[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

说明书

本发明公开一种基于BP神经网络自回归模型的动态过程监测方法，旨在利用BP神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。本发明方法的主要核心首先在于利用BP神经网络识别出被监测对象采样数据的自相关模型，其次在于利用BP神经网络自回归模型过滤后的误差实施过程监测。本发明方法的主要优势首先在于利用BP神经网络的非线性拟合能力建立非线性的自回归模型，以达到剔除了测量变量中的非线性自相关特征的目的；其次，本发明方法不仅利用了误差具备能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再存在自相关性同样为后续故障检测模型的建立提供了便利。可以说，本发明方法更适合于动态过程监测。

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BP神经网络自回归模型的动态过程监测方法。

背景技术

现代流程工业过程通常都是处于持续与高效的生产状态中，保证产品质量稳定性、生产安全性、以及运行状态稳定性等操作要求对过程监测系统的可靠性与有效性的期望是越来越高。在工业大数据潮流下，利用机理模型实施过程监测的技术手段已越来越不适合于现代流程工业过程的监测要求。此外，对工业大数据的利用程度体现出了工业管理的高水平程度。因此，数据驱动的过程监测方法技术在这个大背景下备受青睐。由于先进仪表技术的发展，采样时间间隔大为缩短，采样数据之间的时序自相关性是数据驱动的过程监测方法所必须考虑的一个问题，因为时序自相关性的异常变化同样能反映出被监测过程对象已进入非正常工况。最经典的动态过程监测方法莫过于基于增广矩阵的动态主成分分析(Dynamic Principal Component Analysis，DPCA)方法，其基本思想就是为各个训练样本数据引入延时测量值构成增广矩阵，从而使增广矩阵可以同时将样本数据时序自相关性与变量之间的交叉相关性考虑进来。

除此之外，还有学者提出使用自回归模型(Auto-Regression Model，ARM)来挖掘采样数据之间的序列自相关性，ARM的参数一般可由偏最小二乘算法估计出来。使用ARM的优势在于，ARM模型中对输出的误差不在存在序列自相关性，且误差的变化情况同样能反映出原采样数据序列自相关性的异常变化情况，可谓是一举两得。从这以角度看，利用ARM实施动态过程监测的思想核心在于如何过滤掉原采样数据的时序自相关特征。

然而，考虑到现代工业过程规模的复杂化，采样数据之间的自相关性使用线性的ARM进行描述已不再合适，理应使用非线性的ARM来描述。作为一种经典的非线性建模算法，神经网络技术得到了广泛的研究与应用，在模式识别、非线性系统辨识、市场分析等领域都可以找到身影。这其中，误差反向传播(Back Propagation，BP)学习算法是最常见的前馈神经网络学习算法，相应的神经网络模型通常称之为BP神经网络模型。值得一提的是，神经网络模型在训练时，需要给出输入与输出数据。而过程监测的训练数据通常是建立单分类的模型，一般无法将采样数据简单的分成哪些作为输入哪些作为输出，因为任何测量变量的异常变化都是故障的一种外在体现。这也是为何在数据驱动的过程监测领域，鲜有使用神经网络的过程监测方法出现。

发明内容

本发明所要解决的主要技术问题是：如何利用BP神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。具体来讲，本发明方法的主要核心首先在于利用BP神经网络识别出被监测对象采样数据的自相关模型，其次在于利用BP神经网络自回归模型过滤后的误差实施过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于BP神经网络自回归模型的动态过程监测方法，包括以下步骤：