[发明专利]一种基于变量非线性自相关性剔除的动态过程监测方法

说明书

本发明公开一种基于变量非线性自相关性剔除的动态过程监测方法，旨在剔除采样数据各测量变量的非线性自相关性，并在此基础上建立非线性的动态过程监测模型。本发明方法首先利用核偏最小二乘算法建立各样本数据与其多个延时测量数据之间的非线性回归模型；然后，将模型误差作为新的被监测对象利用主成分分析算法建立过程监测模型，并实施故障监测。相比于传统方法，本发明方法将误差作为被监测对象不仅利用了误差具备的能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再出现时间序列上的自相关性同样为后续基于PCA算法的过程监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，尤其涉及一种基于变量非线性自相关性剔除的动态过程监测方法。

背景技术

过程监测的目的在于及时而准确地发现故障，这对于保证安全生产与维持产品质量稳定是具有重要意义的。当前，过程监测的主流实施技术手段是数据驱动的方法，这主要得益于现代化工过程的大型化建设以及先进仪表与计算机技术的广泛应用，生产过程可以采集海量的数据。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。数据驱动的动态过程监测方法中最为典型的方法当属基于增广矩阵的动态主成分分析(Dynamic PrincipalComponent 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，然后对增广矩阵实施建模。使用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，因此使用增广矩阵实施动态过程监测是最常见的技术手段。

此外，由于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模型进行描述已不再合适，理应使用非线性的自相关描述方式。近年来，核学习理论已经被广泛用于过程监测研究，比如核主成分分析(Kernel Principal Component Analysis，KPCA)与核偏最小二乘(Kernel Partial Least Squares，KPLS)等等。通过核函数的方式逼近训练数据之间的非线性关系，而不需要知道具体的非线性映射形式。虽然，可以直接的将增广矩阵应用于核主成分分析从而得到非线性动态过程监测方法，但是采用增广矩阵建立模型时通常是将自相关性与交叉相关性混淆在一起考虑。即使采用核学习这种非线性建模策略，所提取的主成分信息在采样时间上的自相关性却没有消除。在目前的科研文献与专利文件中，还鲜有考虑变量非线性自相关性问题的动态过程监测方法，如何消除这种非线性的自相关性特征急需进一步的深入研究。

发明内容

本发明所要解决的主要技术问题是：如何剔除采样数据各测量变量的非线性自相关性，并在此基础上建立非线性的动态过程监测模型。具体来讲，本发明方法首先利用非线性的KPLS算法建立各样本数据与其多个延时测量数据之间的回归模型；其次，由于回归模型的输出误差数据已不存在自相关性，可将其作为新的被监测对象利用主成分分析算法建立过程监测模型；最后，对剔除非线性自相关性特征后的在线监测样本实施过程监测。

本发明解决上述技术问题所采用的技术方案为：一种基于变量非线性自相关性剔除的动态过程监测方法，包括以下步骤：

(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，并对矩阵.X.中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。

(2)将矩阵中的后n-d个样本数据x_d+1，x_d+2，…，x_n组成回归模型输出矩阵Y＝[x_d+1，x_d+2，…，x_n]，回归模型的输入矩阵Z如下所示：