[发明专利]一种基于量纲可变型独立元分析模型的故障检测方法

说明书

本发明公开一种基于量纲可变型独立元分析模型的故障检测方法，该方法在离线建模阶段首先按照传统独立元分析(ICA)模型中分离矩阵各列向量元素数值的差异，对应为各变量赋予不同的权重以体现量纲的差异。然后，由于分离矩阵中每个列向量都体现了测量变量在该投影方向上的差异，因此可有多种量纲可变形式，对应可建立多个ICA故障检测模型。在线监测时，则调用这多个ICA模型计算相应的监测统计量，并利用贝叶斯推理得到最终的概率型监测指标以方便故障决策。与传统方法相比，本发明方法不仅将测量变量的不同等重要性考虑进建模中，而且还利用多模型实施故障检测。该方法对正常数据特征的描述就更加全面，利用取得更优越的故障检测效果。

技术领域

本发明涉及一种工业过程故障检测方法，尤其涉及一种基于量纲可变型独立元分析模型的故障检测方法。

背景技术

随着计算机技术在工业系统中的广泛应用，现代化工业生产过程正在迈向“大数据时代”，海量的生产过程数据资源为数据驱动的监测、软测量、控制、优化等提供坚实的数据基础。其中，数据驱动的故障检测方法于近年来得到了空前的发展，各种故障检测模型层出不穷。以主成分分析(Principal Component Analysis，PCA)与独立成分分析(Independent Component Analysis，ICA)算法为代表的多变量统计过程监测方法得到了学术界和工业界的广泛关注，产生了适合不同工况类型的故障检测实施方案。与基于PCA的故障检测方法相比较而言，ICA算法在建模的过程中旨在提取在高阶统计意义上相互独立的成分信息，可应对非高斯的过程数据对象。正因为如此，基于ICA的故障检测方法在监测现代化复杂工业过程对象时，其所取得故障检测效果通常优越于传统的PCA方法。

值得指出的是，无论是基于PCA，还是基于ICA的故障检测模型，它们在离线建模阶段都需要对正常工况下的采样数据实施标准化预处理以消除测量变量量纲间的差异。由于任何一个测量变量对应的采样数据出现问题，都可以说过程进入非正常的运行状态，因此每个测量变量的重要性是一致的。在建模前为了消除各个测量变量变化范围(量纲)对建模结果的影响，标准化处理将所有测量变量的量纲统一化是一个势在必行的过程。可是，从故障检测的角度出发，若能将测量变量的量纲差异体现出来，就相当于为不同变量赋予了不同的权重系数，相应的故障检测模型就会对某些故障种类更为敏感，从而可以有效地提升故障检测效果。由于故障检测模型在离线建模阶段时只利用了正常工况下的采样数据集，可以看成是一种无监督型的建模思路。因此，只有正常数据而缺乏故障数据的条件下，无法有针对性的将量纲差异体现出来，这时标准化处理貌似就成了“不得已而为之”的预处理方案了。为了提高传统基于ICA的故障检测模型的监测效果，量纲可变是一种可行的实施方案。唯一的难点在于如何在只有正常数据可用来建模的前提下，有指导性的挖掘量纲差异，从而在此基础上建立量纲可变的故障检测模型。

发明内容

本发明所要解决的主要技术问题是：从正常数据统计特性角度出发，挖掘测量变量间的量纲差异，并建立基于量纲可变型的ICA故障检测模型以实施在线故障检测。具体来讲，本发明方法在离线建模阶段首先按照传统ICA建模的思路得到模型的分离矩阵，然后依据分离矩阵各列向量上元素数值的差异，对应地为过程测量变量赋予不同的权重以体现量纲的差异，并再次建立ICA故障检测模型。由于分离矩阵有多个列向量，每个列向量都体现了测量变量在该投影方向上的差异，对应有多种不同的量纲可变形式，可建立多个ICA故障检测模型。因此，在线实施故障检测时，则调用这多个ICA模型计算相应的监测统计量，并利用贝叶斯推理得到最终的概率型监测指标，从而简化最后是否触发故障报警的决策。

本发明解决上述技术问题所采用的技术方案为：一种基于量纲可变型独立元分析模型的故障检测方法，包括以下步骤：

(1)采集生产过程正常运行状态下的数据样本，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵。