[发明专利]一种基于RBF神经网络自相关性剔除的动态过程监测方法

摘要

本发明公开一种基于RBF神经网络自相关性剔除的动态过程监测方法，旨在利用RBF神经网络建立非线性的自回归模型，并在此基础上实施动态过程监测。本发明方法的主要核心首先在于利用RBF神经网络构建出被监测对象采样数据的自相关模型，其次在于利用RBF神经网络自回归模型过滤后的误差实施过程监测。相比于传统方法，利用RBF神经网络较强的非线性拟合能力来构建不同采样时刻数据间的自回归模型。其次，本发明方法将误差作为被监测对象，不仅利用了误差具备的能够反映非线性自相关特征异常变化情况的能力，而且误差数据不再出现时间序列上的自相关性。可以说，本发明方法更适合于动态过程监测。

主权项

1.一种基于RBF神经网络自相关性剔除的动态过程监测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，按采样时间先后组成训练数据集X∈Rn×m，将矩阵X＝[x1，x2，…，xn]T中的后n‑d个样本数据xd+1，xd+2，…，xn组成自回归模型的输出矩阵Y＝[xd+1，xd+2，…，xn]T，自回归模型的输入矩阵Z构建方式如下所示：其中，n为训练样本数、m为监测对象的测量变量数、R为实数集、Rn×m表示n×m维的实数矩阵、d为延时测量数据的个数、N＝n‑d、上标号T表示矩阵或向量的转置；步骤(2)：根据如下所示公式对输入矩阵Z与输出矩阵Y中的各个列向量分别实施标准化处理，即：x＝(x‑μ)/δ    (2)上式中，x表示矩阵Z或矩阵Y中任意一个列向量，μ与δ分别表示向量x的均值与标准差；步骤(3)：训练RBF神经网络的参数，包括隐层神经元节点数k、各隐层神经元节点的径向基函数参数c₁，c₂，…，c_k、隐层各神经元的中心点向量步骤(4)：按照如下所示公式计算输入矩阵Z中第j行的行向量zj经隐层第i个神经元节点转换后的输出sj，i：上式中，下标号i＝1，2，…，k，j＝1，2，…，N，相应的隐层输出向量为sj＝[sj，1，sj，2，…，sj，k]；步骤(5)：重复步骤(4)直至得到Z中所有N个行向量对应的隐层输出矩阵S＝[sjT，s2T，…，sNT]T；步骤(6)：根据公式B＝(STS)‑1STY计算隐层输出S到输出层输出Y之间的回归系数矩阵B；步骤(7)：对RBF神经网络模型的输出误差E＝Y‑ZB中的每列实施标准化处理，得到均值为0、标准差为1的新数据矩阵步骤(8)：建立基于主成分分析算法的故障检测模型，保留模型参数集Θ＝{P，Λ，Dlim，Qlim}，其中P为投影变换矩阵、Λ为主成分的协方差矩阵、Dlim与Qlim分别为监测统计指标D与Q的控制上限；在线过程监测的实施过程如下所示：步骤(9)：收集最新采样时刻的数据样本xt∈Rm×1，并将其延时测量数据xt‑1，xt‑2，…，xt‑d组成自回归模型的输入向量z＝[xt‑1T，xt‑2T，…，xt‑dT]，其中下标号t表示当前最新采样时刻；步骤(10)：对输入z与输出xt实施与步骤(2)中相同的标准化处理；步骤(11)：将向量z输入进离线建模阶段训练得到的RBF神经网络，根据公式(3)计算得到隐层神经元的输出向量s；步骤(12)：根据公式计算RBF神经网络的输出估计误差e，并对误差e实施与步骤(7)中相同的标准化处理，得到数据向量步骤(13)：调用步骤(8)中保留的参数集实施在线故障检测，具体的实施过程包括：①依据如下所示公式计算监测统计指标D与Q的具体数值：②根据D与Q的具体数值以及相应的控制上限Dlim与Qlim决策发生故障与否，即判断是否满足条件：D≤Dlim且Q≤Qlim？若是，则当前样本为正常工况采样，返回步骤(7)继续实施对下一个新样本数据的监测；若否，则当前采样数据来自故障工况。