【技术实现步骤摘要】
一种基于鲁棒动态变分贝叶斯字典学习的过程监测方法
[0001]本专利技术属于过程监测建模与应用领域，尤其是涉及一种基于鲁棒动态变分贝叶斯字典学习的过程监测方法。
技术介绍
[0002]工业流程通常具有操作单元多、变量多、相关性复杂等特点，比传统流程更具挑战性，是近年来研究的热点。工业过程数据采集不可避免的受到噪声的干扰，噪声干扰使得数据被污染，污染的数据携带过多的冗余信息，这将极大的限制数据驱动建模方法的解释能力。
[0003]对于大型工业过程，故障的发生通常由几个自由变量驱动。不同传感器收集的数据显示可能导致大量信息冗余的交互，即数据丰富但信息贫乏。此外，相邻的传感器将为传感器单元的冗余部分提供高度相关的测量。因此，对于此类软测量，任何其他冗余因素都会不必要地增加模型的复杂性，这通常会对模型的训练和性能产生负面影响。
[0004]多元统计过程监控(MSPM)旨在降低原始过程数据的维数，并通过保留前几个分量同时保留大部分数据变化。主成分分析(PCA)和偏最小二乘(PLS)方法都具有通过投影提取特征来处理变量间
【技术保护点】
【技术特征摘要】
1.一种基于鲁棒动态变分贝叶斯字典学习的过程监测方法，其特征在于，包括以下步骤：(1)构造贝叶斯字典学习模型：收集工业过程数据标准化处理，建立贝叶斯字典学习模型，初始化模型参数先验；(2)变分近似推理：通过步骤(1)构造的模型，计算证据下界，最大化下界的最优分布，计算模型近似的后验分布；(3)变分期望步：通过步骤(1)建立的模型，计算过程数据X∈R
P
×
N
对应的二值稀疏矩阵Z，并确定稀疏二值向量z
i
中每个元素z
ik
的更新公式；(4)变分最大步：确定步骤(1)的参数近似后验分布的更新公式，计算参数的最优后验分布；(5)离线建模：通过步骤(1)～(4)计算正常工况数据的字典矩阵D∈R
P
×
K
，通过重构误差计算控制限，然后计算稀疏编码获得重构样本矩阵Ψ；(6)重构样本动态分析：建立向量自回归模型分析步骤(5)得到的重构样本矩阵，得到动态系数矩阵和Q；(7)在线监测：通过步骤(6)得到的和Q，构建故障统计量以检测故障是否发生。2.根据权利要求1所述的基于鲁棒动态变分贝叶斯字典学习的过程监测方法，其特征在于，步骤(1)具体为：(1
‑
1)收集工业过程正常工况下的观测数据，标准化处理后建立数据矩阵X∈R
P
×
N
，数据样本为x
i
∈R
P
×1，贝叶斯字典矩阵为D∈R
P
×
K
，系数向量为w
i
∈R
K
×1，字典学习方法表示为x
i
＝Dw
i
+∈
i
ꢀꢀꢀꢀ
(1)其中，∈
i
∈R
P
×1是一个残差项，包含噪声和与线性因子模型的偏差；(1
‑
2)在系数向量w
i
施加Beta
‑
Bernoulli先验，近似稀疏表示为其中，π
k
是向量π的第k个元素，系数w
i
表示为z
i
和s
i
的哈德曼积，z
i
是一个二值稀疏向量，s
i
是权重向量；贝叶斯字典学习进一步表示为：x
i
＝D(z
i
⊙
s
i
)+∈
i
ꢀꢀꢀꢀ
(3)(1
‑
3)稀疏二值向量z
i
用于从字典矩阵D中选择列向量以表示x
i
，因此得到以下的生成过程
其中，d
k
表示字典矩阵D的第k列，I
P
和I
K
分别表示大小P
×
P和K
×
K单位矩阵，{a0,b0,c0,d0,e0,f0}＝Γ表示超参数。3.根据权利要求2所述的基于鲁棒动态变分贝叶斯字典学习的过程监测方法，其特征在于，步骤(2)具体为：(2
‑
1)在变分贝叶斯字典学习中，所有的潜变量为θ＝{D,s,z,π,γ
s
,γ
∈
}，目标是找到后验分布p(θ|y)；根据平均场理论，p(θ|y)由q(D,s,z,π,γ
s
,γ
∈
)在隐藏变量θ上的分解形式表示为q(D,s,z,π,γ
s
,γ
∈
)＝q(D)q(z)q(s)q(π)q(γ
s
)q(γ∈)
ꢀꢀꢀꢀ
(5)(2
‑
2)证据下界表示为(2...
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。