[发明专利]一种基于多阶段OICA的间歇过程故障监测方法

摘要

本发明公开了一种基于多阶段OICA的间歇过程故障监测方法。包括“离线建模”和“在线监测”两个阶段。“离线建模”首先对发酵过程的正常数据进行处理；之后对整个批次生产过程进行阶段划分，然后对每个阶段分别建立OICA监测模型并构造监控统计量，并利用核密度估计方法确定统计量的控制限。“在线监测”包括：对新采集的数据进行阶段归属判别，然后对不同阶段分别建立OICA监控模型，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明所提方法不受约束，可以提取更多包含对故障有用的信息用于过程监测，计算复杂度低，有效地降低了监测的误报率和漏报率，极大地提升监测性能，具有较高的实际应用价值。

主权项

1.一种基于多阶段OICA的间歇过程故障监测方法，其特征包括“离线建模”和“在线监测”两个阶段，具体步骤如下：A.离线建模阶段：1)采集发酵过程正常工况下的历史数据，所述的历史数据X由离线测试得到的一批次青霉素发酵生产过程正常操作状态的数据构成，一批次数据包含N个采样时刻，每个采样时刻采集J个过程变量形成数据矩阵其中，对于每个采样时刻x_i＝(x_i,1,x_i,2,…,x_i,j)，x_i,j表示第i个采样时刻的第j个变量的测量值；2)对历史数据进行标准化处理，首先计算历史数据X所有过程变量的均值和标准差，其中第j个变量所有时刻的均值第j个变量所有时刻的标准差x_i,j表示第i个采样时刻的第j个变量的测量值j＝1,…,J；3)然后对历史数据X进行标准化：其中第i个采样时刻的第j个变量的标准化公式如下：其中，i＝1,2,…N,j＝1,2,…J；4)将步骤2)标准化后的数据重新构造成二维矩阵，如下式所示：其中，i＝1,2,…N,j＝1,2,…J；5)计算任意两个样本点i和k之间的相似度s(i,k)＝‑‖x_i‑x_k‖²，组成相似度矩阵S，将相似度矩阵输入到AP聚类算法进行聚类,得到9个类和各个类的聚类中心examplar_i,i＝1,2,…,9，便将整个生产过程分为9个操作阶段；6)针对9个操作阶段，分别对每个阶段建立Over‑ICA监控模型用于故障监测，其中一个阶段的建立过程如下：6.1)首先，预先设定所提取独立成分K的个数，然后利用Over‑ICA算法计算解混矩阵D，从而求解出独立成分S，公式如下：6.2)再根据独立成分S得到残差，如下式所示6.3)分别计算独立成分空间的统计量I²和残差空间的统计量SPE，如下式所示：I²＝S^TSSPE＝E^TE7)利用核密度估计算法求得上述I²和SPE统计量在预设置信限时的估计值，并将其作为模型的控制限；B在线监测：8)采集青霉素发酵过程k时刻的J个过程变量的测量值x_k，并根据步骤2)中得到的均值和标准差进行标准化，得到其中，当前采样时刻k的第j个过程变量x_k,j的标准化公式如下:其中，j＝1,2,…J；9)计算与各个聚类中心examplar_i之间所传递的信息值，即吸收度值及归属度值为了简便起见，examplar_i简写为e_i，表示第i个聚类中心，examplar_t简写为e_t，表示第t个聚类中心，则吸收度及归属度的计算公式分别如下所示：其中，表示采样点与聚类中心i的相似度，表示除了聚类中心i的相似度之外，采样点与其他聚类中心的相似度，其中，表示除以外其余采样点和聚类中心i之间的吸收度值，10)通过步骤9)，可以计算出标准化后的采样值分别与9个聚类中心e_i,i＝1,2,…,9的吸收度和归属度的值，共有9组值，满足条件的聚类中心e_i所对应的阶段，即为采样值所在的阶段；11)根据当前k时刻采样值所归属的阶段，选择该阶段所对应的监控模型,并计算经标准化后k时刻J个过程变量的数据的独立成分，计算公式如下：其中D_i表示步骤6.1)中所求得的数据所在阶段的解混矩阵，然后再根据独立成分S_k得到k时刻数据的残差，如下式所示：12)计算当前采样时刻k的监控统计量和SPE_k，如下式所示：SPE_k＝E_k^TE_k13)将上述步骤得到的监控统计量和SPE_k与7)得到的该采样时刻所对应阶段的控制限进行比较，如果统计量超过控制限则认为发生故障并报警；反之则认为是正常；14)判断生产过程是否结束，若生产过程结束，则终止监测；否则采集下一时刻的数据，返回8)，继续对下一个采样时刻进行监测。