[发明专利]一种基于概率慢特征分析和弹性权重巩固的过程监控方法

说明书

本发明公开了一种基于概率慢特征分析和弹性权重巩固的过程监控方法，属于工业监测和故障诊断领域，包括：依次采集工业系统正常工况下的过程数据构成训练集；利用概率慢特征分析和弹性权重巩固方法进行训练，计算模型参数和参数的重要性衡量矩阵；构建监测统计量并计算阈值；采集系统实时运行下的数据作为测试样本，利用当前训练模型计算该样本的统计量，判断系统运行状态。本发明利用单模型实现对多工况动态过程的有效监测，具有持续学习能力；可处理噪声和缺失数据，模型可解释性强，算法简单，易于实现，可广泛应用于化工、加工制造、大型火力发电厂等领域。

技术领域

本发明属于工业监测和故障诊断领域，具体涉及一种基于概率慢特征分析和弹性权重巩固的多工况动态过程监控方法。

背景技术

工业系统中，由于对产品质量、设备老化、原材料更换等因素，系统大多处于多工况动态运行状态。研究其过程监控，对提高系统运行的安全性和可靠性有重要意义。例如，在大型火力发电机组的制粉系统中，为了满足环保要求和经济效益，频繁更换煤的种类，这就导致了系统处于多工况。研究其运行安全性对提高机组安全性和燃烧效率有重大意义。

传统多工况过程监测方法往往需要完备的工况数据，在每个工况内建立局部监控模型。通过k-均值、高斯混合模型等方法对工况进行划分，每个工况的局部模型可采用主成分分析、偏最小二乘方法、独立主元分析等。但是上述方法均不能区别系统的正常动态变化和真实异常。慢特征分析方法缓慢变化特征，通过构建监控统计量来区别正常工况变化和真实异常。此外，获取完备的工况数据需要消耗昂贵的资源，且难以实现。因此，亟需一种能够监控多工况动态系统的方法，且不需要完备的工况数据。

发明内容

为了解决上述问题，本发明提出了一种基于概率慢特征分析和弹性权重巩固的过程监控方法，实现对工业多工况动态过程的在线监控。

本发明的技术方案如下：

一种基于概率慢特征分析和弹性权重巩固的过程监控方法，简记为PSFA-EWC，包括离线训练和在线监测两个阶段；其中，

阶段一、离线训练，基于历史工况数据训练PSFA-EWC算法模型；具体步骤如下：

S101.采集工业过程中的历史工况M_K(K＝1,2,...)作为训练数据其中T_K为样本数量，m为变量数目；设隐变量p为隐变量数目；

S102.计算训练数据的均值和方差，进行归一化处理，预处理后的数据为X_K；

S103.利用最大期望算法求解PSFA-EWC模型参数，求得参数V_K、Λ_K＝diag(λ_`K,1,...,λ_K,p)、Σ_x、Σ₁、Σ；其中，λ表示特征值；

S104.计算Fisher信息矩阵，更新参数的重要性衡量矩阵；

S105.计算监控统计量T²、SPE和S²，用核密度估计方法估计相应的阈值；

阶段二、在线监测阶段，基于训练的PSFA-EWC模型进行实时监测；具体步骤如下：

S201.实时采集样本x⁰，对变量进行预处理，标记为x；

S202.计算隐变量和预测误差；

S203.计算监控统计量T²、SPE和S²；