[发明专利]一种基于动态潜独立变量的动态非高斯过程监测方法

说明书

本发明公开一种基于动态潜独立变量的动态非高斯过程监测方法，旨在结合可处理动态性数据的动态潜变量模型与可处理非高斯数据的独立成分分析模型的优势。具体来讲，本发明方法首先利用动态潜变量算法分别提取出自相关的动态特征成分与交叉相关的静态特征成分。其次，在对特征成分进行白化处理后，利用合并后的白化特征成分作为初始独立成分迭代求取动态潜独立变量模型。最后，基于动态潜独立变量实施动态非高斯过程监测。可以说，本发明方法利用了动态潜变量算法分开提取动态成分与静态成分的能力，再进一步结合能提取非高斯特征成分的独立成分分析算法。因此，本发明方法是一种可行动态非高斯的过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于动态潜独立变量的动态非高斯过程监测方法。

背景技术

由于现代工业过程广泛使用先进传感器与计算机技术，生产过程对象可以离线存储与在线测量海量的数据。在工业“大数据”背景下，数据驱动的过程监测近年来得到了较多学者们的青睐。事实上，无论是学术界亦或是工业界，都投入了大量的人力与物力研究以故障检测与诊断为核心任务的过程监测方法。在数据驱动的过程监测研究领域，各类机器学习算法，如多变量统计分析、流形学习、支持向量机等都曾被应用于过程监测。这其中，针对动态过程的监测方法研究是较为热门的一个分支，主要是在建模过程中如何有效地考虑采样数据之间的时间序列相关性。最经典的解决动态过程监测问题的思路莫过于使用增广矩阵，通过为各测量样本引入延时测量数据，即可建立动态主成分分析(DynamicPrincipal Component Analysis，DPCA)模型或动态独立成分分析(Dynamic IndependentComponent Analysis，DICA)模型。

然而，DPCA或DICA方法在建立动态过程监测模型时，是将自相关性与交叉相关性混淆在一起考虑。所提取的特征成分信息虽然相互之间是不相关或者独立的，但是体现在采样时间上的自相关性却鲜有人提及。作为一种改进型的动态过程监测方法，有研究人员提出过动态潜变量(Dynamic Latent Variables，DLV)模型。DLV方法的基本思路是先对数据挖掘出能体现自相关性的动态潜成分信息，然后在对剩余的静态信息使用传统主成分分析(Principal Component Analysis，PCA)算法。虽然DLV方法能较好地解释所挖掘出的特征成分，但是利用DLV算法实施过程监测时依旧使用高斯分布假设。从这点上讲，DLV方法是只适用于动态高斯过程的监测问题的，无法应对动态非高斯过程对象的监测。

在非高斯过程监测领域，独立成分分析(Independent Component Analysis，ICA)算法由于能从高阶统计信息出发提取数据中潜藏的非高斯特征成分信息，因而得到了广泛的研究与应用。前面提到的DICA模型虽然可以处理动态非高斯过程监测问题，但DICA同样未曾考虑所提取特征成分的自相关性问题。一般而言，时间序列上的自相关性是比较棘手的，我们通常希望无论是采样数据还是提取出的潜藏特征成分都是时间序列不相关的。由于采样数据的序列自相关性无法避免，动态非高斯过程监测还有待进一步的研究。

发明内容

本发明所要解决的主要技术问题是：如何挖掘动态的非高斯特征成分信息，并基于此实施动态非高斯过程监测。具体来讲，本发明方法首先利用DLV方法分别提取出自相关的动态特征成分与交叉相关的静态特征成分。其次，在对特征成分进行白化处理后，利用白化后的特征成分作为初始独立成分迭代求取动态潜独立变量模型。最后，基于动态潜独立变量实施动态非高斯过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于动态潜独立变量的动态非高斯过程监测方法，包括以下步骤：