[发明专利]基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法

摘要

本发明涉及一种基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法。传统的基于修正型独立元分析的故障检测方法需要选择一个的非二次函数，以度量非高斯性大小。然而，不同的工业过程数据或对象会造成实际应用中难以获取足够多的经验知识去指导非二次函数的选择。对此，本发明方法首先针对不同的非二次函数，利用工业过程的正常数据训练得到不同的修正型独立元模型；然后通过贝叶斯概率融合方法将这多个故障检测模型的决策结果进行集成，获得最终的概率型监测指标。与现有方法相比，本发明能解决因非二次函数多样性而引起的模型不确定问题，充分考虑了多个模型可能性，在很大程度上增强了故障检测模型的可靠性。

主权项

1.一种基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法，其特征在于：所述方法包括以下步骤：(1)收集生产过程正常运行状态下的采样数据，组成建模用的训练数据集：X＝[x1，x1，…，xn]T，其中，X∈Rn×m，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵，上标号T表示矩阵转置；(2)对数据集X进行标准化处理，使每个测量变量的均值为0，方差为1，得到新的数据矩阵(3)利用PCA方法对数据矩阵进行白化处理得到数据矩阵Z∈R^n×M，其中，M≤m为矩阵Z中变量个数，具体实现方式如下所示：①计算的协方差矩阵其中S∈R^m×m；②计算矩阵S的所有特征值和特征向量，并剔除小于0.0001的特征值及其对应的特征向量，得到特征向量矩阵P＝[p1，p2，…，pM]∈Rm×M以及特征值对角矩阵D＝diag(λ1，λ2，…，λM)∈RM×M；③对进行白化处理，得到(4)从如下三种可选的非二次函数中选择第k个非二次函数Gk：G1(u)＝logcosh(u)，G2(u)＝exp(‑u2/2)，G3(u)＝u4其中，k＝1，2，3，u为函数G的自变量，针对非二次函数Gk，调用MICA迭代算法建立故障检测模型，具体实施方式如下所示：①设定需要提取的独立元个数d，以及所选用的非二次函数Gk；②当提取第i(i＝1，2，…，d)个独立元时，选取M×M维单位矩阵中的第i列做为向量ci的初始值；③按照公式ci←E{Zg(ciTZ)}‑E{g′(ciTZ)}ci更新向量ci，其中，g和g′分别是函数Gk的一阶和二阶导数，E{}表示求取期望值；④对更新后的向量ci依次按照下式进行正交标准化处理：ci←ci/||ci||    (2)⑤重复步骤③～④直至向量ci收敛，并保存向量ci；⑥设置i＝i+1，重复上述步骤②～⑤直至得到所有d个向量C＝[c1，c2，…，cd]∈RM×d；⑦计算对应于非二次函数Gk的MICA模型的混合矩阵Ak∈Rm×d和分离矩阵Wk∈Rd×m，如下：Ak＝PD1/2C    (3)Wk＝CTD‑1/2PT    (4)并保存矩阵Ak与Wk以备用；⑧重复步骤①～⑦直至建立三个MICA模型；(5)对训练数据构造相应的T2和Q统计量，并利用密度估计KDE法分别得到T2和Q统计量在置信度α＝99％条件下所对应的控制限；(6)收集新的过程采样数据x_new∈R^m×1，并将其进行标准化处理得到(7)分别采用不同的MICA模型对其进行故障检测，即构造如下所示的统计量和Q_k，这样3个MICA模型总计给出3组对应于新样本数据的监测结果：其中，||||表示计算向量的长度；(8)通过贝叶斯推理，将得到的3组监测结果以概率的形式融合在一起，即得到概率型监测指标与BI_Q，并做出关于新数据是否正常的决策。