[发明专利]一种基于互信息和多块信息提取的PCA故障监测方法

说明书

本发明公开了一种基于互信息和多块信息提取的PCA故障监测方法，包括，采集工业生产系统中数据，并将数据划分为训练集和测试集；计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；本发明在考虑到变量之间相关性的同时，挖掘了数据的隐含信息，首先通过计算过程变量之间的互信息值，将过程变量分块，然后对每个变量块提取累计误差信息和二阶差分信息，与观测值信息共同将每个变量块扩充为三个特征信息子块。

技术领域

本发明涉及的工业生产过程故障监测和诊断技术领域，尤其涉及一种基于互信息和多块信息提取的PCA故障监测方法。

背景技术

现代工业生产过程对产品质量和安全性的要求日益提高，若复杂工业过程发生故障，则会造成巨大的损失，因此对过程进行有效的监控至关重要。随着传感和检测技术飞速发展，工业生产的信息化程度不断提高，产生了大量的生产过程数据，因而多元统计过程监控(MSPM)方法得到了广泛应用。其中主元分析法(PCA)、偏最小二乘(PLS)和独立元分析(ICA)等是比较经典的多元统计监控方法；然而这些方法都是建立一个全局模型，没有考虑到生产过程中的局部信息，容易忽略局部产生的故障。

以大规模和多个操作单元为特征的现代生产过程越来越多，而当这样的生产过程发生故障时，可能只有部分变量受到影响，这时若只建立全局模型，那么局部信息可能会被淹没，因此，多块或分布式过程监控成为一种有效的解决方案。国内外学者已经提出多种多块监控方法来获得复杂过程变量之间的关系，并能够反映过程的局部特性。

基于变量分块的多块监控方法在分析各过程变量之间关系的基础上，通过构建一些规则将变量分块，取得了优于单一模型的监测效果，但是仅使用了过程变量的观测值，并没有挖掘过程数据中隐含的其它有效信息。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于互信息和多块信息提取的PCA故障监测方法存在不能在考虑变量相关性的同时挖掘数据中心的隐含信息，导致监测效果变差的问题，提出了本发明。

因此，本发明目的是提供一种基于互信息和多块信息提取的PCA故障监测方法。

为解决上述技术问题，本发明提供如下技术方案：一种基于互信息和多块信息提取的PCA故障监测方法，包括，

采集工业生产系统中的数据，并将所得数据划分为训练集和测试集；

计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；

对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；

对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量；

通过贝叶斯推理计算BIC统计量和BIC控制限，判断是否超过控制限，得到最终的监测结果。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：采集工业生产系统中的数据，并将所得数据划分为训练集和测试集的步骤包括：

通过传感器采集工业生产系统中的数据；

根据不同工况，将所得数据分为正常数据和故障数据；

将正常数据作为训练集，而故障数据作为测试集；