[发明专利]一种时序约束模糊聚类的间歇过程多模态划分方法

说明书

本发明公开了一种时序约束模糊聚类的间歇过程多模态划分方法，属于间歇过程监测技术领域。该方法首先对间歇过程的多批次过程数据按照采样时间方向展开为二维数据矩阵并进行标准化，构建标准化后的过程数据样本集；然后将间歇过程的所有过程数据样本均划分为同一类，通过模糊聚类算法计算各个样本的初始隶属度；最后从最初采样时刻开始，逐个添加过程数据样本作为新的时序样本集，迭代计算新添加样本的隶属度，通过比较新添加样本的隶属度和对应时刻初始隶属度的大小，进而划分间歇过程的模态。本方法不需要间歇过程先验知识和统计模型，不需要设定模态个数，根据间歇过程的时序隶属度变化自动划分不同模态，提高了模态划分的准确性。

技术领域

本发明属于间歇过程监测技术领域，尤其涉及一种时序约束模糊聚类的间歇过程多模态划分方法。

背景技术

间歇过程已广泛应用于精细化工、制药、半导体器件等工业生产中。在间歇生产过程中，由于生产过程固有特性、生产策略变动，都会导致生产过程存在多个运行模态，多模态特性是间歇过程的重要特征之一，对间歇过程进行多模态划分能够提高过程批次数据多模态建模的精度及过程监测性能。

针对间歇过程的多模态划分，模糊聚类方法无需先验知识，能够很好地实现非时变数据集合的划分，然而，由于间歇过程具有多模态特性和时变特性，现有的模糊聚类分析方法存在以下两个问题：第一，均需要确定模态个数和初始模态的中心，模态划分结果容易受到初始聚类中心的影响导致陷入局部最优，得到不合理的模态划分结果；第二，仅考虑目标函数的最优值，不能保证每个模态内的所有样本按照实际的时序排列。因此，模糊聚类方法难以获得准确的间歇过程多模态划分结果。在模糊聚类方法的基础上，多尺度时变聚类中心变化的划分方法引入分类尺度辅助因子，通过迭代对比时变聚类中心与全局中心的差异程度来获取模态划分点，虽然能保证每个模态内的所有样本按照实际的时序排列，但是时变聚类中心对噪声和异常值较敏感，影响模态划分点的准确性。

发明内容

本发明以提高间歇过程的多模态划分准确性为目的，提出一种时序约束模糊聚类的间歇过程多模态划分方法，包括以下步骤：

步骤一：采集间歇过程的多批次过程数据，按照采样时间方向展开为二维数据矩阵并进行标准化，去除量纲的影响；

步骤二：通过模糊聚类算法计算单分类设定下各个间歇过程数据样本的初始隶属度；

步骤三：从最初采样时刻开始，逐个添加过程数据样本作为新的时序样本集，迭代计算新添加样本的隶属度，通过多次比较新添加样本的隶属度和对应初始隶属度的大小，进而划分间歇过程的模态；

步骤四：计算综合评价指标(partition performance combination index，PPCI)，确定最佳的间歇过程模态个数和模态划分结果。

所述步骤一，具体包括：

采集I个间歇过程批次的过程数据X_i(J×K)，其中，i(1≤i≤I)为批次的序号，J为测量变量的个数，K为采样点个数。按照采样时间方向展开为二维数据矩阵对数据矩阵的每列减去其均值再除以其标准差，得到标准化的批次过程数据X(K×IJ)。

所述步骤二，具体包括：

针对间歇过程标准化后的多批次数据X(K×IJ)，假设所有数据隶属于同一类，模糊聚类的目标函数为

其中，x_i为数据集X的第i个样本，u_i表示样本x_i隶属于该一类的程度，s表示模糊加权指数，一般取值为2，d_i＝||x_i-m||表示样本x_i和聚类中心m的欧氏距离。通过拉格朗日乘数法求解式(1)的约束优化问题，定义新函数