[发明专利]一种基于混合独立成分分析算法的工业过程监测方法

说明书

本发明公开一种基于混合独立成分分析算法的工业过程监测方法，旨在提出一种混合独立成分分析算法，并利用该算法实施非高斯过程监测。具体来讲，本发明方法首先利用粒子群优化算法逐个提取训练数据中潜藏的非高斯分布的独立成分信息，其次对剩余的高斯分布信息，利用时间序列相关的主成分分析算法进一步提取时间序列独立成分，最后利用这些提取的独立成分实施非高斯过程监测。与传统方法相比，本发明方法使用粒子群优化算法优化求解非高斯分布的独立成分，保证了求解过程中的全局最优性。其次，本发明方法对服从高斯分布的独立成分进行深入挖掘，考虑到了时间序列上的二阶相关性。可以说，本发明方法是一种更为优选的非高斯过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于混合独立成分分析算法的工业过程监测方法。

背景技术

随着先进测量技术与计算技术的飞速发展，生产过程对象可以离线存储与在线测量海量的数据，现代工业过程已进入工业“大数据”时代。这些采样数据蕴含着能体现生产过程运行状态的信息，利用采样数据实施过程运行状态的监测于是乎得到了较多学者们的青睐。近年来，无论是学术界还是工业界，都投入了大量的人力与物力研究可靠的数据驱动过程监测方法。在数据驱动过程监测研究领域，统计过程监测是被研究得最多的方法，其中当以主成分分析(Principal Component Analysis，PCA)与独立成分分析(IndependentComponent Analysis，ICA)为最主流的实施技术手段。一般而言，由于ICA算法能够挖掘出数据中潜藏的非高斯成分信息，更能揭示对象的本质，因此更适合于非高斯过程对象的监测。

虽然ICA算法能通过高阶统计量挖掘出本质特征信息，但是提取的独立成分有些可能依旧服从高斯分布。而对高斯分布独立成分信息的挖掘，传统ICA算法未能考虑时间序列上的二阶统计量。因此，传统基于ICA算法的非高斯过程监测方法还有待改进与提升。此外，利用ICA算法提取独立成分时，一般都采用FastICA迭代求取。然而，FastICA算法是基于牛顿法求解优化问题的，很容易陷入局部最优，而且独立成分的非高斯性大小不是按照提取先后自动排列的。为解决这个问题，可以使用智能优化算法，比如粒子群优化算法，来保证各独立成分的非高斯性。

发明内容

本发明所要解决的主要技术问题是：提出一种混合独立成分分析算法，首先利用粒子群优化算法逐个提取训练数据中潜藏的非高斯分布的独立成分信息，其次对剩余的高斯分布信息，利用时间序列相关的主成分分析算法进一步提取时间序列独立成分，最后利用这些提取的独立成分实施非高斯过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于混合独立成分分析算法的工业过程监测方法，包括以下所示步骤：

步骤(1)：采集工业过程正常运行状态下的样本数据，组成矩阵X∈R^n×m，并计算矩阵X中各列向量的均值μ₁，μ₂，...，μ_m以及标准差δ₁，δ₂，...，δ_m，从而组成均值向量μ＝[μ₁，μ₂，...，μ_m]^T与标准差向量δ＝[δ₁，δ₂，...，δ_m]，其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵，上标号T表示矩阵或向量的转置。

步骤(2)：根据公式对矩阵X实施标准化处理得到矩阵其中，U∈R^n×m是由n个相同的均值向量μ组成的矩阵，即U＝[μ，μ，...，μ]^T，对角矩阵Φ中对角线上的元素由标准差向量δ组成。

步骤(3)：设置矩阵确定如下所示的优化目标函数，并利用粒子群优化算法求解得到变换向量w∈R^m×1及其对应的目标函数值J_w：