[发明专利]一种基于主元相似性分析的多模态过程模态辨识方法

说明书

本发明公开了一种基于主元相似性分析的多模态过程模态辨识方法，包括：根据待识别模态的数据集，选取窗口大小、窗口移动的长度和PCA相似性因子的控制限值；将第一个窗口的数据作为初始模态的数据，计算初始模态的相似性指标统计量的控制限值；对于每个窗口，基于主成分分析方法计算两个相似性指标的值；判断当前窗口的模态；当前窗口不属于当前模态时，判断所属新模态类型；当前窗口仍属于当前模态时，把当前窗口的数据并入到当前模态数据内。本发明揭示了不同模态数据之间性质的主要差异在于一阶矩和二阶矩；针对一阶矩的差异，选取T²统计量；针对二阶矩的差异，选取相似性因子。使得本发明的模态辨识方法计算量小，模态辨识的结果准确率高。

技术领域

本发明属于模态辨识技术领域，更具体地，涉及一种基于主元相似性分析的多模态过程模态辨识方法。

背景技术

由于外界环境等条件的变化、生产方案变动，或是过程本身的固有特性等因素，导致现代工业生产过程往往具有多个稳定工况，各稳定模态之间的过渡过程具有明显的动态特性，过程呈现多模态特性。针对复杂工业生产过程的多模态特性，如何区分识别不同的生产模态，是多模态工业过程监控的基础。传统的多变量统计过程监控方法主成分分析(PCA)和偏最小二乘法(PLS)常用于过程建模、控制和监控等，但是它们都假设过程有单个操作模态。

针对复杂工业过程的多模态特性，许多学者基于传统的PCA/PLS方法提出了改进的适用于多模态过程的方法。常见的有基于整体建模的思想对多模态过程建立统一模型，一个全局模型虽然简单，但是缺乏每个操作模态的信息，所建立的模型无法准确地刻画所有的运行模态。

模态辨识常用的方法还有聚类算法。传统的聚类算法主要是k-means聚类算法以及k-means的衍生算法。基于k-means的聚类方法是一种有监督的聚类算法，需要预设聚类数目并初始化聚类中心，而初始化的聚类中心是根据数据的均值计算的，所以k-means聚类对异常数据比较敏感，聚类结果往往不够精确。

由此可见，现有技术存在模态辨识结果不准确的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于主元相似性分析的多模态过程模态辨识方法，由此解决现有技术存在模态辨识结果不准确的技术问题。

为实现上述目的，本发明提供了一种基于主元相似性分析的多模态过程模态辨识方法，包括：

(1)获取不同模态的数据，组成待识别模态的数据集；

(2)根据待识别模态的数据集，选取窗口大小h、窗口移动的长度L和PCA相似性因子的控制限值；

(3)窗口在待识别模态的数据集中移动时，将第一个窗口的数据作为初始模态的数据，基于初始模态的数据计算初始模态的相似性指标统计量的控制限值；

(4)根据当前窗口的数据，得到当前窗口与当前模态之间的PCA相似性因子和当前窗口的相似性指标统计量，分别与PCA相似性因子的控制限值和当前模态的相似性指标统计量的控制限值比较，判断当前窗口的模态，所述当前模态为已经辨识出来的最近一个非过渡模态；

(5)若当前窗口属于当前模态，将当前窗口的数据并入当前模态的数据后，得到当前模态的相似性指标统计量的新的控制限值，利用新的控制限值更新当前模态的相似性指标统计量的控制限值；若当前窗口的数据不属于当前模态，根据前一个窗口的模态判断当前窗口是否为新的模态；

(6)若当前窗口为新的模态，根据当前窗口的数据计算新的模态的相似性指标的控制限值，并将当前窗口的数据作为新的模态的数据；

(7)重复步骤(4)～(6)，直至待识别模态的数据集中所有数据模态辨识完成。

进一步地，窗口大小h大于等于窗口移动的长度L。