[发明专利]一种多工况过程模态辨识方法

说明书

本发明公开了一种多工况过程模态辨识方法，属于自动检测技术领域，包含离线训练和在线模态辨识两部分；离线训练利用历史训练数据计算每个模态的权重，并通过正交变换获取使得不同工况下变量的条件独立程度最大，其正交矩阵通过数值方法解优化问题获得，利用变换后的数据离线训练贝叶斯分类器，利用核函数估计条件概率密度函数；在线模态辨识首先对样本进行正交变换，并计算在各个工况下的条件概率密度函数，模态类别由最大化条件概率密度函数确定，与经典方法朴素贝叶斯相比，本发明所提方法放松了数据条件独立的假设，具有更高的分类准确率。

技术领域

本发明属于自动检测技术领域，具体涉及一种多工况过程模态辨识方法。

背景技术

在实际工业系统中，生产过程的工况会因很多因素发生工况切换。这些因素包括系统进料的改变、反应物成分的改变、不同的生产工艺、外部环境因素的变化以及生产指标的改变等等。在某些情况下，过程工况的改变是有标签的，如生产指标发生改变，或工厂中操作工按照指令改变进料或改变设定温度等。但有些工况的改变是没有标签的，如外部环境因素的变化。在这种情况下，需要对测量数据进行分析并在线辨识过程的模态，为后续的过程监控提供基础。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种多工况过程模态辨识方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种多工况过程模态辨识方法，具体包括如下步骤：

步骤1：离线训练，具体步骤如下：

步骤1.1：收集d种不同工况下的历史数据，建立训练数据集

其中，m为传感器个数，n_i为第i个工况下的样本个数；

步骤1.2：计算每个工况的先验权重β_i：

步骤1.3：对第i个工况下的数据进行预处理：

其中，代表第i个工况下的第k个采样时刻的测量向量；为相应的零均值化的向量；μ^{i}为第i个工况数据的样本均值，由式(3)计算：

步骤1.4：计算第i个工况数据的样本协方差Q^{i}：

其中，为转置；

步骤1.5：令j＝1，并设置误差阈值ε；

步骤1.6：令k＝0，生成随机向量并归一化：

其中，表示的2范数；

步骤1.7：若j1，则对公式(5)中的进行正交化处理：

其中，w_i是待优化正交矩阵W的第i列；中k是迭代计算的第k步，T是转置；

步骤1.8：计算函数g(w_j)：

其中，w_j是待优化正交矩阵W的第j列；

步骤1.9：计算g(w_j)的雅可比矩阵J(w_j)：

其中，I为单位阵；

步骤1.10：牛顿迭代：