[发明专利]一种基于双目标优化算法的动态过程监测方法

说明书

本发明公开一种基于双目标优化算法的动态过程监测方法，旨在从数据中分解出自相关特征成分时，同时考虑自相关性的两种表现形式。本发明方法首先将自相关性的两种表现形式转换成两个优化目标函数；然后，通过两优化目标的反复迭代求解最优的投影变换矩阵；最后，将自相关性从样本数据中分离出去后，实施对误差的在线监测。本发明方法的优势在于，首先本发明方法中涉及的双目标优化算法是一种全新的建模算法，同时考虑了自相关性的两种表现形式，旨在分离出时序自相关性的特征成分。其次，本发明方法在将自相关性从样本数据中分离出去后，利用误差实施监测的技术手段可以较好地消除时序自相关性的负面影响。因此，本发明方法更适合于动态过程监测。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于双目标优化算法的动态过程监测方法。

背景技术

考虑到生产过程安全运行与产品质量稳定的重要性，学术界与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。起初，基于机理模型的故障检测与诊断方法得到了较多的关注与应用。而今，由于现代工业过程可以测量与存储海量的数据，且生产规模的复杂性不断扩大，精确的机理模型通常是难以获取的。在这个背景下，数据驱动的过程监测研究得到了众多研究人员与技术人员的青睐。数据驱动的过程监测方法的基本思想在于利用数据挖掘算法，尤其是多变量统计分析算法为主，通过生产过程实时采集的数据来反映出生产过程是否进入故障状态。主成分分析(PrincipalComponent Analysis，PCA)算法是被最广泛采用的建模算法，已广泛应用于各式各样的生产过程对象的故障检测中。

由于现代工业过程的采样时间都较短，采样数据之间的时序自相关性是数据驱动的过程监测方法在建模时所必须考虑的一个问题。数据驱动的动态过程监测方法中最为典型的方法当属基于增广矩阵的动态主成分分析(Dynamic Principal ComponentAnalysis，DPCA)方法，其基本思想就是为各个训练样本数据引入延时测量值构成增广矩阵，然后对增广矩阵实施建模。使用增广矩阵可以同时将样本数据时序自相关性与变量之间的交叉相关性考虑进来，因此使用增广矩阵实施动态过程监测是最常见的技术手段。此外，还有建立多变量自回归模型的动态过程监测方法。总而言之，实施动态过程监测的关键在于如何充分挖掘采样数据间的时序自相关性。

一般而言，采样数据的时序自相关性可有两种表现形式：其一，各采样时刻的样本数据与其前面几个时刻的采样数据是存在显著相关性的；其二，各采样时刻的样本数据其实可由前面几个时刻的数据预测出来。这两种外在体现形式都能反映出数据样本之间的自相关特征，在挖掘自相关性特征时不能单独考虑其中一种表现形式。从数学角度讲，这两个表现形式可以用两个优化目标予以量化，同时考虑这两个优化目标就会导致出现一个双目标优化的问题。

发明内容

本发明所要解决的主要技术问题是：如何通过双目标优化的方式从采样数据中挖掘出相应的自相关特征成分，并基于该双目标优化算法实施动态过程监测。具体来讲，本发明方法首先将自相关性的两种形式量化为相应的目标函数；其次，通过交错迭代求取同时满足这两个目标函数的投影变换向量；然后，利用投影变换向量挖掘出自相关特征成分并建立相应的动态过程监测模型；最后，利用动态模型实施在线动态过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于双目标优化算法的动态过程监测方法，包括以下步骤：