[发明专利]一种面向不确定性非平稳工业过程的异常监测方法

说明书

本发明公开了一种面向不确定性非平稳工业过程的异常监测方法，具体涉及工业过程异常监测领域。该发明在平稳子空间分析方法的基础上，考虑过程不确定性，提出了概率平稳子空间分析方法。该方法对不确定性进行显式的建模，并有效地将非平稳趋势从过程不确定性中分离出来。考虑到模型参数之间相互耦合，该方法利用期望最大化算法进行参数解耦，并推导了迭代更新的闭式解。基于该模型，在概率框架下提出了两个检测指标用于异常监测。与现有的非平稳过程异常监测方法相比，本发明所提方法消除了过程不确定性的影响，提高了对非平稳过程中微小故障的检测能力；且可以避免模型参数的过拟合问题，为非平稳数据建立一个更加精确的生成式模型。

技术领域

本发明属于工业过程异常监测领域，具体涉及一种面向不确定性非平稳工业过程的异常监测方法。

背景技术

异常监测对于保障工业过程和设备的正常、高效运行至关重要。实际的工业过程通常表现出显著的非平稳特性，即：过程数据的统计特性会随时间发生变化。非平稳特性可能是由多种因素引起的，包括原料变化、负荷波动和设备老化等。非平稳特性影响了主元分析等传统的异常监测方法的应用，常使它们发生两类错误。第一类错误是漏报，也就是说故障产生的影响被非平稳趋势所掩盖，从而导致了大量的漏报；第二类错误是误报，因为传统方法难以跟踪非平稳趋势的变化，从而导致了较高的误报。

在过去的十年中，非平稳工业过程异常监测方法得到了长足的发展。据我们所知，这些方法主要可以划分为四类，即：自适应更新方法，基于协整分析的方法，基于子空间分解的方法，基于趋势分析的方法。以递归主元分析为例，自适应更新的方法根据训练数据建立数据模型，然后利用正常的测试数据更新模型的参数。其次，基于协整分析的方法希望在非平稳变量中找到其平稳的线性组合。基于子空间分解的方法通常将平稳子空间从全空间中分离出来，平稳子空间分析方法就是其中的代表。最后，基于趋势分析的方法通常从非平稳过程中提取趋势信息来实现监测任务。

上述方法能够很好地应用于非平稳工业过程的异常监测中，然而它们并未考虑非平稳过程中存在的不确定性问题。实际的工业过程经常会遭受各种不确定性的影响，这可能是由随机噪声和未知扰动等因素引起的。过程不确定性给非平稳过程的异常监测带来了挑战。一方面，实际的非平稳趋势被过程不确定性部分掩盖了，这会降低算法的监测性能，尤其是对于微小故障。另一方面，难以将真实的非平稳趋势和由不确定性引起的变化区分开来，这将导致模型参数的过拟合问题。概率模型为应对这些挑战提供了一个新的视角，它可在真正感兴趣的实际趋势和由不确定性引起的变化之间达到一个很好的平衡。事实上，工业过程的测量数据天然地以统计形式呈现，而非确定性的方式。目前，已经有一些概率潜变量模型被应用于工业过程的异常监测，但是它们专注与平稳过程，而不是非平稳过程。

发明内容

为了解决上述问题，本发明提出了一种面向不确定性非平稳工业过程的异常监测方法，消除了过程不确定性的影响，提高了对非平稳过程中微小故障的检测能力。

本发明的技术方案如下：

一种面向不确定性非平稳工业过程的异常监测方法，包括离线训练阶段和在线监测阶段；其中，

A.离线训练阶段，包括如下步骤：

A1.采集非平稳过程在正常工况下的设备运行历史数据其中N为历史数据集中的样本数目，m为测量变量的数目；

A2.对设备运行历史数据进行标准化处理，以使各个变量变成零均值、单位方差的标准化形式，标准化的方法如式(1)所示：

其中，Λ是一个对角矩阵，对角线元素由m个变量的标准差组成，1是一个由m个1组成的列向量，是历史数据的样本均值向量；

A3.对标准化的数据矩阵X进行Johansen测试，确定平稳成分的个数d，其中1≤d≤m-1；

A4.标准化数据矩阵X中的第k个样本x(k)分解为式(2)所示的概率平稳子空间分析模型：