[发明专利]一种基于假设缺失数据迭代估计误差的动态过程监测方法

说明书

本发明公开一种基于假设缺失数据迭代估计误差的动态过程监测方法，旨在通过假设数据缺失来消除采样数据中的自相关特征，并利用误差实施动态过程监测。具体来讲，本发明方法在传统动态主成分分析模型的基础上，先假设最新时刻采样数据向量缺失，再利用迭代估计法推测出缺失数据的估计值后，利用估计误差实施动态过程监测。本发明方法不局限于使用动态主成分分析模型，亦可使用动态独立成分分析模型。此外，本发明方法是通过自相关的样本迭代估计出缺失数据，所得估计值中同样存在与原数据相似的自相关性特征。而缺失数据的实际值与估计值之差则能最大化程度的抵消了自相关特征的影响。因此，本发明方法是一种更为优选的动态过程监测方法。

技术领域

本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于假设缺失数据迭代估计误差的动态过程监测方法。

背景技术

工业过程运行中首要考虑的问题为安全生产与产品质量，实时监测过程对象的运行状态是保证安全生产与维持产品质量稳定的最直接最有效的技术手段。而今，由于生产规模的不断扩大与先进测量技术的广泛应用，数据驱动的过程监测正在逐步取代以机理模型为基础的过程监测方案。一般而言，建立数据驱动的过程监测模型关键在于如何挖掘正常训练数据中的潜在特征。这其中当以主成分分析(Principal Component Analysis，PCA)与独立成分分析(Independent Component Analysis，ICA)这两种算法为主。若是涉及与质量相关的故障监测，偏最小二乘算法则是另一种代表性算法。

考虑到现代工业过程采样频率不断增加，采样数据之间的序列自相关性特征是必须要考虑的一个问题。这主要是因为，样本序列自相关性特征的异常变化同样能反映出生产过程对象运行出现异常。而传统基于PCA或ICA的过程监测方法都是假设样本数据之间是相互独立的，不存在自相关性。为解决这个问题，利用增广矩阵的策略实施动态过程监测就应运而生，出现了诸多的基于动态PCA的过程监测方法。采用增广矩阵虽然能同时将样本间的序列相关性与变量间的交叉相关性考虑进来，但是挖掘出的潜在特征有可能依旧是序列自相关的，这不利于后续控制限的确定与在线故障决策。因此，消除自相关特征的影响与此同时又能反映出自相关特征的异常变化是设计更优越动态过程监测方法的有效途径。

此外，在数据矫正研究领域，缺失数据是一个较为常见的技术问题，现已经有多种缺失数据的处理方法可供借鉴。通过缺失数据的处理方法可以估计出缺失数据的测量值，从而完成数据矫正。一般而言，缺失数据的估计值非常接近缺失的“真实值”，具备缺失数据该有的大部分特征，当然包括自相关特征。缺失数据的“真实值”与估计值之差就能较好地消除掉自相关特征，与此同时，估计误差依旧能反映自相关特征的异常变化情况。

发明内容

本发明所要解决的主要技术问题是：如何通过假设数据缺失来消除采样数据中的自相关特征，并利用误差实施动态过程监测。为此，本发明公开一种基于假设缺失数据迭代估计误差的动态过程监测方法。

本发明解决上述技术问题所采用的技术方案为：一种基于假设缺失数据迭代估计误差的动态过程监测方法，包括以下步骤：

步骤(1)：按照采样时刻的先后顺序，收集生产过程正常运行状态下的n个数据样本x₁，x₂，…，x_n，并按照如下所示公式计算均值向量μ与标准差向量δ

上式(1)中，x_i∈R^1×m为第i个的数据样本，下标号i＝1，2，…，n。

步骤(2)：根据公式标准化处理数据样本x₁，x₂，…，x_n，以得到标准化后的向量其中符号./表示向量对应元素相除。

步骤(3)：根据如下所示公式分别构造矩阵X∈R^N×M、矩阵Y∈R^N×m、以及矩阵Z∈R^N×(m+M)