[发明专利]一种基于张量主元分析的不等长批次数据实时监测方法

说明书

本发明公开了一种基于张量主元分析的不等长批次数据实时监测方法，本发明利用历史过程数据作为训练集，在张量空间对不等长批次数据进行建模分析，提炼出合适的统计量，然后利用该类统计量对当前批次过程进行实时监测，很好的解决实际批次过程中常见的数据不等长问题，并极大提高了监测性能。

技术领域

本发明涉及一种数据实时监测方法，更具体地，涉及一种基于张量主元分析的不等长批次数据实时监测方法。

背景技术

批次过程是现代工业中一种十分常见的生产方式被广泛应用于精细化工、制药、冶金和半导体等行业。与传统的连续过程相比，批次过程中采集的数据包含变量，样本和批次三个维度。对三维批次过程数据不仅要考虑数据变量之间的相关性，还要考虑批次之间的相关性。因此对批次过程建立有效的监测模型吸引了越来越多学者和工程师的兴趣和关注。

目前大部分批次过程统计检测模型都是基于展开的方式，最常用的有多向主元分析(MPCA)、多向偏最小二乘方法(MPLS)和多向独立主元分析(MICA)等。这些方法先将三维批次数组展开两维矩阵，再利用传统的统计方法进行建模分析，其中最常用的展开方式有基于批次展开和基于变量展开。这种基于展开的方式有如下几个缺点：原始三维数据结构被破坏，不可避免的会造成数据信息损失；基于展开的方式会造成待估参数大幅度增加，甚至会造成维数灾难的问题。现有的大部分方法都假设批次过程中采集的数据是等长的，而更实际的情况是，因为各种不可避免的干扰因素，每个批次采集的样本个数并不完全相等，针对这种不等长数据问题，现有的大部分监测方法都会失效。此外，现有的绝大部分批次过程监测方法都属于终点监测，即等到一个批次过程运行结束才判断是否有故障发生，这样已经造成了不可挽回的损失，因此，在批次运行过程中进行实时监测才是更有意义和研究价值的。

本发明利用改进的张量主元分析方法，在张量空间中对不等长批次数据直接进行建模分析，其优点在于不需要对原始批次数据展开，完整的保留了原始数据结构，并有效的解决了实际过程中数据不等长的问题，通过建立合适的统计量，本发明的方法可以做到对批次过程进行实时在线监测，极大的提高了批次过程监测的性能。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提供一种基于张量主元分析的不等长批次数据实时监测方法，通过基于张量的方法直接对原始数据建模，并用交互迭代算法求解模型参数，在监测过程中实时计算当前批次的统计量并与历史参数进行比较，从而确认故障的发生与否。

为实现上述目的，本发明的技术方案如下：

一种基于张量主元分析的不等长批次数据实时监测方法，其特征在于，包括以下步骤

步骤S1：数据采集；采集批次过程数据{X₁,X₂,…,X_N}，其中X_i是一个K_i×J大小的二维矩阵，N是批次序号，K_i是第i个批次中的样本个数，i＝1～N，J是每一批次每个样本被监测的变量个数；

步骤S2：建模分析和参数提取；利用张量主元分析方法对不等长数据建模分析，并用交互迭代算法求解模型参数，包括列负载矩阵V、所有得分向量的均值向量所有得分向量的协方差矩阵Σ，T²统计量的控制限CL_T和残差统计量SPE_ik的控制限CL_E；将各模型参数和控制限保存到数据库；

步骤S3：监控计算；对新采集的样本变量向量进行下列计算

t_new＝V^Tx_new

e_new＝x_new-VV^Tx_new