[发明专利]一种基于误差主元分析模型的工业过程监测方法

说明书

本发明公开一种基于误差主元分析模型的工业过程监测方法，该方法旨在将将原始数据转换成服从或近似服从高斯分布的误差信息，然后对该误差实施监测从而避免因非高斯数据造成的种种不便。具体来讲，本发明方法首先逐一假设过程对象中每个变量的测量数据缺失；其次，根据主元分析(PCA)模型中处理缺失数据的技巧推测出相应缺失变量的估计值；最后，利用假设的缺失数据实测值与估计值之间的误差作为被监测对象，再次建立基于PCA的故障检测模型实施在线故障检测。与传统方法相比，本发明方法不拘泥于原始数据是否满足于高斯分布假设，能较大幅度改善传统PCA方法的故障监测性能，是一种更为优选的过程监测方法。

技术领域

本发明涉及一种数据驱动的工业过程监测方法，尤其涉及一种基于误差主元分析模型的工业过程监测方法。

背景技术

随着市场竞争的日趋激烈化，保证生产过程的安全性与产品质量的稳定性是企业稳健发展的根本途径。近几十年来，以故障检测为核心要素的过程监测方法与技术一直都是工业界与学术界重点关注的对象。在故障检测研究的起始阶段，基于机理模型与设计观测器是主流的技术手段。通常来讲，误差生成是基于机理模型方法的核心。这类方法大多利用过程对象中某些参数实际值与估计值之间的误差来反应过程运行状态，以达到实时故障检测的目的。这些被监测的误差信息在正常运行状态下一般都是服从高斯分布的，只有在异常状态下才会出现较大波动。然而，随着现代化工业对象规模的不断复杂化与大型化，获取符合一定精度要求的机理模型变得越来越不切实际。取而代之的是，基于数据的过程建模与故障检测方法。这主要得益于先进仪表与计算机技术在工业过程中的广泛应用，海量的生产过程数据可以很容易地被测量与储存。与基于机理模型的故障检测方法生成误差不同，基于数据的故障检测方法旨在挖掘过程数据中的潜藏的有用信息，并对这些有用信息进行监测。

在诸多的基于数据的方法中，多变量统计过程监测(Multivariate StatisticalProcess Monitoring，MSPM)是最常见的故障检测方法。其中，又以主元分析(PrincipalComponent Analysis，PCA)与独立元分析(Independent Component Analysis，ICA)为最主流的数据分析与建模方法，已被广泛用于工业过程监测中，各种延伸拓展形式层出不穷。PCA模型过程监测时，一般需要假设过程数据服从或近似服从高斯分布以方便地确定出监测统计量的控制上限。若不满足高斯分布假设，PCA故障检测模型就无法较好地描述正常数据的波动范围，相应的故障检测能力将会大幅下降。相比较之下，ICA方法不存在这个假设，能更好地适应于非高斯过程对象的建模与监测问题。值得一提的是，无论是PCA还是ICA，对应的故障检测模型通常都是采用基于距离的监测统计量来定义正常数据范围。从几何空间角度看，PCA与ICA在将原始数据进行转换后，定义了一个超椭球来限定其波动范围。可想而知，若是这些经PCA或ICA转换过后成分信息不服从高斯分布，那么定义的超椭球内部就存在较多的“空洞”，处于这些空洞中的点按理说应该是故障数据，但是PCA或ICA却无法将其有效识别出来。

由于实际过程对象的复杂与大规模化特性，采样数据很少符合或近似符合高斯分布。因此，基于距离的统计监测指标及其对应的控制上限无法精准地定义训练数据的正常波动范围。一种可行的解决方法是采用多维核密度估计法或单分类的支持向量机，对数据的分布情况加以描述，这样一来就可以准确地定义的正常范围。然而，参数选择确是这类方法面临的主要问题。参数选择不当，很容易出现过拟合现象。另一种可行的解决思路可以是将原始不服从高斯分布的数据通过某种方式转换成误差。与基于机理模型的故障检测方法类似，通过监测实际值与估计值之间的误差来实现对生产过程状态的有效监测。一般而言，实际值与估计值之间的误差通常是符合或近似符合高斯分布的。若能将原始数据转换成这种的类型的误差，那么基于距离的统计监测指标以及对应的上限就不会存在“空洞”，相应的故障检测模型的可靠性与有效性又可以得到保证。

发明内容