[发明专利]一种基于隐变量模型的工业过程监测方法

说明书

本发明公开了一种基于隐变量模型的工业过程监测方法。本发明通过深度特征提取、贝叶斯定理和加权策略建立了一种基于隐变量模型的工业过程监测方法，该方法能显著提升传统隐变量过程监测模型的性能。该方法首先使用分层级联的隐变量模型结构提取深度隐变量特征并构建传统监测变量；随后使用贝叶斯定理将传统的监测变量转换为后验概率；最后使用加权策略结合不同的后验概率用以构建一个基于概率的监测指标。与传统隐变量模型的监测变量相比，该方法所构建的指标的监测效果更好、性能更佳。它能够更好地指示系统的运行状态，为安全的工业生产保驾护航。

技术领域

本发明属于工业过程监测与故障检测领域，涉及一种基于隐变量模型的工业过程监测方法。

背景技术

随着现代工业系统生产规模的不断扩大，工业过程监测在降低工业生产成本、提高工业生产质量和提升工业生产安全方面发挥着日益重要的作用。庞大的生产规模和先进的传感技术催生了大量的过程数据，工业生产也由此进入了大数据时代。以前，工业过程监测通常只能依靠机理模型或专家知识，然而，在大数据背景下，数据驱动的过程监测模型正变得越来越流行。其中，基于隐变量模型的方法是最常用的数据驱动过程监测模型。

工业生产通常是高度耦合的，这导致与某一生产过程有关的测量变量通常有很多。然而，真正影响生产过程的关键变量只有少数，大多数变量都是随关键变量的变化而变化的。隐变量模型就是用于寻找这些关键变量的方法，隐变量模型将学习得到的“关键变量”称为隐变量。这些隐变量虽然不直接代表关键变量，但它们与关键变量密切相关。在大数据时代，监测与某一过程有关的全部变量并不现实，取而代之，先使用隐变量模型提取出多维数据中的“关键变量”，随后基于这些“关键变量”设计监测方法是简便而高效的处理方式。传统隐变量模型在过程监测领域有着丰富的应用，典型的传统隐变量模型有主成分分析(PCA)、独立成分分析(ICA)、偏最小二乘法等。这些传统的隐变量模型在过程监测方面已经实现了成功的应用。

然而，随着现代工业生产过程的日益复杂，这些传统隐变量模型的学习能力有时不能胜任当今的应用场景，监测性能通常较差。换言之，基于传统隐变量模型的过程监测方法面对复杂的工业系统效果并不好。为了实现更好的监测效果，我们必须对传统的隐变量过程监测模型加以改进，使其拥有更强的学习能力以适应复杂的工业生产过程。

发明内容

本发明的目的在于针对现有技术解决工业过程监测问题的不足，提供一种基于隐变量模型的工业过程监测方法。

本发明的目的是通过以下技术方案来实现的：一种基于隐变量模型的工业过程监测方法，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。

进一步地，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。