[发明专利]一种基于多核主元分析模型的非线性过程监测方法

说明书

本发明公开一种基于多核主元分析模型的非线性过程监测方法，旨在建立并融合多个核函数所对应的KPCA模型，从而避免核函数的选择问题，并在此基础上实施有效地非线性过程监测。首先，本发明方法将常用的核函数类型全部考虑进来，避免了核函数的选择问题。因此本发明方法的通用性较强。其次，本发明方法因使用多个核函数分别建立多个不同的非线性过程监测模型，充分发挥了多模型建模的优势。可以说，本发明方法的故障检测效果不会弱于任何一个使用单个核函数的过程监测模型。综合这两点优势，本发明方法克服了传统基于KPCA的过程监测方法的不足，是一种更为优选的非线性过程监测方法。

技术领域

本发明涉及一种工业过程监测方法，尤其是涉及一种基于多核主元分析模型的非线性过程监测方法。

背景技术

现代工业过程对象规模的大型化与生产的高效化对实时监测过程运行状态提出了越来越高的要求，及时地检测出过程对象运行过程中出现的故障工况是保证产品质量的根本途径。可以说，针对以故障检测为核心任务的过程监测技术的研究一直伴随着工业发展的历程。而今，数据驱动的过程监测方法是最为主流的实施技术手段，这主要得益于测量仪表与计算机技术的广泛应用，可测量与可存储的工业过程采样数据为数据驱动的过程监测方法奠定了坚实的数据基础。考虑到现代工业过程对象的非线性特性，使用非线性的数据建模与监测方法通过能保证其有效性。

作为最为广泛使用的非线性过程建模与监测方法，核主元分析(KernelPrincipal Component Analysis，KPCA)算法通过利用核学习技巧实现了对采样数据非线性特征的描述。核学习技巧的巧妙之处在于通过一个未知的非线性函数将原采样数据映射至高维空间，映射后的数据在高维空间中只存在线性关系特征，但是KPCA却不需要知道非线性函数的具体形式。正是得益于这种优势，在现有科研文献与专利技术材料中，基于KPCA算法或者类似核学习思想的建模与监测方法层出不穷。然而，KPCA算法虽然不需要知道非线性函数的具体形式，但是需要人为预先给定一个核函数，而常用核函数的选择有多种可选形式。一般来讲，基于KPCA算法的过程监测模型都是指定其中一种通用性较好的核函数(即高斯核函数)，鲜有考虑使用其他两种核函数的研究成果。可是，核函数直接决定着非线性映射函数的映射结果，对基于KPCA的非线性过程监测性能有着直接影响。

此外，另一个值得指出的问题是，KPCA算法如何选择合适的核函数至今仍未出现一个被广泛接受的标准。这主要是因为KPCA算法所建立的模型是一种单分类模型，建模过程只需要利用正常工况下的采样数据即可。在没有历史故障数据的前提下，无法从提升故障检测效果的角度出发选择合适于被监测对象的核函数。即使某些过程对象历史数据库中可以提供些许故障工况下的采样数据，但是故障工况的类型不可计数，利用这些有限的故障数据来帮助选择核函数所得到的KPCA模型有可能只针对这些故障类型，而对提升未知类型故障的检测可能是没有任何作用的。因此，基于KPCA的非线性过程监测方法中核函数的选择是个值得关注的问题，但是至今却未得到深入研究。

近十几年来，多模型的建模思路已被较多领域验证为一种能有效提升模型精度的策略，多模型的泛华能力通常也优越于单个模型。多模型建模实施的关键在于如何对多个子模型进行有效融合，这种多模型的思路或许能为KPCA算法中核函数的选择问题提供可借鉴的方案。也就是说，放弃选择单个的核函数，转而建立多个核函数的非线性模型，这样可以避免核函数的选择问题，同时又能发挥出多模型的优势。

发明内容

本发明所要解决的主要技术问题是：如何建立并融合多个核函数所对应的KPCA模型，从而避免核函数的选择问题，并在此基础上实施有效地非线性过程监测。本发明解决上述技术问题所采用的技术方案为：一种基于多核主元分析模型的非线性过程监测方法，包括以下步骤：