[发明专利]一种基于潜变量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潜变量自回归模型的动态过程监测方法，旨在建立潜变量自回归模型，并以此为基础实施动态过程监测。具体来讲，本发明方法通过定义潜变量的自回归模型的最小二乘目标函数，推理出相应的特征挖掘算法后，再建立故障监测模型从而实施在线故障监测。由于本发明方法以建立潜变量自回归模型的目标，挖掘出了动态自相关的潜变量，并给出相应满足最小二乘条件的自回归模型。通过该潜变量自回归模型不仅可以挖掘出原训练数据中的自相关特征，而且还可以消除潜变量自相关性的影响。因此，本发明方法与传统动态过程监测方法是存在显著不同的，而且模型的可解释性更强。可以说，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过程监测方法，尤其涉及一种基于潜变量自回归模型的动态过程监测方法。

背景技术

近年来，各行各业都开始兴起“大数据”的研究与应用热潮。与此同时，对数据的利用程度体现了工业过程对象的现代化程度。在工业界，尤其是流程工业生产车间，先进仪表技术与计算技术都得到了非常广泛的应用，生产过程对象可以离线存储与在线测量海量的数据。这些数据为工业过程研究与应用“大数据”方法提供了坚实的数据基础。以生产安全为例，这些采样数据中潜藏着能体现生产过程运行状态的信息，利用采样数据即可实施过程运行状态的监测。在最近的十几年内，工业界与学术界都投入了大量的人力与物力研究以故障监测核心任务的过程监测方法。在数据驱动的过程监测研究领域，统计过程监测是被研究得最多的方法，其中当以主元分析(Principal Component Analysis，PCA)算法为主流的实施技术手段。数据驱动的过程监测的核心本质在于：通过对正常工况下的采样数据实施特征挖掘，并利用该特征建立单分类的模型以实施监测。

如上所述，正常工况下采样数据的特征挖掘是建立数据驱动的过程监测模型时最关键的一步。考虑到工业过程对象的采样时间间隔较短，采样数据不可避免地存在时间序列上的自相关性。因此，数据的自相关性这种动态特征是必须考虑的一个问题。针对动态过程监测问题的研究，最常见的思路就是使用增广矩阵，将数据的自相关性与交叉相关性混淆在一起后，利用PCA算法实施特征提取。这就是科研文献中经典的动态PCA方法，在经典动态PCA方法的基础上，也有学者发明了多种新颖的建模思路，比如动态潜变量模型与动态内部PCA模型。通过定义不同的目标函数，可以有效挖掘出训练数据的动态自相关特征。此外，自回归模型也曾被用于动态过程监测，通过建立前后采样时刻的回归模型，以达到描述采样数据自相关特征的目的。

然而，潜在特征同样是存在自相关特征的。换句话说，潜在特征或潜变量同样需要自回归模型来描述动态自相关特征。但是，纵观已有的科研文献与专利资料中，没有涉及这方面的研究与应用。因此，推理出一种潜变量自回归模型很有必要。可以通过少数几个潜变量的自回国模型来挖掘训练数据中潜藏的有用特征，基于该模型即可实施新颖的动态过程监测。

发明内容

本发明所要解决的主要技术问题是：如何建立潜变量自回归模型，并以此为基础实施动态过程监测。为此，本发明公开一种基于潜变量自回归模型的动态过程监测方法。通过定义潜变量的自回归模型的最小二乘目标函数，推理出相应的特征挖掘算法后，再建立故障监测模型从而实施在线故障监测。

本发明解决上述技术问题所采用的技术方案为：一种基于潜变量自回归模型的动态过程监测方法，包括以下所示步骤：