[发明专利]一种基于AR-PCA的间歇过程故障监测方法

摘要

本发明提出了一种基于AR-PCA的间歇过程故障监测方法，实现了对具有较强动态性间歇过程的在线监测。传统MPCA方法在监控间歇过程时，未考虑到由于各种随机噪声和干扰的存在而导致变量呈现出相应的自相关和互相关，从而导致在线监控过程中存在大量误报警。本发明首先将测量变量建立多变量自回归(AR)模型，模型系数矩阵采用PLS方法进行辨识，模型阶次采用AIC准则进行辨识，然后对AR模型的残差建立PCA模型，同时本发明算法在线监控新批次数据时引入了训练数据，从而提高了本发明算法的监控效果。本发明弥补了传统MPCA方法在监测具有较强动态性间歇过程时存在大量误报警的不足，对监测实际间歇生产过程具有重大意义。

主权项

1.一种基于AR-PCA的间歇过程故障监测方法，其特征在于,它主要包括下列步骤：步骤一，使用过程正常运行数据作为数据驱动的训练样本，样本集由同一发酵过程相同工艺下所记录的I批次测量数据构成，X＝(X¹,X²,...,X^I)^T，其中Xⁱ表示第i批次数据；每个批次数据包含K个采样时刻，每个采样时刻采集J个过程变量，即其中表示第i批次第k采样时刻采集的数据，其中表示第i批次中第k采样时刻的第j个过程变量的测量值；步骤二，将样本集X进行标准化处理；步骤三，离线建模，分别对标准化处理后的每批次数据建立对应的多变量自回归AR模型，根据建立的AR模型得到每个AR模型的残差，其中第i个AR模型的残差为L为模型阶次，由赤池信息量准则AIC准则确定，其中，i＝1,2,...,I，为第i批次数据在k时刻的模型残差，表示第i批次数据在k时刻的第j个变量的模型残差；步骤四，将I批次的多变量AR模型的残差E＝[E¹,E²,…,E^I]沿变量方向重排列得到E'((K-L)I×J)如下式所示，E′=eL,11eL,21···eL,J1eL,12eL,22···eL,J2···eL,1IeL,2I···eL,JI············eK,11eK,21···eK,J1eK,12eK,22···eK,J2···eK,1IeK,2I···eK,JI---(1)]]>E'作为PCA模型的输入，根据主元贡献率>85%确定主元个数R，进而计算出得分矩阵T_PCA与残差矩阵E_PCA，通过得分矩阵与残差矩阵来计算监控统计量Hotelling-T²和SPE以及相应的监控限；步骤五，在线监测，具体为：在线获取发酵过程k时刻的过程变量，并计算该时刻对应的AR模型残差公式如下，eknew=Xknew-C^X^k-1:k-L---(2)]]>其中，为I批训练数据AR模型系数矩阵Cⁱ的均值，i＝1,2,…,I;为在线获取发酵过程k时刻的过程变量；为训练样本中所有批次I的k时刻之前的L时刻的所有变量的均值构成的向量；其中，计算公式如下，X^k-m=1I-1Σi=1IiXk-mi---(3)]]>其中，I为批次数，m=1,2,...,L，是训练样本中第i批次第k-m采样时刻采集的数据；步骤六，将求得的发酵过程k时刻对应的AR模型的残差作为PCA模型的输入，得到发酵过程k时刻的Hotelling-T²统计量和SPE统计量，其中所述的PCA模型中的载荷矩阵P_PCA是利用步骤四中所述的PCA模型得到；判断发酵过程k时刻的Hotelling-T²和SPE统计量是否超出步骤四得到的相应控制限，如果二者都未超出，则判定当前过程测量数据正常，重复步骤五、六，直到生产过程结束；否则判定当前过程有故障发生。