[发明专利]基于半监督自回归动态隐变量模型的故障检测方法

权利要求书

1.一种基于半监督自回归动态隐变量模型的故障检测方法，其特征在于，包括如下步骤：

(1)收集化工过程正常工况下高采样率的过程变量数据以及正常工况下低采样率的关键质量数据，获取建模所需要的训练样本集；

(2)对步骤(1)获得的数据进行标准化，并将标准化后的数据按时序对齐；

(3)基于获得的数据集，构建半监督自回归动态隐变量模型；构建模型过程中，根据同时刻关键质量数据是否被采集，对步骤(2)得到的过程变量数据进行分类，基于分类后的数据集构建所述的模型；

(4)基于得到的半监督自回归动态隐变量模型，求取该模型对应的T²、SPE_x、SPE_y控制限SPE_x,lim、SPE_y,lim，其中SPE_x,lim、SPE_y,lim分别为高采样的过程变量数据、低采样的关键质量数据对应的控制限；

(5)在线收集化工过程的过程变量数据和关键质量数据，进行标准化处理，得到测试样本；

(6)利用得到的半监督动态隐变量模型对测试集进行检测，计算测试样本的统计量、统计量，判断测试样本统计量是否超过步骤(4)得到的控制限，输出检测结果；

步骤(3)中，根据同时刻关键质量数据是否被采集，将步骤(2)得到的数据集进行分类，得到同时包含关键质量变量和过程变量数据的样本集，以及仅包含过程变量数据的样本集，利用两个样本集进行建模；

建模时，由于过程变量和关键质量变量的采样率差异，实际采集得到的各变量数据按时序对齐后将得到缺失数据集，因此针对步骤(2)得到的数据集，首先进行空缺数据的填补，以得到完整数据集；

针对得到的完整数据集，构建对应的标签矩阵：

对于同时刻有采集到关键质量变量的数据样本，其对应的标签元素为1；

对于同时刻没有采集关键质量变量的数据样本，其对应的标签元素为0；

建模过程中，利用得到的标签矩阵作用于所述的完整数据集，得到同时包含关键质量变量和过程变量数据的样本集，以及仅包含过程变量数据的样本集，基于得到的两个数据集完成模型的构建；

利用期望最大化算法构建模型，在E步，结合当前模型参数以及标签元素的取值，利用卡尔曼滤波算法对扩展动态隐变量的后验分布进行合理估计；在M步中，则借助最大化似然函数的方法，同时结合标签元素的取值，对模型参数进行更新；

构建模型过程中，计算新模型参数所求得的极大似然值与其原模型参数对应的极大似然值相比较，如果满足设定阈值，则模型构建完毕，进入步骤(4)，否则，继续构建模型。

2.根据权利要求1所述的基于半监督自回归动态隐变量模型的故障检测方法，其特征在于，步骤(1)或者步骤(5)中，利用集散控制系统收集正常工况下高采样的过程变量数据，利用化验手段获取正常工况下低采样的关键质量数据。

3.根据权利要求1所述的基于半监督自回归动态隐变量模型的故障检测方法，其特征在于，步骤(2)中，标准化操作为：样本集中的每个元素先减去其所属变量的样本平均值，然后再除以该变量的样本标准差，使得各个过程变量和关键质量变量所对应的数据均值为零，方差为1。

4.根据权利要求1所述的基于半监督自回归动态隐变量模型的故障检测方法，其特征在于，所述化工过程为造纸废水处理过程。