一种块内块间协同建模的分布式过程监测方法及装置制造方法及图纸

本发明专利技术涉及工业过程监测技术领域，更具体的说，涉及一种块内块间协同建模的分布式过程监测方法及装置。本方法包括：离线建模阶段包括以下步骤：对过程数据进行分解得到各个子块；对每个子块进行子块内的慢特征分析方法建模；进行子块间的典型相关分析建模；在线监测阶段包括以下步骤：对新的采样数据进行分块；将分块后的采样数据分别代入子块内的慢特征分析方法模型和子块间的典型相关分析模型，获得对应的特征成分；采用贝叶斯推理融合得到综合指标作为最终监测统计量，并与对应的控制限进行比较，以检测当前子块的状态。本发明专利技术可以从数据的不同特性角度对故障进行检测，提供故障定位的初步范围，以提高过程的检测性能和故障检测率。障检测率。障检测率。

【技术实现步骤摘要】
一种块内块间协同建模的分布式过程监测方法及装置


[0001]本专利技术涉及工业过程监测
，更具体的说，涉及一种块内块间协同建模的分布式过程监测方法及装置。

技术介绍

[0002]在现代工业中，保障过程生产的安全进行和产品的质量以及提高生产效率，是人们一直以来致力研究的方向。从最传统的基于模型的方法，依赖建立的过程的精确数学模型(如物理定律和化学反应过程)，对实际的系统生产状态进行监督是否发生偏差。而随着过程系统的日益复杂，建立特征模型变得更困难，成本更高。
[0003]人们通过积累工业过程的相关知识和专家经验，形成基于知识的方法对过程进行监测。基于知识的方法的监测结果更直观和理解，但是至今，在一些过程领域，其积累专家经验和知识的时间较短，知识库较小，因此基于知识的方法难以适用。
[0004]与知识需要长期的积累不同，随着现代工业系统的发展，可以获取到大量的包含工业过程信息的数据，因此数据驱动的过程监测方法的研究开展得如火如荼。
[0005]数据驱动的过程监测的核心是数据特征的挖掘。而实际上，不同的工业过程，其过程数据呈现出不同的特性或具有多种特性。常见的过程工业的数据主要有以下特征：
[0006]高维性。数据的高维性是难以避免的，现代工业流程的发展趋势是往大规模和
[0007]复杂发展。整个生产流程由各种各样的组件和操作设备组成，在每个部分，都有一些可以测量的重要变量，因此，过程采集的数据维数越来越高。
[0008]非高斯分布。经典的过程监测方法的使用大都建立在高斯过程的前提下。然而，在实际生产中，并不是所有变量都是服从高斯分布的，由于非高斯噪声或反馈控制回路等原因，有的变量可能服从不同类型的非高斯分布。因此，对应的非高斯过程数据的监测方法也发展了许多。
[0009]非线性。非线性的存在很普遍，在一个过程中，有的过程变量之间是线性相关，有的则不是，过程变量和质量变量间也可能是非线性相关的。过程数据中存在多样的非线性关系，根据具体特征进行分析，并建立对应的过程监测模型。
[0010]时变性。在工业生产过程中，其运行状态会受到多方面影响，随着时间发生改变，如进料组分发生波动、工艺设备老化、生产计划的调度等。对此，对应的解决方法，如自适应技术、多模态方法等的过程监测方案也被提出。
[0011]自相关性。除了变量间存在相关关系外，变量自身也存在着动态性，变量当前的测量值与其过去的值是自相关的。变量的时间序列相关性除了与过程的本质有关外，还可能与控制回路、反馈回路、过程噪声等都有关。有的故障会影响过程的动态性，所以对数据动态性的挖掘也是过程监测的重要内容。
[0012]如今，工业系统的复杂程度愈来愈高，采集的数据愈来愈多，数据的特征愈来愈复杂。如何更好地挖掘数据特征，是提高过程监测性能的关键。
[0013]基于部分子块通讯的分布式典型相关分析(CCA)过程监测对于大规模的过程，结
合实际过程背景进行过程分解，并提出了用于描述子块间联系的拓扑矩阵，根据拓扑矩阵，对有连接的、信息交互的子块们进行CCA建模，挖掘两个子块的过程数据间的相关关系，并通过观察基于残差向量构建的空间的变化实现过程监测。
[0014]然而，基于部分子块通讯的分布式CCA过程监测方法只着重于子块间的相关关系的挖掘，每个子块的测量数据也蕴含了当前范围的许多过程信息，可以对当地的数据提取特征，构建主元特征空间进行监督。
[0015]并且，基于部分子块通讯的分布式CCA建模，可能面临一个严重的问题，当某一子块在拓扑结构上只与某一子块进行通讯时，如果数据传输出现问题，例如线路中断等，则当前子块的数据就没有用于过程监测。
[0016]因此需要提出一种解决上述问题的方法。

技术实现思路

[0017]本专利技术的目的是提供一种块内块间协同建模的分布式过程监测方法及装置，解决现有技术的分布式CCA过程监测性能差的问题。
[0018]为了实现上述目的，本专利技术提供了一种块内块间协同建模的分布式过程监测方法，包括离线建模和在线监测两个阶段，所述离线建模阶段具体包括以下步骤：
[0019]步骤S1：对过程数据进行分解得到各个子块，构建拓扑矩阵C；
[0020]步骤S2：对每个子块进行子块内的慢特征分析方法建模，并提取慢特征和保留投影矩阵；
[0021]步骤S3：根据提取的慢特征分别计算统计量，并通过核密度估计获取对应的控制限；
[0022]步骤S4：根据拓扑矩阵C对有连接的子块进行子块间的典型相关分析建模，并提取典型相关成分和保留投影矩阵；
[0023]步骤S5：根据典型相关成分生成残差向量并计算统计量，通过核密度估计获得对应的控制限；
[0024]所述在线监测阶段具体包括以下步骤：
[0025]步骤S6：对新的采样数据，根据步骤S1进行对应分块，分解得到各个子块；
[0026]步骤S7：将分块后的采样数据分别代入子块内的慢特征分析方法模型和子块间的典型相关分析模型，获得对应的特征成分；
[0027]步骤S8：分别计算慢特征分析方法模型和典型相关分析模型对应的模型的统计量；
[0028]步骤S9：对于同一子块的多个模型的不同检测结果，采用贝叶斯推理融合得到综合指标ET2作为最终监测统计量，并与对应的控制限进行比较，以检测当前子块的状态；
[0029]步骤S10：计算整个过程的故障检测指标FD，并与对应的控制限比较，当超过控制限时，则表示过程中有故障发生，反之则认为过程的运行状态为正常状态。
[0030]在一实施例中，所述的步骤S1进一步包括：
[0031]结合过程背景和机理知识对过程数据进行分解，得到的各个子块，对应的表达式为：
[0032]X＝[X1,X2,
…
,X
i
…
,,X
B
][0033]其中，X
i
为第i个子块，B为子块的个数。
[0034]在一实施例中，所述的步骤S2中，每个子块提取的慢特征，对应表达式为：
[0035]s
i
＝W
i
X
i
[0036]其中，s
i
为第i个子块的慢特征，W
i
为第i个子块对应的权重矩阵，X
i
为第i个子块。
[0037]在一实施例中，所述的步骤S3中的统计量，对应的表达式为：
[0038][0039]其中，为第i个子块对应的统计量，用以监督子空间中表征过程状态本质的成分的变化情况，s
i
为第I个子块的慢特征。
[0040]在一实施例中，所述核密度估计对应的表达式为：
[0041][0042]其中，y为待估计的数据，y
i
为过程数据的观测值，n为样本数，h为平滑参数，K(
·
)为核函数。
[0043]在一实施例中，所述的步骤S4中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种块内块间协同建模的分布式过程监测方法，其特征在于，包括离线建模和在线监测两个阶段，所述离线建模阶段具体包括以下步骤：步骤S1：对过程数据进行分解得到各个子块，构建拓扑矩阵C；步骤S2：对每个子块进行子块内的慢特征分析方法建模，并提取慢特征和保留投影矩阵；步骤S3：根据提取的慢特征分别计算统计量，并通过核密度估计获取对应的控制限；步骤S4：根据拓扑矩阵C对有连接的子块进行子块间的典型相关分析建模，并提取典型相关成分和保留投影矩阵；步骤S5：根据典型相关成分生成残差向量并计算统计量，通过核密度估计获得对应的控制限；所述在线监测阶段具体包括以下步骤：步骤S6：对新的采样数据，根据步骤S1进行对应分块，分解得到各个子块；步骤S7：将分块后的采样数据分别代入子块内的慢特征分析方法模型和子块间的典型相关分析模型，获得对应的特征成分；步骤S8：分别计算慢特征分析方法模型和典型相关分析模型对应的模型的统计量；步骤S9：对于同一子块的多个模型的不同检测结果，采用贝叶斯推理融合得到综合指标ET2作为最终监测统计量，并与对应的控制限进行比较，以检测当前子块的状态；步骤S10：计算整个过程的故障检测指标FD，并与对应的控制限比较，当超过控制限时，则表示过程中有故障发生，反之则认为过程的运行状态为正常状态。2.根据权利要求1所述的块内块间协同建模的分布式过程监测方法，其特征在于，所述的步骤S1进一步包括：结合过程背景和机理知识对过程数据进行分解，得到的各个子块，对应的表达式为：X＝[X1,X2,
…
,X
i
…
,,X
B
]其中，X
i
为第i个子块，B为子块的个数。3.根据权利要求1所述的块内块间协同建模的分布式过程监测方法，其特征在于，所述的步骤S2中，每个子块提取的慢特征，对应表达式为：s
i
＝W
i
X
i
其中，s
i
为第i个子块的慢特征，W
i
为第i个子块对应的权重矩阵，X
i
为第i个子块。4.根据权利要求1所述的块内块间协同建模的分布式过程监测方法，其特征在于，所述的步骤S3中的统计量，对应的表达式为：其中，为第i个子块对应的统计量，用以监督子空间中表征过程状态本质的成分的变化情况，s
i
为第i个子块的慢特征。5.根据权利要求1所述的块内块间协同建模的分布式过程监测方法，其特征在于，所述核密度估计对应的表达式为：
其中，y为待估计...

【专利技术属性】
技术研发人员：钟伟民，彭鑫，李智，杜文莉，钱锋，曹志兴，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：