[发明专利]一种基于粒子群优化核独立元分析模型的故障检测方法

说明书

本发明公开一种基于粒子群优化核独立元分析模型的故障检测方法，该方法结合利用核学习技巧与粒子群优化算法，将传统的独立元分析方法扩展成一种能直接处理非线性过程数据的建模方法，并在此基础上建立相应的故障检测模型。具体来讲，首先通过核函数将原始训练数据矩阵变换成核矩阵，并进行中心化处理；其次，利用粒子群优化算法迭代求取非线性独立元，并按照非高斯性大小进行排序；最后，建立非线性故障检测模型并实施在线故障检测。与传统方法相比，本发明方法避免了白化预处理过程，从而不会出现丢失或者扭曲原始数据信息的情况。此外，本发明方法不仅限于用于建立故障检测模型，该方法还可以应用于其他涉及非线性数据信号源分离上。

技术领域

本发明涉及一种工业过程故障检测方法，尤其是涉及一种基于粒子群优化核独立元分析模型的故障检测方法。

背景技术

近年来，随着计算机技术的飞速发展与广泛应用，现代化的工业过程已逐步走向“大数据时代”。工业过程尤其是流程工业过程拥有了相当丰富的生产数据资源，为数据驱动的故障检测研究提供了充实的数据基础。通常来讲，数据驱动的故障检测方法不需要过程对象精确的机理模型，只需针对过程正常运行的采样数据进行分析，定义出一个描述正常数据波动范围的区域，即可实施在线故障检测。多变量统计分析算法(如主元分析、偏最小二乘、独立元分析算法)在这一领域中受到了广泛的关注与研究，各种改进的新型算法层出不穷。以独立元分析(Independent Component Analysis，ICA)为例，针对采样数据间的相关性，目前有基于动态ICA模型的故障检测方法；针对过程数据的非线性特性，可以采用核ICA(Kernel ICA，KICA)算法建立非线性非高斯的故障检测模型。相比于主元分析法，ICA因为在提取独立元的过程中考虑了数据的高阶统计信息，可以处理非高斯分布的数据对象。而现代工业过程因其自身的复杂性，采样数据通常是不满足高斯分布的。因此，ICA算法更适合于监测现代工业过程对象。

在目前被广泛使用的ICA求解算法中，FastICA算法因其迭代求解过程简单快速而得到了使用者们的青睐。然而，已有研究文献指出，FastICA算法由于利用了牛顿迭代法的原理，遇到二次凸函数时容易陷入局部最优值。若初始值设置不当，FastICA算法还有可能不收敛。另外，FastICA算法通常要求先利用主元分析对数据进行白化处理，并且假设白化后的数据是较好的独立元初始值。为了克服这些缺点，国内学者提出利用粒子群优化(Particle Swarm Optimization，PSO)算法取代FastICA算法中采用牛顿迭代法，可直接用于分析原始过程数据。它保证了优化算法能够收敛到全局最优点，并在实际应用中取得了满意的效果。这种PSO-ICA算法虽然克服了牛顿迭代法的缺点，但是却比牛顿法更加耗时。可幸的是，将PSO-ICA用于故障检测时，因只在离线建模阶段涉及求解独立元，算法的时效性不会限制它应用于故障检测。可是，PSO-ICA算法依旧是线性变换算法，无法有效地挖掘非线性过程数据的有用信息。传统的KICA算法虽然能处理非线性数据，但是从KICA建模过程来讲，它其实是先利用核主元分析对数据进行白化处理后，再实施FastICA迭代求取独立元。若是简单地将PSO-ICA算法用于处理核主元分析白化后的数据，一方面导致所提取的独立元并非直接由原始数据而来，另一方面还会增加相应计算耗时。因此，这种非线性扩展的方式是不可取的，还违背了PSO-ICA算法可直接用于分析原始数据的初衷。