基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方法
【專利摘要】本發(fā)明涉及一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方法，該方法主要解決的是非高斯過程故障模型建立過程中不可避免的兩個問題：其一是如何確定非二次函數(shù)以度量非高斯性大小，其二是如何選擇重要的獨立元成分建立模型。該發(fā)明首先利用所有的選擇可能性依次建立多個MICA故障檢測模型。其次，以這多個MICA模型監(jiān)測同一個過程數(shù)據(jù)。最后，利用雙層式貝葉斯概率融合的方法將不同的故障檢測結(jié)果集成為一，以方便最后的故障決策。該發(fā)明方法能將因選錯非二次函數(shù)或排序準則而引起的故障漏報率降到了最低，極大地提高了相應故障檢測模型的可靠性與適用性。
【專利說明】
基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方法
技術領域
[0001] 本發(fā)明涉及一種工業(yè)過程故障檢測方法，尤其是涉及一種基于修正型獨立元分析 的雙層集成式工業(yè)過程故障檢測方法。
【背景技術】
[0002] 保證工業(yè)過程的生產(chǎn)安全與產(chǎn)品質(zhì)量的穩(wěn)定性是提高企業(yè)盈利能力的必要手段， 因此可靠而準確的故障檢測方法是整個工業(yè)控制系統(tǒng)中必不可少的組成部分?？紤]到現(xiàn)代 工業(yè)過程的大型化與復雜化趨勢，數(shù)據(jù)驅(qū)動的故障檢測方法已逐步取代基于機理模型的故 障檢測方法，而成為當前故障檢測研究領域里的主流技術手段?？墒牵F(xiàn)代工業(yè)過程所采集 的數(shù)據(jù)通常呈現(xiàn)出非高斯性，而有關過程數(shù)據(jù)以及可能故障種類等的先驗知識卻越來越難 以獲取。因此，如何建立可靠而有效的故障檢測模型，及時甄別出過程可能出現(xiàn)的所有故 障，一直以來都是該研究領域的核心問題之一。
[0003] 在現(xiàn)有的處理非高斯過程數(shù)據(jù)的故障檢測方法中，修正型獨立元分析(MICA)方法 因其迭代求取的獨立元不會受到初始值的影響，而逐漸取代原始獨立元分析方法，成為主 流的非高斯故障檢測方法。MICA故障檢測方法的基本原理是通過利用數(shù)據(jù)的高階統(tǒng)計信息 來提取過程數(shù)據(jù)中潛藏的有用信息來描述過程運行的本質(zhì)，并在此基礎上監(jiān)測生產(chǎn)過程運 行狀態(tài)是否出現(xiàn)異常。它能有效的應對和處理非高斯工業(yè)過程數(shù)據(jù)建模與故障檢測問題。 然而，現(xiàn)有的MICA方法在建立故障檢測模型時存在兩個問題。首先，用來估計變量非高斯性 程度的非二次函數(shù)有三種可選形式，針對的是不同的非高斯種類。以不同的非二次函數(shù)來 訓練MICA模型會得到不同的結(jié)果，這必將導致故障檢測模型的不確定性。其次，已有的獨立 元重要性排序準則有多個，但依據(jù)不同的獨立元組建的故障檢測模型之間會存在差異性。 由于MICA方法是一種無監(jiān)督型的單分類建模方式，選擇不同的非二次函數(shù)或選擇不同獨立 元組建模型都能得到不同的故障檢測效果。然而，過程可能會發(fā)生的故障種類是未知的，可 供參考的歷史數(shù)據(jù)也是非常有限的，如何確定非二次函數(shù)以及如何選擇重要的獨立元成分 是非高斯過程監(jiān)測領域兩個丞待解決的關鍵性問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術問題是提供一種基于修正型獨立元分析的雙層集成式工 業(yè)過程故障檢測方法，該方法首先全面考慮上述兩個選擇問題所造成的模型多樣性，以多 個可能的MICA模型監(jiān)測同一個過程對象。然后，利用雙層式貝葉斯概率融合的方法將不同 的故障檢測結(jié)果集成為一，以方便最后的故障決策。該發(fā)明方法巧妙地避免了選擇單一固 定的函數(shù)或準則，考慮了幾乎所有的模型可能性，因而能獲得更加可靠和準確的故障檢測 結(jié)果。
[0005] 本發(fā)明解決上述技術問題所采用的技術方案為:一種基于修正型獨立元分析的雙 層集成式工業(yè)過程故障檢測方法，包括以下步驟：
[0006] (1)利用過程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過程正常運行狀態(tài)下的采樣數(shù)據(jù)，組成訓 練數(shù)據(jù)集XGRnXm，并對每個變量進行標準化處理，得到均值為〇,標準差為1的新數(shù)據(jù)矩陣 X。其中，n為訓練樣本數(shù)，m為過程測量變量數(shù)，R為實數(shù)集，RnXm表示nXm維的實數(shù)矩陣；
[0007] (2)對數(shù)據(jù)矩陣進行白化處理，將叉轉(zhuǎn)換成標準正交化的新數(shù)據(jù)矩陣ZGRnXm。
[0008] (3)針對不同的非二次函數(shù)，調(diào)用MICA迭代算法求取其相應的m個獨立元成分，總 計可得到3個獨立元集合，并保存相應的模型參數(shù)以備用。
[0009] (4)設置需要保留的獨立元個數(shù)d，利用不同的排序準則對上個步驟中的每個獨立 元集合進行重要性排序，并選擇所需要的d個重要的獨立元成分建立起相應的MICA故障檢 測模型，記錄模型參數(shù)以備在線故障檢測時調(diào)用。
[0010] (5)收集新的過程采樣數(shù)據(jù)XnewGRmX1，并將其進行同樣的標準化處理得到^
[0011] (6)分別調(diào)用不同的MICA模型對其進行故障檢測，即構(gòu)建相應的監(jiān)測統(tǒng)計量。
[0012] (7)先利用貝葉斯概率融合方法進行第一層的信息集成得到概率型監(jiān)測指標5以 和5^，其中，k=l，2,3分別對應于三種不同的非二次函數(shù)。
[0013] (8)再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和57^進行第二層的 信息集成，得到最終的概率型監(jiān)測指標和BIQ，并決策新數(shù)據(jù)是否正常。
[0014] 與現(xiàn)有技術相比，本發(fā)明的優(yōu)點與效果在于：
[0015] 1.本發(fā)明先針對每個非二次函數(shù)，后針對每個重要性排序準則，都分別建立與之 相對應的MICA模型。這種利用多個MICA故障檢測模型監(jiān)測同一個過程數(shù)據(jù)的手段全面地考 慮了所有的模型可能性，能將因選錯非二次函數(shù)或排序準則而引起的故障漏報率降到了最 低，所建立的故障檢測模型通用性較強。因此，本發(fā)明所述方法極大地提高了相應故障檢測 模型的可靠性與適用性。
[0016] 2.本發(fā)明方法通過利用雙層信息集成的方法，先將不同排序準則對應的MICA故障 檢測模型給出的結(jié)果進行貝葉斯概率融合，再進行第二層信息集成將不同非二次函數(shù)所對 應的模型結(jié)果融合為一。該方法進行信息集成時，層次分明，模型的可解釋性變強。
【附圖說明】
[0017] 圖1為本發(fā)明方法的流程示意圖。
【具體實施方式】
[0018] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。
[0019] 如圖1所示，本發(fā)明涉及了一種基于修正型獨立元分析的雙層集成式工業(yè)過程故 障檢測方法，該方法針對非高斯過程故障模型建立過程中不可避免的兩個問題：即如何確 定非二次函數(shù)以及如何選擇重要的獨立元成分，首先利用所有的選擇可能性建立依次建立 多個MICA故障檢測模型。其次，以這多個MICA模型監(jiān)測同一個過程對象。最后，利用雙層式 貝葉斯概率融合的方法將不同的故障檢測結(jié)果集成為一，以方便最后的故障決策。
[0020] 本發(fā)明的具體實施步驟如下：
[0021] 步驟1:利用過程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過程正常運行狀態(tài)下的采樣數(shù)據(jù)，組成 訓練數(shù)據(jù)集X G RnXm，并對每個變量進行標準化處理，得到均值為〇，標準差為1的新數(shù)據(jù)矩陣 又。
[0022]步驟2:對數(shù)據(jù)矩陣進行白化處理，將X轉(zhuǎn)換成標準正交化的新數(shù)據(jù)矩陣Z G RnXm; [0023] 步驟3:針對不同的非二次函數(shù)，調(diào)用MICA迭代算法求取其相應的m個獨立元成分， 總計可得到3個獨立元集合，并保存相應的模型參數(shù)以備用；
[0024]首先，從如下三種可選形式中選擇第k個非二次函數(shù)Gk，即： Gi(u) = log cosh(u)，G2(u) = exp(_u2/2)，G3(u) =u4 (1) 其中，u為函數(shù)Gk的自變量。然后，對矩陣Z調(diào)用MICA迭代算法求取與Gk相對應的m個獨 立元成分，并建立相應的MICA模型，如下所示：
上式中，AkGRmXm與WkGRmXm分別表示混合矩陣與分離矩陣，S kGRnXm為m個獨立元成分 組成的矩陣，上標號T表示矩陣轉(zhuǎn)置。
[0025]步驟4:設置需要保留的獨立元個數(shù)d，利用不同的排序準則對上個步驟中的每個 獨立元集合進行重要性排序，并選擇所需要的d個重要的獨立元成分建立起相應的MICA故 障檢測模型，記錄模型參數(shù)以備在線故障檢測時調(diào)用。
[0026]首先，針對第k個獨立元集合Sk，從如下四種重要性計算準則中選擇選擇第j種準 貝1J ^，用來計算Sk中的獨立元成分的重要性程度，即： Wi(i)= I |ffk(i,：) I |2,^2(i)= | | Si I |~ (3) W3(i) = [E{Gk(Sk(：a))}-E{Gk(v)}]2,W4(i)=| |Ak(：,i)| 12 其中，j = 1，2，3，4分別對應四種排序準則，i = 1，2，…，m對應于過程第i個測量變量， (1:)與（：，1)分別表示選取相應矩陣中的第1行與第1列，^為任一均值為〇，方差為1的正態(tài) 分布隨機變量，E{}表示計算均值，| | | |2與| | | |~分別表示計算向量的L2-范數(shù)與范數(shù)；
[0027] 其次，對獲取的重要性程度向量進行降序排列，然后選擇前d個重要性程 度大的獨立元成分，并在矩陣Ak與Wk中選擇對應于這d個獨立元的相應列于行，組成新的混 合矩陣疋e 與分離矩陣承；e ;
[0028] 再次，利用矩陣與爐；建立起相應的MICA故障檢測模型，并利用核密度估計法 計算出訓練數(shù)據(jù)統(tǒng)計量0與0在置信度a = 99 %條件下所對應的控制限與;
[0029] 最后，保存模型參數(shù)，并重復上述步驟直至所有4種重要 性準則都被用來建立相應的MICA故障檢測模型。
[0030] 步驟5:收集新的過程采樣數(shù)據(jù)XneweRmX1，并將其進行同樣的標準化處理得到 ^new °
[0031 ]步驟6:分別調(diào)用不同的MICA模型參數(shù)為新數(shù)據(jù)足w建立相應的監(jiān)測統(tǒng)計量' 與

其中，1111表示計算向量的長度。
[0032] 步驟7:先利用貝葉斯概率融合方法進行第一層的信息集成得到概率型監(jiān)測指標 5/么和略
[0033] 首先，利用貝葉斯概率融合對監(jiān)測統(tǒng)計量I)；進行第一層信息集成，具體的實施步 驟如下： ① 按照下式計算新數(shù)據(jù)元~屬于故障的概率：
其中，概率% (元eJ的計算方式如下：
其中，N和F分別表示正常和故障工況，先驗概率&(W和&(杓分別取值a和1-a，條 件概率義(U A〇和義(U F)的計算方式如下：
② 通過如下公式計算得到最終的概率型指標5^ :
[0034] 其次，利用貝葉斯概率融合對監(jiān)測統(tǒng)計量0進行第一層信息集成得到，具體 操作步驟與融合監(jiān)測統(tǒng)計量的步驟相似；
[0035] 最后，重復上述兩步驟直至得到3組概率型指標(5^，。
[0036] 步驟8:再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和57^進行第二層 的信息集成，得到最終的概率型監(jiān)測指標BId和BI Q，并決策新數(shù)據(jù)是否正常。
[0037] 首先利用貝葉斯概率融合對概率型指標進行第二層信息集成，具體的實施步 驟如下： ①按照下式計算當前監(jiān)測樣本屬于故障的概率：
其中，概率的計算方式如下：
其中，N和F分別表示正常和故障工況，先驗概率&￡(#)和^分別取值a和1-a，條 件概率| A〇和Pfl4(U F)的經(jīng)驗計算方式如下：
②通過如下公式計算得到最終的概率型指標BId:
[0038] 其次，利用貝葉斯概率融合對概率型監(jiān)測統(tǒng)計量進行第二層信息集成得到 BIq，具體操作步驟與融合監(jiān)測統(tǒng)計量的步驟相似；
[0039] 最后，計算得到的BId與^(^指標的具體數(shù)值與概率控制限l_a進行對比。若任何一 個指標數(shù)值大于l_a，則決策新數(shù)據(jù)為故障樣本;反之，該數(shù)據(jù)毛 w為正常樣本，進而對 下一個新采樣得到的數(shù)據(jù)繼續(xù)進行故障檢測。
[0040] 上述實施例僅是本發(fā)明的優(yōu)選實施方式，在本發(fā)明的精神和權(quán)利要求的保護范圍 內(nèi)，對本發(fā)明做出的任何修改和改變，不應排除在本發(fā)明的保護范圍之外。
【主權(quán)項】
1. 一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方法，其特征在于：該 方法包括以下步驟： (1) 利用過程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過程正常運行狀態(tài)下的采樣數(shù)據(jù)，組成訓練數(shù) 據(jù)集X G RnX'并對每個變量進行標準化處理，得到均值為〇，標準差為1的新數(shù)據(jù)矩陣X ,其 中，n為訓練樣本數(shù)，m為過程測量變量數(shù)，R為實數(shù)集，RnXm表示nXm維的實數(shù)矩陣； (2) 對數(shù)據(jù)矩陣進行白化處理，將叉轉(zhuǎn)換成標準正交化的新數(shù)據(jù)矩陣Z G RnXm; (3) 從三種非二次函數(shù)中選擇第k個非二次函數(shù)Gk，調(diào)用MICA迭代算法求取與Gk相對應 的m個獨立元成分，重復此操作直至得到三個獨立元集合，并保存相應的模型參數(shù)以備用， 其中，k=l，2,3分別為三種不同的非二次函數(shù)的標號； (4) 設置需要保留的獨立元個數(shù)d，利用第j個的排序準則對上個步驟中的每個獨立元 集合進行重要性排序，并選擇所需要的d個重要的獨立元成分建立起相應的MICA故障檢測 模型，保存模型參數(shù)以備在線故障檢測時調(diào)用，其中，j = l，2,3,4分別為四種排序準則的 標號； (5) 收集新的過程采樣數(shù)并將其進行同樣的標準化處理得到 (6) 分別調(diào)用不同的MICA模型對其進行故障檢測，即構(gòu)建相應的監(jiān)測統(tǒng)計量0與其中，I I I I表示計算向量的長度； (7) 先利用貝葉斯概率融合方法進行第一層的信息集成得到概率型監(jiān)測指標5/^和 5/^，其中，k = 1，2，3分別對應于三種不同的非二次函數(shù)； (8) 再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和進行第二層的信息集 成，得到最終的概率型監(jiān)測指標BId和BIQ，并決策新數(shù)據(jù)是否正常。2. 根據(jù)權(quán)利要求1所述一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方 法，其特征在于，所述步驟(3)具體為:首先，從如下三種可選形式中選擇第k個非二次函數(shù) Gk，即： Gi(u) = log cosh(u)，G2(u) = exp(_u2/2)，G3(u) =u4 (3) 其中，u為函數(shù)Gk的自變量;然后，對矩陣Z調(diào)用MICA迭代算法求取與Gk相對應的m個獨立 元成分，并建立相應的MICA模型，如下所示：其中，Ak G RmXm與Wk G RmXm分別表示混合矩陣與分離矩陣，Sk G RnXm為m個獨立元成分組 成的矩陣，上標號T表示矩陣轉(zhuǎn)置。3. 根據(jù)權(quán)利要求1所述一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方 法，其特征在于，所述步驟(4)具體為:首先，針對第k個獨立元集合S k，從如下四種重要性計 算準則中選擇選擇第j種準則，用來計算Sk中的獨立元成分的重要性程度，即： 其中，i = l，2,…，m對應于過程第i個測量變量，（i，：）與（：，i)分別表示選取相應矩陣 中的第i行與第i列，v為任一均值為〇,方差為1的正態(tài)分布隨機變量，E{}表示計算均值，| |2與I I I 分別表示計算向量的L2-范數(shù)與U范數(shù)； 其次，對獲取的重要性程度向量進行降序排列，然后選擇前d個重要性程度大 的獨立元成分，并在矩陣Ak與Wk中選擇對應于這d個獨立元的相應列于行，組成新的混合矩 陣;e 與分離矩陣癢^ e; 再次，利用矩陣與伊/建立起相應的MICA故障檢測模型，并利用核密度估計法計算出 訓練數(shù)據(jù)統(tǒng)計量與在置信度a = 99%條件下所對應的控制限 最后，保存模型參數(shù)卜并重復上述步驟直至所有4種重要性準 則都被用來建立相應的MICA故障檢測模型。4. 根據(jù)權(quán)利要求1所述一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方 法，其特征在于，所述步驟(7)具體為:首先，利用貝葉斯概率融合對監(jiān)測統(tǒng)計量進行第一 層信息集成，具體的實施步驟如下： ① 按照下式計算新數(shù)據(jù)^^屬于故障的概率：其中，概率％的計算方式如下：其中，N和F分別表示正常和故障工況，先驗概率&丨(#)和&丨(P)分別取值a和1-a，條件 概率& d I W和& d I 的計算方式如下：② 通過如下公式計算得到最終的概率型指標5/^其次，利用貝葉斯概率融合對監(jiān)測統(tǒng)計量ef進行第一層信息集成得到，具體操作步 驟與融合監(jiān)測統(tǒng)計量Df的步驟相似； 最后，重復上述兩步驟直至得到3組概率型指標?[5#, 5/^1。5. 根據(jù)權(quán)利要求1所述一種基于修正型獨立元分析的雙層集成式工業(yè)過程故障檢測方 法，其特征在于，所述步驟(8)具體為:首先利用貝葉斯概率融合對概率型指標進行第二 層信息集成，具體的實施步驟如下： ① 按照下式計算當前監(jiān)測樣本屬于故障的概率：其中，概率(U的計算方式如下：其中，N和F分別表示正常和故障工況，先驗概率和&分別取值a和1-a，條件 概率&(U #)和/F)的經(jīng)驗計算方式如下：② 通過如下公式計算得到最終的概率型指標BId:其次，利用貝葉斯概率融合對概率型監(jiān)測統(tǒng)計量進行第二層信息集成得到BIQ，具體 操作步驟與融合監(jiān)測統(tǒng)計量的步驟相似； 最后，計算得到的BId與^(^指標的具體數(shù)值與概率控制限1-a進行對比，若任何一個指 標數(shù)值大于l_a，則決策新數(shù)據(jù)為故障樣本;反之，該數(shù)據(jù)元#為正常樣本，進而對下一個 新采樣得到的數(shù)據(jù)繼續(xù)進行故障檢測。
【文檔編號】G05B23/02GK106054859SQ201610389226
【公開日】2016年10月26日
【申請日】2016年5月30日
【發(fā)明人】童楚東, 藍艇
【申請人】寧波大學