[发明专利]一种基于分散式主元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主元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，对数据的特征进行挖掘，从而建立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，利用主元回归算法针对每个测量变量为之建立该变量与其他测量变量之间的软测量模型，然后利用软测量模型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等同地对待了所有的测量变量，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主元回归模型的故障检测方法。

背景技术

安全稳定的生产是所有工业过程对象首要考虑的问题，而保证持续正常的生产状态无外乎对过程运行状态实施实时监测，从而及时地甄别出系统出现的异常状态。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依赖于过程对象精确的机理模型，以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，通过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。换言之，误差生成是基于机理模型的故障检测方法的核心理念。近年来，随着工业“大数据”建设的推进，生产过程中可以采集大量的实时采样数据，这为数据驱动的故障检测方法提供了坚实的数据基础。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。从实施思路来看，基于机理模型的故障检测方法与数据驱动的故障检测方法是存在显著不同的，前者依赖于过程机理模型生成误差而后者依赖于对正常数据进行特征挖掘的数据模型。

就当前来看，工业界与学术界广泛研究的故障检测技术是数据驱动的方法，这其中又当以多变量统计过程监测(Multivariate Statistical Process Monitoring，MSPM)方法为主。主元分析(Principal Component Analysis，PCA)与独立元分析(IndependentComponent Analysis，ICA)是被研究得最多的MSPM算法，相应的研究成果层出不穷。此外，涉及与质量相关的故障检测方法一般采用回归算法建立输入与质量指标之间的软测量模型。具体可使用的回归算法最常见的有主元回归(Principal Component Rgression，PCR)与偏最小二乘回归算法等等。一般来讲，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得到相应的特征成分。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。

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，对数据的特征进行挖掘，从而建立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，针对每个测量变量为之建立该变量与其他测量变量之间的软测量模型，然后利用软测量模型的估计误差实施故障检测。

本发明解决上述技术问题所采用的技术方案为：一种基于分散式主元回归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样本，组成训练数据集X∈R^n×m，并对每个测量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。