局和局部两个层面的波动情况；
[0019]S3、迭代求解迹比问题获得性能评估指标
[0020]对S2步骤中每次迭代求解的广义特征值结果进行分析，求解步骤S2的目标函数，将其化为迹差问题，并通过广义特征值分析方法迭代求解直至收敛，求解结果为性能评估指标值λ(V)：
[0021][0022][0023]S4、导致性能变化的关键回路/变量诊断
[0024]根据S3求解步骤获得的投影向量v1,v2,
…
,v
k
，向量中的每个元素代表对应贿赂对性能改变的贡献程度，由此可以利用贡献图法进一步诊断导致监测期较于基准期性能变化的关键回路/变量。
[0025]优选地，步骤S2中所述的性能评估指标为局部结构约束下监测期与基准期协方差的迹比问题，解决方法包括以下子步骤：
[0026]a.性能评估指标λ(V)具体定义为：
[0027][0028][0029]其中，X1和X2分别表示的是监测期和基准期的过程数据矩阵，G1与G2分别表达的是监测期和基准期的过程数据的流形结构信息。V＝v1,v2,
…
,v
k
表示的是监测期与基准期相比，性能恶化程度最大的前k个方向；
[0030]b.对目标函数进行化简，代换约束条件可以表示为
[0031]c.因此目标函数可以表示为：
[0032][0033]d.经过等式代换后，
[0034]目标函数具体形式表示为：
[0035][0036]s.t.P
T
P＝I
[0037]其中，P是投影向量组成的矩阵，S1和S2都是半正定矩阵，该形式是标准迹比问题的形式。
[0038]优选地，所述步骤S3包括以下步骤：
[0039]a.将上述标准迹比问题转化为迹差问题：
[0040][0041]根据上式进行迭代求解，直到矩阵P收敛得到最终结果，进而可确定性能评估指标λ(P)；
[0042]b.任意初始化列向量正交矩阵
[0043]c.根据映射矩阵P可以计算评价指标λ(P)；
[0044]d.根据步骤c获得的λ，对该迹差问题进行广义特征值分解：
[0045][0046]为求得的第k个广义特征向量对应的广义特征值，为第k个广义特征向量，上标n为迭代的次数；
[0047]e.计算第n次迭代获得的P
n
与上一次迭代获得的P
n
‑1的相似程度，小于阈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部约束的串级CSTH性能评估与诊断方法，其特征在于：所述性能评估与诊断方法是在对比监测期和基准期方差的基础上引入流形学习算法局部线性嵌入结果的结构作为约束，同时考虑过程数据在全局和局部上的波动信息，通过对投影方向进行求解，获取导致监测期性能变化关键信息，进行关键回路/变量的溯源诊断。2.根据权利要求1所述的一种基于局部约束的串级CSTH性能评估与诊断方法，其特征在于：所述性能评估与诊断方法具体包括以下步骤：S1、数据准备与预处理收集一段历史过程数据X，在里面筛选出一段标准工况下的数据作为监测期数据X1，再选出一段待评价的数据作为基准期数据X2，其中m为输入过程数据的维度；对X1，X2分别进行去中心化处理，要寻找的投影向量构成的矩阵为V＝v1,v2,
…
,v
k
；S2、构建流形局部约束的性能评估模型考虑工业过程中的局部约束，引入流形学习算法中常见的图拉普拉斯项Y
T
LY＝I作为约束项，并以比值的形式比较监测期较基准期的方差波动，设计性能评估指标的目标函数：束项，并以比值的形式比较监测期较基准期的方差波动，设计性能评估指标的目标函数：G1＝(I
‑
W1)(I
‑
W1)
T
G2＝(I
‑
W2)(I
‑
W2)
T
为流形结构约束下监测期与基准期协方差的迹比问题，其中，tr(
·
)表示的是迹，和分别为监测期和基准期的图拉普拉斯约束项，通过将该问题转化为迹差问题，进而采用迭代方法求解广义特征值，而且迭代求解的最终迹比结果即为评估性能变化的指标，该评估指标可以同时考虑工业过程全局和局部两个层面的波动情况；S3、迭代求解迹比问题获得性能评估指标对S2步骤中每次迭代求解的广义特征值结果进行分析，求解步骤S2的目标函数，将其化为迹差问题，并通过广义特征值分析方法迭代求解直至收敛，求解结果为性能评估指标值λ(V)：值λ(V)：S4、导致性能变化的关键回路/变量诊断根据S3求解步骤获得的投影向...

【专利技术属性】
技术研发人员：王凯，王丹蓉，王雅琳，袁小锋，阳春华，
申请(专利权)人：中南大学，
类型：发明
国别省市：