[发明专利]一种基于分散式ICR模型的非高斯过程监测方法

说明书

本发明公开一种基于分散式ICR模型的非高斯过程监测方法，旨在解决如何利用非高斯数据建模算法，通过数据模型将采样数据转换成误差，并以误差作为被监测对象实施非高斯过程监测的问题。具体来讲，本发明方法首先针对每个测量变量，利用独立成分回归(ICR)算法建立各变量与其他变量之间的软测量模型。然后，利用软测量模型的估计误差作为被监测对象，建立基于独立成分分析(ICA)的过程监测模型实施非高斯过程监测。可以看出本发明方法利用了分散式建模的优势，而且采用多种非高斯数据分析算法相结合的实施方式，是一种更为优选的适于非高斯过程的数据驱动的过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于分散式ICR模型的非高斯过程监测方法。

背景技术

实时地监测生产过程的运行状态是保证安全生产与维持产品质量稳定的直接途径，对于过程监测的研究一直都存在于整个工业的发展历程中，其目的在于及时而准确的发现故障。当前，故障检测的主流技术手段是数据驱动的过程监测方法。现代化工过程的大型化建设以及先进仪表与计算机技术的广泛应用，生产过程可以采集海量的数据，这为数据驱动的过程监测研究提供了坚实的数据基础。而传统基于机理模型的故障检测方法现已逐渐没落，主要是它需要使用较为精确的机理模型从而产生过程某些变量或参数的估计误差。相比之下，数据驱动的故障检测方法不需要机理模型只需要采样数据，比较适合于现代工业过程运行状态的监测。一般来讲，数据驱动的过程监测方法建模的基本出发点都是对正常工况下的采样数据进行特征挖掘，通过投影变换的方式将原始采样数据转换成潜在特征。实施在线故障检测时，将在线采样数据经同样的投影变换得到相应的潜在特征，然后依据潜在特征的统计量指标判断是否为故障样本。

由此可见，数据驱动的过程监测方法与基于机理模型的故障检测方法是存在显著差异的，前者旨在挖掘潜在特征二后者旨在生成误差。发展至今，数据驱动的过程监测研究领域涌现出了很多特征挖掘算法以及各式各样的建模思路。就特征挖掘算法而言，主成分分析(Principal Component Analysis，PCA)、独立成分分析(Independent ComponentAnalysis，ICA)、偏最小二乘(Partial Least Squares，PLS)、以及它们的非线性扩展形式是被广泛研究的算法。就建模思路而言，处理数据自相关性科采用增广矩阵法，对大规模过程对象可采用多变量块的分散式建模策略。此外，还有多阶段建模、即使学习、集成学习等等思路。可以说，数据驱动的故障检测方法已如雨后春笋般蓬勃发展。值得一提的是，ICA作为一种典型的非高斯数据分析算法，已被广泛应用于非高斯过程的数据建模。例如，基于ICA的非高斯过程监测方法、将ICA与最小二乘法结合得到非高斯过程回归的独立成分回归(Independent Component Regression，ICR)、等等。由于非高斯分布的采样数据更为常见，因此ICA或ICR的方法实用性与应用性更为广泛。

然而，数据驱动的故障检测方法似乎已于基于机理模型的故障检测方法越走越远，鲜有在数据驱动模型中考虑误差生成的策略。其实，误差变化的大小能很好地反映过程对象是否处于正常运行状态，而且误差一般都服从或近似服从高斯分布。可是精确机理模型的建立对于现代工业过程来讲可谓是困难重重，那么可否用数据模型替代机理模型后再生成过程对象中某些参数货变量的估计误差呢？由于机理模型建立的是过程输入与输出之间的关系，而数据驱动的过程监测模型旨在特征挖掘，不存在区分过程输入与输出。任何一个测量变量在故障检测中的地位是等同，也不好将某些变量作为输出而其他变量作为输出。因此，在数据驱动的故障检测模型中实施类似的误差生成方案还有待进一步商榷。可想而知，若是能实现这一目的，那么不仅能拉近数据驱动的故障检测方法与基于机理模型的故障检测方法之间的距离，而且还能重新定义现有数据驱动故障检测的方法框架。

发明内容