[发明专利]一种基于分散式OSC-PLS回归模型的故障检测方法

说明书

本发明公开一种基于分散式OSC‑PLS回归模型的故障检测方法，旨在从同等对待各测量变量的角度出发，建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。相比于传统方法，本发明方法在利用分散式建模的基础上同等的为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度从而保证了后续的故障检测性能。可以说，本发明方法是一种更为优选的数据驱动故障检测方法。

技术领域

本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于分散式OSC-PLS回归模型的故障检测方法。

背景技术

随着全球化市场竞争日趋激烈化，有效地保证生产的正常运行是现代过程工业面临的主要挑战。因此，故障检测在整个综合自动化系统中占有着重要地位。在已有的科研文献与专利资料中，实施故障检测的技术手段可以大体上分为基于机理模型的与数据驱动的。基于机理模型的故障检测方法以误差生成为核心要素，通过过程对象精确的机理模型产生过程对象某些参数或变量的实测值与估计值之间的误差，然后监测估计误差的变化情况来反应过程对象是否处于正常生产工况。近年来，由于计算机技术的飞跃发展和工业规模的不断扩大，工业过程能够测量和存储的数据信息越来越大而精确描述过程的机理模型却难以获得。数据驱动的过程监测技术就是在这个背景下应运而生的，其中针对多变量统计过程监测(MSPM)的研究已得到了工业界和学术界的广泛关注。通常来讲，数据驱动的故障检测方法在于对正常工况下的采样数据进行特征挖掘，从而提取出少数几个特征成分，然后对特征成分计算相应的统计量指标以判断在线采样数据是否来自于正常工况。

数据驱动的故障检测方法主要以主元分析(Principal Component Analysis，PCA)、独立元分析(Independent Component Analysis，ICA)、和偏最小二乘(PartialLeast Square，PLS)算法为基础，相应的研究成果层出不穷。一般来讲，PLS算法及其拓展形式主要用于与质量相关的故障检测研究，旨在建立输入数据与质量指标之间的软测量关系。而PCA算法是一种无监督型的特征挖掘算法，旨在提取训练数据的潜在有用特征成分。但无论是利用哪种算法的建立故障检测模型，其基本思想都是对原始数据进行投影变换。而进行投影变换时，这些投影变换向量上各系数其实可看做成不同变量的权重系数。从这一角度讲，不同投影变换向量为不同变量赋予不同的权值，每个变量经投影转换后因权值的差异而导致这些变量重要性程度是不等同的。然而，从故障检测的角度出发，每个测量变量的异常变化都能表征过程对象出现了故障，各个测量变量在故障检测中的重要性是等同的。因此，传统数据驱动的故障检测方法在故障检测性能的提升上还有待进一步研究，即如何从等同对待各个测量变量的前提下，对数据特征进行有效挖掘。

针对上述问题，一种可行的思路是对每个测量变量进行单独的分析，利用相应回归算法描述出该变量与其他变量之间的相互关系特征。由于过程测量变量间是交错相关的，用一部分变量测量数据就预测或者估计出其他变量的测量数据，这也就是软测量的基本思想。然而，在利用回归算法建立软测量模型时，需要考虑模型输入与输出之间不相关信息的干扰影响，也就是需要实施正交信号校正(Orthogonal Signal Correction，OSC)以剔除输入与输出之间正交不相关的成分信息。只有这样，才能改善软测量模型的精度，从而使输入-输出关系特征描述更加准确。

发明内容

本发明所要解决的主要技术问题是：如何从同等对待各测量变量的角度出发，准确地描述出各测量变量与其他测量变量之间的相互关系特征，从而建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。