[发明专利]消去时序相关性的多模型动态PCA故障监测方法

说明书

本发提供一种消去时序相关性的多模型动态PCA故障监测方法，其过程是：首先，对批次性正常生产过程的监测数据进行标准化处理；其次，分别对一个批次内每个时刻建立时间序列模型，通过减法运算消去相邻时刻数据的时序相关性；然后，对批次内每个时刻的随机分布数据分别进行PCA特征提取；最后，基于提取的关系特征构造高阶统计量，通过高阶统计量与其控制限对比实现故障监测，具体演算过程分为建模和监测两个阶段，建模阶段包含简单随机分布数据生成和PCA特征提取两过程，本发明是非时变消去时序相关动态PCA的补充，它使PCA理论体系更架完善，为基于数据统计的非平稳动态工作过程故障监测奠定基础。

技术领域

本发明属于基于数据统计的机械设备的故障监测方法技术领域。

背景技术

故障监测方法分为基于解析模型的故障监测和基于数据统计的故障监测。基于解析模型的故障监测需要先建立监测对象的数学模型，模型的准确性会对监测结果产生直接影响。基于数据统计的故障监测是先从正常工作状态下的监测数据中提取出变量的关系特征，再以该关系特征为基向量，将当前监测数据向基向量上投影，由投影值构造高阶统计量实现故障监测。当高阶统计量落在概率分布函数的置信区间内则表明当前生产设备处在正常的工作状态；当高阶统计量落在置信区间外则生产设备发生了异常。特征提取是数据统计故障监测方法的关键。主成分分析(Principal Component Analysis PCA)是一种常见的特征提取方法，它通过对监测数据所构造的协方差矩阵进行特征值分解求出代表数据关系特征的特征向量。

根据PCA方法是否能够提取数据的时序关系特征将PCA分为静态PCA和动态 PCA(dynamic principal component analysis DPCA)。静态PCA假设不同监测时刻的数据间不存在时序相关性，只提取变量的互相关特征。动态PCA则考虑数据存在时序相关性，数据的时序相关性也是过程监测数据的一类重要特征，它反映了生产设备的运行状态。增广矩阵动态主成分分析(Augmented matrix dynamic principal component analysis AMDPCA)正是利用了变量的时序关系的动态PCA特征提取方法，它可以理解为时间序列模型残差监测方法的一种变形。

采用增广矩阵建立模型时通常是将时序相关性与互相关性混淆在一起考虑。监测数据的自相关性却没有消除，使得T²统计量不再满足卡方分布，导致其误报警次数增加。

对此陈耀提出消去时序相关性的动态PCA特征提取方法，它通过建立数据的时序模型消除其时序相关性，使得数据满足随机分布的假设，该方法是针对平稳工作过程。但是，在目前的科研文献与专利文件中，还鲜有考虑非平稳工作过程的时变时序相关性的动态过程监测方法。如何消除非平衡工作过程中时序相关性对过程监测的影响是本领域急需进一步的深入研究。

发明内容

本发明要解决的技术问题是在非平稳工况下，当监测数据存在时序相关性时，时序相关性数据并不满足简单随机分布的条件,会使高阶统计量的误报警增加的问题。

为解决上述技术问题，本发明采用消去时序相关多模型动态PCA特征提取方法对批次性生产过程进行监测。

本发明的具体的技术方案是：

一种消去时序相关性的多模型动态PCA故障监测方法，其过程是：首先,对批次性正常生产过程的监测数据进行标准化处理；其次，分别对一个批次内每个时刻建立时间序列模型，通过减法运算消去相邻时刻数据的时序相关性；然后，对批次内每个时刻的随机分布数据分别进行PCA特征提取；最后，基于提取的关系特征构造高阶统计量，通过高阶统计量与其控制限对比实现故障监测，

具体演算过程分为建模和监测两个阶段，建模阶段包含简单随机分布数据生成和PCA特征提取两过程，

一建模阶段：

A.简单随机分布数据生成：