[发明专利]一种基于集成核独立成分分析模型的过程监测方法

说明书

本发明公开一种基于集成核独立成分分析模型的过程监测方法，旨在解决核函数与非高斯性度量函数的选择问题。首先，本发明方法不仅考虑了常用的四种核函数类型，而且还将非高斯性度量函数的三种形式全部考虑进来，避免了核函数与非高斯性度量函数的选择问题。因此本发明方法的通用性较强。其次，本发明方法因使用四个核函数以及三个非高斯性度量函数合计建立了12种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。实施在线监测时，通过概率融合将多个监测统计指标合并成一个概率型指标，又极大的简化了决策是否发生故障的过程。可以说，本发明方法克服了传统基于KICA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集成核独立成分分析模型的过程监测方法。

背景技术

现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生产过程安全与维持产品质量稳定的直接途径，设计可靠的过程检测系统也因此是整个综合自动化系统中必不可少的组成部分。发展至今，以故障检测为核心任务的过程监测方法研究逐步从基于机理模型的角度转变成数据驱动的方法。这主要是因为生产过程的大型化与复杂化趋势，机理模型难以获取。与此同时，工业过程可测量与存储海量的数据也为工业“大数据”发展奠定了坚实的数据基础。由于现代工业过程对象的非线性特征，故障检测通常更倾向于非线性的建模与监测方法。此外，过程对象采样数据的非高斯分布同样是一个不容忽视的问题，非高斯特征的提取通常优越于基于高斯分布假设的过程监测方法。

在非线性过程监测领域，核学习技巧是一种常见的能将线性算法转换成非线性算法的思想。例如，核主成分分析(Kernel Principal Component Analysis，KPCA)与核独立成分分析 (Kernel Independent Component Analysis，KICA)皆是非常经典的非线性过程建模与监测算法。KPCA与KICA算法的不同之处还在于，KICA在KPCA的基础上进一步挖掘出非高斯分布的非线性独立成分。换句话说，KICA除了可处理非线性数据外，还可以应对非高斯分布的采样数据。而且，在某种层面上讲，KPCA是KICA算法的一种特例，即过程对象的采样数据是严格服从高斯分布的。从这个角度讲，KICA算法应用于过程监测时能取得不亚于KPCA的故障检测效果。

然而，KICA算法面领着两种选择问题：其一，非线性核函数的选择；其二，非高斯程度量化指标的选择。一般而言，可用的非线性核函数有四种，常见的非高斯程度量化指标也有三种。一般的解决思路是直接凭借经验指定某种核函数与非高斯程度量化指标，鲜有考虑使用不同核函数或非高斯程度量化指标的研究工作。然而，从提升故障检测效果的角度出发选择核函数与非高斯程度量化指标，需要依赖于大量的历史故障数据，且要求故障类型的多样化。这在实际过程中是难以实现的，充足的采样数据一般大都来自于正常运行状态。因此，KPCA算法的核函数与非高斯程度量化指标的选择问题广为人知，却少有针对这个选择问题的研究成果。

可幸的是，多模型建模的思路能给解决这个问题提供可行的实施方案。首先，多模型建模的思想能充分保证模型精度，且泛化能力优越于的单个模型。其次，多模型实施成果的关键在于如何集成多个子模型的结果。因此，与其纠结于选择何种核函数或何种非高斯程度的量化指标，不如将所有的可能性都考虑进来，从而建立多个基于KICA的过程监测模型。只要集成的方法使用得当，多个KICA模型所能发挥出的故障检测效用理应不亚于单个KICA 模型。

发明内容

本发明所要解决的主要技术问题是：如何将多种核函数与多种非高斯程度量化指标集成考虑进来，从而建立集成KICA模型实施非线性非高斯过程监测。本发明解决上述技术问题所采用的技术方案为：一种基于集成核独立成分分析模型的过程监测方法，包括以下步骤：