【技术实现步骤摘要】
一种基于平行式字典学习的复杂工业过程监测方法和系统
[0001]本专利技术属于工业过程监测领域，具体涉及一种基于平行式字典学习的复杂工业过程监测方法和系统。
技术介绍
[0002]随着现代工业系统的集成化、智能化水平提高，工业过程中的任何微小故障都可能会给生产活动造成难以估量的破坏。因此，为了保证工业系统的安全稳定运行，人们对过程监测也提出了更高层次的要求。通过采用合适的过程监测方法，操作人员可以实时获取工业过程的当前运行状态，一旦监测到有故障发生，触发报警提示，操作员可以及时反应并处理，避免造成更大的经济损失和及时消除安全隐患。
[0003]数据驱动的方法在工业过程监测领域内展现了巨大的潜能，一直被广泛研究。多元统计过程监测方法(MSPM)是最典型的数据驱动方法之一，其主要通过降维的方式来抓取数据的重要特征，其中广泛使用的主要有PCA,PLS和ICA等。随着人工智能技术的发展，一些机器学习的方法也被应用于过程监测领域，例如支持向量机(SVM)和随机森林方法等。
[0004]字典学习是一种常用的机器学习方法，...
【技术保护点】
【技术特征摘要】
1.一种基于平行式字典学习的复杂工业过程监测方法，其特征在于，包括：根据工业过程各监测变量的方差膨胀因子，从监测变量集中提取共线性变量集；基于线性最大化方法从共线性变量集中识别并划分线性变量子集，监测变量集中剩余监测变量构成非线性变量子集；对每个线性变量子集均基于字典学习建立线性监测模型，对非线性变量子集则基于核字典学习建立非线性监测模型；基于建立的线性和非线性监测模型，计算训练数据在各变量子集部分的重构误差，并基于核密度估计方法计算各线性和非线性监测模型的控制限；在线获取复杂工业过程的实时监测样本数据，使用各线性和非线性监测模型计算各变量子集的重构误差；基于各重构误差和控制限，计算当前监测样本数据各变量子集部分的正常似然概率、异常似然概率和异常后验概率，并融合得到当前监测样本数据的全局指标，由全局指标判定当前复杂工业过程是否故障。2.根据权利要求1所述的复杂工业过程监测方法，其特征在于，各监测变量的方差膨胀因子的计算方法为：其中，VIF
j
表示任意监测变量x
j
的方差膨胀因子，m为监测变量的个数，R
j2
为监测变量x
j
在其余所有监测变量上回归时的确定系数。3.根据权利要求1所述的复杂工业过程监测方法，其特征在于，监测变量集中提取共线性变量集的方法为：将方差膨胀因子大于给定方差膨胀因子阈值的各监测变量组成一个共线性变量集。4.根据权利要求1所述的复杂工业过程监测方法，其特征在于，所述基于线性最大化方法从共线性变量集中识别并划分线性变量子集，具体为：(1)将共线性集表示为X
P
＝[x1,x2,...,x
P
]∈R
N
×
P
，P为方差膨胀因子超过阈值的监测变量个数，x
max
为共线性集X
P
中具有最大方差膨胀因子的监测变量；(2)最大化x
max
与共线性集X
P
中其余监测变量的线性组合间的相关性：其中，X
P
‑1∈R
N
×
(P
‑
1)
为共线性集X
P
中除去x
max
的其余变量集，a∈R
P
‑1为X
P
‑1的组合系数向量，D(x
max
)与D(X
P
‑1a)分别为变量方差，cov(x
max
,X
p
‑1a)为协方差矩阵；(3)令Σ
11
，Σ
12
，Σ
21
，Σ
22
分别表示cov(x
max
,x
max
)，cov(x
max
,X
p
‑1)cov(X
P
‑1,x
max
)，cov(X
p
‑1,X
p
‑1)，得到：(4)将式(3)代入优化问题(2)中，固定分母，将优化问题(2)转化为：
(5)通过拉格朗日乘子法，将优化问题(4)转化为特征值分解问题并得到：Σ
22
‑1Σ
21
Σ
11
‑1Σ
12
a＝λ2a(5)(6)基于非零值特征根的个数为min(1,P
‑
1)，求解特征向量即可得到最优系数向量a；(7)从最优系数向量中筛选所有大于给定权重阈值的系数，其对应的变量构成与x
max
线性相关的变量子集，记为一个线性变量子集；(8)将提取出的线性变量子集从共线性集X
P
中删除，...
【专利技术属性】
技术研发人员：阳春华，张娇娇，黄科科，吴德浩，李勇刚，朱红求，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：
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。