[发明专利]一种基于隐变量模型的工业过程监测方法

权利要求书

1.一种基于隐变量模型的工业过程监测方法，其特征在于，包括以下步骤：

(1)通过分层级联的方式构建一个多层隐变量模型；

(2)基于工业过程监测的历史数据集和步骤(1)中每层隐变量模型提取出的隐变量，构造各层的监测变量，估计各层监测变量在某特定显著性水平δ下的置信限；

(3)获取一个新的测试样本，得到其每一层隐变量模型对应的监测变量；

(4)根据步骤(2)得到的置信限和步骤(3)得到的各层监测变量，使用贝叶斯定理得到各层的后验故障概率；

(5)将各层的后验故障概率加权求和，构建综合概率指标DBS；如果测试样本的DBS值大于δ，则认为该样本对应的时刻处于故障状态，否则为正常状态。

2.如权利要求1所述基于隐变量模型的工业过程监测方法，其特征在于，步骤(2)包括：

通过分层级联的方式构建一个深度为L的隐变量模型架构，L层隐变量矩阵Z的计算方式如下：

Z¹＝f(X)

Z^l＝f(Z^l-1),2≤l≤L

其中，f(·)代表一个单层隐变量模型，是工业过程监测的历史数据集，其中N为样本总数，M为变量个数；

对N个样本，深度为L层的模型结构，得到共N×L个监测变量：

S^l(n)＝g(z^l(n)),1≤n≤N,1≤l≤L

其中，g(·)表示某特定的构造规则，S是基于g(·)构造出的监测变量；z^l(n)是第n个样本在第l层的隐变量向量；

在每一层，N个样本都被转化为N个监测变量；对于每一层，在得到所有的N个监测变量S后，估计监测变量在某特定显著性水平δ下的置信限S_lim。

3.如权利要求2所述基于隐变量模型的工业过程监测方法，其特征在于，步骤(2)使用核密度估计计算置信限S_lim。

4.如权利要求2所述基于隐变量模型的工业过程监测方法，其特征在于，步骤(4)包括：

计算测试样本x_new处于故障状态的条件概率和测试样本x_new为正常状态的条件概率

其中，μ为调节参数，S^l(new)为x_new在L层结构中每一层的监测变量；

根据贝叶斯定理，将监测变量S^l(new)转化为后验故障概率：

构建综合概率指标DBS如下：

其中，是各层后验故障概率对应的加权系数。

5.如权利要求4所述基于隐变量模型的工业过程监测方法，其特征在于，加权系数由如下加权策略定义：

定义当前样本x_new过去Y个时刻的平均后验概率为

根据与设计加权系数

其中，η是正数。

6.如权利要求1所述基于隐变量模型的工业过程监测方法，其特征在于，工业过程监测的历史数据集经过标准化。