[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

说明书

本发明公开了一种基于半监督自回归动态隐变量模型的故障检测方法，该方法首先收集正常工况下高采样的过程数据和关键质量数据，按时序排列后生成的训练样本集包含过程数据和关键质量数据同时存在的有标签样本，以及只有过程数据而缺少该时刻所对应的关键质量数据的无标签样本；同时求得用于故障检测的T²和SPE统计量的控制限。通过对在线造纸废水处理过程进行采样以及利用化验手段获取关键质量数据，可得到半监督模型测试样本集，然后利用训练生成的模型对测试样本集进行检测，分别计算每个样本所对应的T²和SPE统计量，并与之前所获取的统计量控制限进行比较，从而达到故障检测的效果。

技术领域

本发明设计一种控制方法，具体是涉及一种基于半监督自回归动态隐变量模型的故障检测方法。

背景技术

随着工业复杂度和规模的提升，现代工业对于生产安全和产品质量提出了更高的要求。而由于工业生产的复杂化，基于模型的传统故障检测方法将面临成本和建模难度的挑战。不过随着集散控制系统等过程控制技术的广泛应用，海量的数据得以快速收集，为基于数据的故障检测方法提供了良好的技术基础。基于数据的故障检测方法借助多元统计分析的各种方法，使采集到的高维数据实现降维和特征提取，在制药、废水处理以及石化等行业领域得到了较好的应用。而随着模型研究和实际生产工况的结合，模型改进的热点也从传统的主成分分析(PCA)和偏最小二乘估计(PLS)等静态模型转移到动态PCA(DPCA)等动态模型上。然而，由于受到检测成本和化验难度的限制，与产品质量以及过程安全相关的关键质量数据往往具有低采样的特性，造成了过程样本和关键质量样本在时序无法做到一一对应，可视为特殊的数据缺失问题。基于这一问题，半监督概率隐变量回归(SSPLVR)模型借助半监督的思想和数据时序调整的策略能够有效解决这种采样时序差异问题，但由于数据时序在预处理阶段的调整破坏了原有的动态结构，导致模型在训练时无法对动态特性进行有效监控，而在动态建模研究方面，自回归动态隐变量(ARDLV)模型在期望最大化(EM)算法的概率框架下借助扩展的动态隐变量可以实现对多阶动态特性的监测，同时兼顾了模型的互相关性，在故障检测效果上有不错的表现，但它对数据的完整性有一定的要求，无法直接处理这类特殊的数据缺失问题。因此，需要提出一种既能充分考虑到数据动态特性，又能完整利用这类特殊缺失数据信息的故障检测技术。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于半监督自回归动态隐变量模型的故障检测方法。

本发明基于正常工况下化工过程中采集到的完整过程数据和少量的关键质量检测数据为建模样本，模型能够利用扩展的隐变量以及卡尔曼滤波算法对数据的多阶动态特性进行提取，同时通过低维的动态隐变量实现对数据互相关性的提取，整个模型实现通过EM算法建立闭环的迭代结构，并设置极大似然函数来决定模型训练的终止。另一方面，为了解决过程数据和关键质量数据在时序结构上的缺失问题，模型引入半监督的思路，将整个数据集视为一个有标签数据和无标签数据的整体，通过监控关键质量检测数据的采样状态变化实现模型训练策略的合理切换，从而能够直接利用这种特殊的缺失数据进行模型训练，并在故障检测的精度上实现提升。

一种基于半监督自回归动态隐变量模型的故障检测方法，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)得到的数据集进行分类，基于分类后的数据集构建所述的模型；