[发明专利]一种基于修剪独立元回归策略的非高斯过程监测方法

说明书

本发明公开一种基于修剪独立元回归策略的非高斯过程监测方法，旨在将非高斯独立元成分转换为高斯分布的误差信息，从而加强距离型监测指标对正常数据可允许变动范围描述的精确性。具体来讲，本发明方法在已建立的修正型独立元分析(MICA)模型基础上，通过假设缺失数据的技术手段利用修剪后的独立元回归估计出MICA模型的独立元成分，最后利用独立元的估计误差建立平方马氏距离实施在线故障检测。受益于误差的高斯分布特性，本发明方法利用平方马氏距离统计指标所定义的正常数据允许变化区域不会出现稀疏或“空洞”现象，因此，本发明方法能显著提升MICA模型用于非高斯过程监测的故障检测能力，是一种更为优选的非高斯过程监测方法。

技术领域

本发明涉及一种数据驱动的过程监测方法，尤其涉及一种基于修剪独立元回归策略的非高斯过程监测方法。

背景技术

近年来，数据驱动的过程监测方法得到了学术界与工业界的广泛关注，几乎有关过程系统的学术会议或研讨会都会设立相关的模块。数据驱动的过程监测方法额核心本质是利用采样数据来反映生产过程运行状态，对数据变化特征进行有效描述是保证这类方法可靠性的直接途径。通常而言，数据驱动的过程监测模型的建立只依赖于正常生产工况下采集到的数据，这是一种单分类无监督型的建模方式。正因为如此，多变量统计分析方法在这一领域得到了推广，其中当以主成分分析(Principal Component Analysis，PCA)与独立元分析(Independent Component Analysis，ICA)最受关注。两者都是对正常工况下的采样数据进行特征提取，然后针对提取的特征进行监测。所不同的是，PCA是在二阶方差的指引下挖掘训练数据的相关性特征，而ICA则是高阶统计量的指引下更深一步挖掘数据的潜在独立元信息。因此，ICA算法相比于PCA算法更能揭示原始数据的本质，这也是为何ICA通常能取得优越于PCA的故障检测效果。值得一提的是，国外学者曾于2006改进了原始ICA算法迭代求取独立元的步骤，所提出的修正型ICA(Modified ICA，MICA)算法能克服原始ICA算法对初始值敏感的问题，而且PCA还是MICA算法在挖掘纯高斯分布过程数据时的一种特例。

然而，无论是ICA还是MICA算法，它们实施在线故障检测时都需要针对独立元与模型残差分别计算相应的统计监测指标，即：平方马氏距离或平方欧式距离。然后，再根据距离型指标的具体数值与相应的控制上限之间的大小关系，确定当前的监测样本是否偏离正常数据的允许变化范围。从几何空间上讲，平方马氏距离或欧氏距离所定义的正常范围呈现出超椭球体或超球体形状。但是，只有在被监测对象服从高斯分布时，该超椭球体或超球体内部空间才有可能被全部填充。可想而知，一旦不满足高斯分布，该超椭球体或超球体内部空间将会呈现出稀疏状态，甚至于“空洞”。若是故障工况的采样数据经ICA模型投影变换后恰好处于该“空洞”位置，则ICA故障检测模型是无法检测出该种故障类型的。不幸的是，ICA提取出的独立元成分本身就是需要做到非高斯最大化，除纯高斯过程外，独立元是肯定不满足高斯分布特性的。因此，ICA或MICA算法用于过程监测还有很大的改进空间。

由于ICA算法在挖掘训练数据特征上有独特的优势，可不采用距离型的统计指标作为监测统计量。取而代之的是，能描述非高斯分布独立元具体分布的方法，比如核密度估计或者支持向量描述。虽然这两种方法理论上是可以较准确的描述出非高斯分布的独立元的正常变化情况，但是前提是模型参数设置合理。直指目前为止，如何在只利用正常数据的前提下为核密度估计或支持向量描述确定“最佳”模型参数，一直以来都是个悬而未决的难题。因此，如何应对非高斯分布的独立元依旧是个丞待解决的问题。

发明内容

本发明所要解决的主要技术问题是：如何在MICA模型的基础上，将非高斯独立元成分转换为高斯分布的成分，从而加强距离型监测指标对正常数据可允许变动范围描述的精确性。本发明提供一种基于修剪独立元回归策略的非高斯过程监测方法，该方法在已建立的MICA模型基础上，通过假设缺失数据的技术手段利用修剪后的独立元回归估计出MICA模型的独立元成分，最后利用独立元的估计误差建立平方马氏距离实施在线故障检测。