[发明专利]一种基于分散式OSC-PLS回归模型的故障检测方法

摘要

本发明公开一种基于分散式OSC‑PLS回归模型的故障检测方法，旨在从同等对待各测量变量的角度出发，建立行之有效的故障检测模型实施更可靠的故障检测。具体来讲，本发明方法借鉴分散式建模的策略，在剔除每个测量变量与其他测量变量之间正交不相关信号后，再利用PLS回归算法建立两者之间的回归模型，然后利用每个测量变量的估计误差实施故障检测。相比于传统方法，本发明方法在利用分散式建模的基础上同等的为每个测量变量建立其各自的回归模型，并且将各个回归模型中的正交不相关信号剔除，最大程度地保障了回归模型的软测量精度从而保证了后续的故障检测性能。可以说，本发明方法是一种更为优选的数据驱动故障检测方法。

主权项

1.一种基于分散式OSC‑PLS回归模型的故障检测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈R^n×m，并对每个测量变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵；步骤(2)：将标准化后的数据集表示成其中x_i∈R^n×1为第i个测量变量的n个 数据组成的列向量，i＝1，2，…，m表示变量下标号，并初始化i＝1；步骤(3)：将矩阵中第i列数据去除得到回归模型的输入矩阵而将x_i作为回归模型的输出，利用正交信号校正(OSC)方法剔除输入与输出x_i之间的正交不相关成分，从而得到新输入矩阵其中，为正交成分向量，a_i是的协方差矩阵的最大特征值对应的特征向量，b_i为计算正交成分的回归系数向量；步骤(4)：利用偏最小二乘(PLS)回归算法建立输入Z_i与输出x_i之间的软测量模型：x_i＝Z_iR_i+e_i             (1)上式中，e_i表示第i个变量的估计误差，R_i为PLS模型的输入‑输出回归向量；步骤(5)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成矩阵E＝[e₁，e₂，…，e_m]后继续执行下一步骤(6)；步骤(6)：依次计算矩阵E的均值行向量μ∈R^1×m与协方差矩阵S＝(E‑μ)^T(E‑μ)/(n‑1)，并计算马氏距离监测统计指标D的上限其中表示自由度为m的卡方分布在置信水平α＝99％下的取值；在线故障检测的实施过程如下所示：步骤(7)：收 集新采样时刻的数据样本x∈R^1×m，对其实施与步骤(1)中相同的标准化处理得到新数据向量后，初始化i＝1；步骤(8)：将行向量中的第i个元素y_i取出后得到输入向量并按照如下所示公式剔除输入中与输出y_i之间正交不相关的信号成分，从而得到新输入向量z_i：步骤(9)：根据公式f_i＝y_i‑z_iR_i得到当前监测数据中第i个测量值的估计误差；步骤(10)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的估计误差组成向量f＝[f₁，f₂，…，f_m]并继续执行下一步骤；步骤(11)：根据如下所示公式计算误差向量f的统计监测指标D：D＝(f‑μ)S^‑1(f‑μ)^T         (3)进而根据D的具体数值实施在线故障检测，具体思路为：若D≤D_lim，则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。