[发明专利]基于动静特征协同分析和有序时段划分的闭环系统过程监测方法

摘要

本发明公开了基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，该方法考虑闭环系统的调节作用，综合分析过程动静特征，将一个多操作步骤的间歇过程自动划分为不同的子时段，并且能够通过分析控制器的调节作用区分间歇过程的过渡时段和稳态时段。本发明综合了控制器调节作用与运行状态相关的动静态在线监测指标作为时段划分的判断依据，改进了时段模型的精度，并大大提高了后续的过程在线监测性能。该方法不仅有利于对具体过程特性的了解，而且增强了闭环系统实际在线过程监测的可靠性和可信度，有助于工业工程师对闭环系统下过程运行状态做出准确判断，及时发现故障，从而保证实际生产的安全可靠运行和产品的高质量追求。

主权项

1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，其特征在于，该方法包括以下步骤：(1)获取待分析数据：设一个间歇操作具有J个测量变量，对每一个测量变量测量K次，这样，一次间歇操作的数据组成一个二维数据矩阵X(K×J)；重复I次间歇操作，得到的数据表述为一个三维矩阵X(I×J×K)；(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵X_k(I×J)，其中，下标k是时间片指标；设二维矩阵X_k内任意一点的变量为x_ijk，对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：其中：k是时间片指标，是X_k矩阵第j列的均值，s_jk是X_k矩阵第j列的标准差，为标准化后的二维矩阵X_k内任意一点的变量；其中，将二维矩阵X_k(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵(3)时间片SFA建模，该步骤由以下子步骤来实现：(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：其中，s_k为第k个时间片的慢特征，W_k为第k个时间片的转换矩阵，T 表示转置；(3.2)计算各时间片k的静态监测统计量T²和动态监测统计量S²的控制限：其中，是s_k的一阶微分，Ω_k是的经验协方差矩阵；根据相同时刻不同批次的T²值服从带权重系数的χ²分布，从而确定出控制限Ctr_k，T；利用核密度估计求出S²的控制限Ctr_k，S，二者分别从不同方面反应了时间片SFA模型的重构能力；(4)基于时段的SFA建模，该步骤由以下子步骤来实现：(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵X_c(Ih×J)，标准化后得到矩阵其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；对新的时段矩阵进行SFA建模：其中，s_c为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；(4.2)计算各时段c的静态监测统计量T²和动态监测统计量S²的控制限：其中，是s_c的一阶微分，Ω_c是的经验协方差矩阵；根据相同时刻不同批次的T²值服从带权重系数的χ²分布，从而确定出控制限Ctr_c，T；利用核密度估计求出S²的控制限Ctr_c，s；(5)确定时段划分点k^*：比较在相同时间区域内的Ctr_k，T与Ctr_c，T，Ctr_k，S与Ctr_c，S，定义连续三个样本呈现Ctr_k＞αCtr_c，称两个控制限不相似，反之则称两个控制限相似；其中，α是依附于Ctr_c的常数，称作缓和因子，它反应的是与时间片模型相比，时段模型允许监测精度损失的程度；若控制限不相似，说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响；有两组控制限：Ctr_k，T与Ctr_c，T，Ctr_k，S与Ctr_c，S分别进行比较，结果有四种，每种结果与其对应的时段划分操作如下表所示：其中，时段划分操作是指，将新加入的时间片前的时刻记为k^*，将k^*时刻之前的时间片认为是一个子时段，进行时段划分；(6)过程分析数据更新，确定所有划分时段：根据步骤5中所获得的时刻k^*的指示，移除第一个子时段，把余下的间歇过程数据作为新的输入数据带入到第5步中；(7)重复上述步骤5‑6，划分不同时间段，直到没有数据余留；(8)基于时段划分结果的动静协同过程监测模型建立，该步骤由以下子步骤来实现：(8.1)建立基于时段的局部SFA模型用于监测过程静态行为：根据步骤6时段划分结果，每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组，X_c(IK_c×J)，标准化后得到矩阵其中，下标c是时段指标，K_c代表已划分好的第c个时段的组成该时段的时间片个数，然后建立第c个时段的局部SFA模型：其中，s_c代表从第c个时段中提取的慢特征；Wc为第c个时段的转换矩阵；(8.2)选取主慢特征个数：根据特征的缓慢程度，将s_c分为两个部分：变化缓慢的特征能够表示第c个时段内过程变化总体趋势，而变化较快的那些特征看作是噪声；选择m(m＜R_c)个慢特征s_c，d＝{s_c，1，…，s_c，m}作为主慢特征，剩余的慢特征s_c，e作为噪声，其中R_c为全部慢特征数；主慢特征数m的选择从重构的角度考虑：过程变量x_j通过慢特征s重构；其中，是的第j列，是将的某几个元素用0 替代，元素个数由下文中m给出；降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此而Δ(x_j)和Δ(s_i)呈线性关系，慢特征s中Δ(s_i)＞Δ(x_j)部分使x_j变化加快，去除该部分，使能够满足综合考虑所有变量的重构效果，去除的特征集合为：划分的主慢特征个数m＝R_c‑cnt(F)，为全部慢特征数减去集合F中元素的数量；定义W_c的前m行为W_c，d(m×J)，剩余部分为W_c，e((R_c‑m)×J)，慢特征s_c的两部分分别为：其中，s_c，d是提取出来的能够表示第c个时段内部变化主要趋势的慢特征；s_c，e是过程中的噪声；W_c，d、W_c，e分别表示转换矩阵；(8.3)计算静态监测的控制限：其中，和分别是s_c，d和s_c，e的T²监测统计量；根据相同时刻不同批次的T²值服从带权重系数的χ²分布，从而确定出控制限Ctr_c，Td、Ctr_c，Te；(8.4)建立全局模型用于监测过程动态：上一步已经求得每个时段的s_c，d、s_c，e，由下式得到整体的s_d和s_e的一阶微分其中和分别代表第c个时段内不同特征空间内慢特征的一阶差分，和是第i个批次的第c个时段在不同特征空间的慢特征的一阶差分；(8.5)计算动态监测的控制限：其中，和分别是s_c，d和s_c，e的S²监测统计量；其中Ω_d、Ω_e分别是的经验协方差矩阵；利用核密度估计求出S²的控制限Ctr_c，sd、Ctr_c，Se；(9)在线过程监测：基于步骤6划分的时段、步骤8建立的动静协同的监测模型以及四个监测统计量在线监测注塑成型间歇过程的状态；该步骤由以下子步骤来实现：(9.1)采集新测量数据及新测量数据预处理：在线监测时，采集到新的过程测量数据x_new(J×1)，其中，下标new代表新样本，J为测量变量，与步骤1中的测量变量相同；按照步骤2中方式进行标准化处理，在标准化过程中使用的均值、方差均从建模数据中获得，标准化处理后得到(9.2)判断当前所在时段，设当前时刻为t，利用当前时段的局部模型W_c计算当前新样本的慢特征：其中，s_new是从新的过程测量数据中提取出的慢特征，利用(8.2)中方法将其分为两部分s_new，d、s_new，e；分别计算新的样本的主慢特征s_new，d和残差s_new，e的一阶微分：其中，下标t‑1代表当前时刻t的上一时刻；(9.3)计算监测统计量：计算在线静态监测量：其中，和分别是s_new，d和s_new，e的T²监测统计量；计算在线动态监测量：其中，和分别是s_new，d和s_new，e的S²监测统计量，Ω_d、Ω_e分别是(8.5)中的经验协方差矩阵；(9.4)在线判断过程运行状态：实时比较四个监测指标与其各自的统计控制限：当且仅当静态监测量和动态监测量均超限，过程出现了静态偏差和动态异常，此时过程发生故障且超出控制系统调节范围，检测到了异常。