[发明专利]基于PLS模型与PCA贡献度融合的在线报警分析方法

权利要求书

1.一种基于PLS模型与PCA贡献度融合的在线报警分析方法，其特征在于，包括：

获取工业数据；

根据工业流程和所述工业数据对整体系统进行分块处理；

根据多关联模块偏最小二乘法分别对子模块进行建模分析，以获得工业数据子模块构造和子模块的过程监控结果；

根据主元分析法获得每个子模块对整体系统的实时贡献度；

根据子模块对整体系统的实时贡献比例获得每个过程之中变量对于整体系统的贡献度；

根据关键变量提取方式对所述变量进行筛选，以获得具有预设贡献度的变量；

根据在线根源分析策略获得过程变量实时重要程度，所述过程变量实时重要程度用于在线评价变量关键程度的重要指标；

根据所述过程变量实时重要程度对工业报警进行管理；

所述根据多关联模块偏最小二乘法分别对子模块进行建模分析的步骤包括：

根据偏最小二乘法形成X与Y变量模型，所述变量模型为：

其中，X是输入变量，Y是输出变量，T为X的主元潜在变量，U为Y的主元潜在变量，P、Q分别为X、Y投影到主元空间的投影矩阵，E_X、E_Y分别为X、Y主元空间残差项；

根据主元潜在变量T形成主元变量预测模型，用于预测主元潜在变量U，所述主元变量预测模型为：

其中，B为回归矩阵，E_TU的最小化函数是偏最小二乘法的目标函数；

根据公式（1）和公式（2）获得输出Y的预测模型：

其中，E_TY为整体模型的残差；

获得任意时刻主元潜在变量LV：

其中，k为主元变量个数，X_ki为输入变量集合中的第k个变量的第i个采样；

所述根据主元分析法获得每个子模块对整体系统的实时贡献度的步骤包括：

对每个子模块进行偏最小二乘计算：

其中，LV_i为第i维潜在变量， 为LV_i的方差，为投影矩阵的第元素，X_j为输入变量集合中的第j个变量，con(j,i)表示第j个变量的第i时刻采样得到的贡献度；

获得任意时刻各个子模块的各个变量对于所述子模块的贡献度ConS(s,j,i)，所述贡献度ConS(s,j,i)为：

其中，贡献度ConS(s,j,i)表示第s个子模块在第i个采样下第j个变量的贡献度，a为子模块的总数，con(i,j)表示第j个变量的第i时刻采样得到的贡献度；

所述根据关键变量提取方式对所述变量进行筛选的步骤包括：

根据三西格玛规则对所述变量进行筛选：

其中， 表示在第j个采样点各个变量的贡献度变化率序列的方差，conz(j,i)表示第j个变量的第i时刻采样得到的贡献度；

所述根据在线根源分析策略获得过程变量实时重要程度的步骤包括：

根据量化公式对各个变量的实时重要程度进行量化，所述量化公式为：

其中，score(i,j)表示在第i个采样下第j个变量的实时重要程度。

2.根据权利要求1所述的基于PLS模型与PCA贡献度融合的在线报警分析方法，其特征在于，所述根据子模块对整体系统的实时贡献比例获得每个过程之中变量对于整体系统的贡献度的步骤包括：

对数据集合R进行主元分析法建模：

其中，数据集合，R_i是第i个子集在某一时刻的T²值，P_R为数据集合R的主元空间投影矩阵，T_R为投影矩阵，E_R为残差矩阵；

获得R_i对于T_R的任意时刻的贡献度conR(s,i)，所述贡献度conR(s,i)为：

其中，贡献度conR(s,i)表示i时刻第s个子模块对整体系统的贡献度，T_Ri为投影矩阵，P_RS,i为主元空间变量，x_s为采样数据；

获得子模块的各个变量对整体系统的贡献度conz(n,i)，所述贡献度conz(n,i)为：

其中，u为子模块个数，n为变量个数，ConS(s,i)表示第i时刻第s个子模块对整体系统的贡献度。