[发明专利]一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法

说明书

本发明提供了一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法，主要包括如下步骤：(1)收集多个批次正常情况下的间歇过程数据；(2)将收集到的三维数据展开为二维数据并标准化；(3)建立时序扩展和邻域保持极限学习机模型；(4)建立正常数据下平方预测误差SPE和霍特林T²的统计量，求取控制限；(5)收集在线的间歇过程数据；(6)将在线数据通过建立的时序扩展和邻域保持极限学习机模型进行投影；(7)求取在线数据的SPE和T²统计量，判断有无故障发生。本发明在投影过程中同时保持了数据的空间局部近邻结构和动态时序结构，避免了对过程数据满足高斯分布的假设，更加满足实际工业过程。

技术领域

本发明属于工业过程监控技术领域，涉及一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法。

背景技术

间歇过程被广泛的运用于石油化工、生物制药、微生物发酵、半导体生产等多个高附加值行业中。生产过程的安全和生产质量一直是间歇过程的两个重要目标，需要提前获取可能对生产造成扰动的故障信息，这就使得过程监控成为生产操作中必不可少的一部分，因此，通过有效的监控方法对间歇过程故障进行监控与检测具有重要的意义。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法。该方法通过借鉴非监督极限学习机的思想，通过时序扩展和邻域保持极限学习机的方法检测间歇过程的故障，为消除故障提供依据。

为此，本发明采用如下技术方案：

一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法，包括如下步骤：

(1)收集多个批次正常情况下的间歇过程数据，形成在批次、变量和采样点三个维度上分布的三维数据；

(2)将收集到的三维数据展开为二维数据并标准化；

(3)初始化极限学习机网络，建立时序扩展和邻域保持极限学习机模型，求取输出权重矩阵；

(4)建立正常数据下平方预测误差SPE和霍特林T²的统计量，求取控制限；

(5)收集在线的间歇过程数据，进行标准化处理；

(6)将标准化后的在线数据通过建立的时序扩展和邻域保持极限学习机模型进行投影；

(7)求取在线数据的SPE和T²统计量，判断有无故障发生。

进一步地，步骤(1)的具体过程如下：

利用集散控制系统收集间歇过程正常运行情况下多个批次的各关键变量数据信息，形成三维数据X(I×J×K)，其中I表示批次，J表示变量，K表示采样点。

进一步地，步骤(2)的具体过程如下：

由于间歇过程数据是三维的，无法用常规处理二维数据的方法进行处理，因此，需要将三维数据展开为二维数据再进行统计分析。此处使用混合展开的方法，首先沿着批次方向将三维数据X(I×J×K)展开为二维数据X(I×KJ)，然后将展开的二维数据进行标准化，使得各个过程变量的均值为0，方差为1；然后将标准化后的二维数据重新排列成X(KI×J)；这种混合展开的方法不仅考虑了批次之间的差异，而且还考虑了其随时间的动态特性。

进一步地，步骤(3)的具体过程如下：

通过时序扩展和邻域保持极限学习机求取间歇过程变量的非线性动态特征，其中，时序扩展和邻域保持极限学习机描述如下：