[发明专利]一种基于BP神经网络自回归模型的动态过程监测方法

权利要求书

1.一种基于BP神经网络自回归模型的动态过程监测方法，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，按采样时间先后组成训练数据集X∈R^n×m，将X＝[x₁，x₁，…，x_n]^T中的后n-d个样本数据x_d+1，x_d+2，…，x_n组成自回归模型的输出矩阵Y＝[x_d+1，x_d+2，…，x_n]^T，自回归模型的输入矩阵Z构建方式如下所示：

其中，n为训练样本数、m为监测对象的测量变量数、R为实数集、R^n×m表示n×m维的实数矩阵、d为延时测量数据的个数、N＝n-d、上标号T表示矩阵或向量的转置；

步骤(2)：根据如下所示公式对输入矩阵Z与输出矩阵Y中的各个列向量分别实施归一化处理

x＝(x-x_min)/(x_max-x_min) (2)

上式中，x表示输入矩阵Z或输出矩阵Y中的任意一个列向量，x_max与x_min分别表示列向量x的最大值与最小值；

步骤(3)：构建一个三层的BP神经网络：输入层的节点数为dm，输出层的节点数等于监测对象的测量变量数，隐含层的节点数设置为2dm，隐含层的激活函数为S型函数，输出层的激活函数为线性函数，分别如下所示：

g(u)＝u (3)

上式中，u表示函数自变量、g(u)为线性激活函数、f(u)为S型激活函数；

步骤(4)：将归一化后的输入矩阵Z与输出矩阵Y送到BP神经网络进行训练操作，得到BP神经网络优化后的各神经元节点的权重系数；

步骤(5)：对BP神经网络模型的输出误差中的每列实施标准化处理，得到均值为0、标准差为1的新数据矩阵其中为神经网络模型的输出层输出数据矩阵；

步骤(6)：建立基于主成分分析算法的故障检测模型，保留模型参数集Θ＝{P，Λ，D_lim，Q_lim}，其中P为投影变换矩阵、Λ为主成分的协方差矩阵、D_lim与Q_lim分别为监测统计指标D与Q的控制上限；

在线过程监测的实施流程如下所示：

步骤(7)：收集最新采样时刻的数据样本x_t∈R^m×1，并将其前面d个时刻的测量数据x_t-1，x_t-2，…，x_t-d组成自回归模型的输入向量z＝[x_t-1^T，x_t-2^T，…，x_t-d^T]，其中下标号t表示当前最新采样时刻；

步骤(8)：对输入向量z与x_t实施与步骤(2)中相同的归一化处理；

步骤(9)：将向量z输入进步骤(4)中训练得到的BP神经网络，从而得到神经网络输出层的输出

步骤(10)：对误差实施与步骤(5)中相同的标准化处理，得到数据向量

步骤(11)：调用步骤(6)中保留的参数集实施在线故障检测，具体的实施过程包括：

①依据如下所示公式计算监测统计指标D与Q的具体数值：

②根据D与Q的具体数值以及相应的控制上限D_lim与Q_lim决策发生故障与否，即判断是否满足条件：D≤D_lim且Q≤Q_lim；若是，则当前样本为正常工况采样，返回步骤(7)继续实施对下一个新样本数据的监测；若否，则当前采样数据来自故障工况。