本發(fā)明專(zhuān)利技術(shù)公開(kāi)了一種基于主元分析和支持向量數(shù)據(jù)描述的多工況過(guò)程監(jiān)控方法，該方法首先對(duì)各種工況的混合數(shù)據(jù)建立一個(gè)統(tǒng)一的ＰＣＡ模型，然后分別將主元空間和殘差空間的得分向量通過(guò)ＳＶＤＤ投向高維特征空間。在特征空間中建立兩個(gè)新的統(tǒng)計(jì)量分別對(duì)主元空間和殘差空間進(jìn)行監(jiān)控。當(dāng)過(guò)程發(fā)生故障時(shí)，給出一種基于ＳＶＤＤ的故障重構(gòu)方法對(duì)故障進(jìn)行識(shí)別。本發(fā)明專(zhuān)利技術(shù)利用主元分析方法降低過(guò)程變量維數(shù)的基礎(chǔ)上，對(duì)各個(gè)工況的數(shù)據(jù)建立兩個(gè)ＳＶＤＤ統(tǒng)計(jì)監(jiān)測(cè)模型，縮緊了過(guò)程監(jiān)控的統(tǒng)計(jì)限，提高了過(guò)程監(jiān)控的靈敏度。此外，針對(duì)檢測(cè)到的過(guò)程故障，給出一種故障重構(gòu)和識(shí)別方法，可以很好地定位故障的發(fā)生源，有益于盡早排除故障，使過(guò)程回歸到正常工況。
Multi process monitoring method based on principal component analysis and support vector data description
The invention discloses a multimode process monitoring method of principal component analysis and description based on support vector data, this method first mixed data for various operating conditions to establish a unified PCA model, and then the principal component score vector space and residual space by SVDD into high dimensional feature space. In the feature space, two new statistics are established to monitor the principal component space and the residual space. When the process is out of order, a fault reconstruction method based on SVDD is proposed to identify the faults. The invention uses principal component analysis method to reduce the dimension of process variables based on the establishment of two statistical monitoring SVDD model for each condition data, the tightening of statistical process monitoring, improve the sensitivity of the monitoring process. In addition, a fault reconstruction and recognition method is given to detect the fault of the process, which can well locate the source of the fault and is useful for troubleshooting as early as possible and returning the process to normal conditions.
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于流程工業(yè)過(guò)程監(jiān)控和故障診斷領(lǐng)域，特別涉及一種基于主元分 析和支持向量數(shù)據(jù)描述的多工況過(guò)程監(jiān)控、故障重構(gòu)和識(shí)別方法。
技術(shù)介紹
作為一種基于多元統(tǒng)計(jì)投影理論的過(guò)程性能監(jiān)控和故障診斷技術(shù)，多元統(tǒng)計(jì)過(guò)程控制(Multivariable Statistical Process Control, MSPC)受到了學(xué)術(shù)界和工 業(yè)界的廣泛重視。自20世紀(jì)90年代以來(lái)，以主元分析(principal component analysis, PCA)和偏最小二乘(partial least squares, PLS)為代表的MSPC方法 已在工業(yè)過(guò)程監(jiān)控中得到了成功的應(yīng)用。但是，傳統(tǒng)的MSPC方法均假設(shè)過(guò)程 運(yùn)行在單一穩(wěn)定工況下。事實(shí)上，由于產(chǎn)品的多樣化等原因，大部分工業(yè)過(guò)程都不是運(yùn)行在單一的工況下，工況的頻繁變化在現(xiàn)代工業(yè)過(guò)程中普遍存在。在 這種情況下，用傳統(tǒng)的MSPC技術(shù)(如PCA)對(duì)過(guò)程進(jìn)行監(jiān)測(cè)，勢(shì)必會(huì)導(dǎo)致過(guò) 程性能分析不準(zhǔn)和監(jiān)測(cè)的誤報(bào)、漏報(bào)。因此，如何處理過(guò)程的多工況問(wèn)題成為 目前過(guò)程監(jiān)測(cè)領(lǐng)域研究的熱點(diǎn)之一。傳統(tǒng)的多工況問(wèn)題處理方法主要有以下幾種(1)建立一個(gè)單一的MSPC 模型覆蓋所有的操作工況；(2)利用模型迭代更新的方法對(duì)工況的變化作出響 應(yīng)；(3)采用多模型(局部模型)的方法分別對(duì)各個(gè)工況建立子MSPC模型。 但是，以上幾種方法都存在著一定的缺點(diǎn)。多模型方法除了要建立多個(gè)模型(計(jì) 算量大)之外，對(duì)工況過(guò)渡部分極有可能造成誤報(bào)和漏報(bào)，而且該方法在線實(shí) 施的時(shí)候需要判斷當(dāng)前采樣屬于哪種工況。迭代更新模型方法具有很強(qiáng)的盲目 性，確切地說(shuō)，它們根本無(wú)法區(qū)分過(guò)程的正常工況變化和故障工況。而單一的 MSPC模型雖然可以較好的對(duì)多工況過(guò)程進(jìn)行建模，但是由于過(guò)程運(yùn)行在多個(gè) 工況下，它的過(guò)程監(jiān)控統(tǒng)計(jì)限相對(duì)于單一工況模型會(huì)變得很寬松，這樣就導(dǎo)致 了該方法對(duì)過(guò)程變化的靈敏度下降
技術(shù)實(shí)現(xiàn)思路
本專(zhuān)利技術(shù)的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于主元分析和支持向 量數(shù)據(jù)描述的多工況過(guò)程監(jiān)控方法。本專(zhuān)利技術(shù)的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的一種，包括以下 步驟(1) 利用集散控制系統(tǒng)收集過(guò)程各個(gè)正常工況的數(shù)據(jù)組成建模用的訓(xùn)練樣本 集X = [X,X;，".，X^f eR,。其中，X, eR","1，2,…，G為對(duì)應(yīng)于過(guò)程工況？的 數(shù)據(jù)矩陣，",和m分別為工況《下的樣本和過(guò)程變量數(shù)目，|>9="。分別將這 些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)； 一(2) 數(shù)據(jù)預(yù)處理和歸一化，使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新 的數(shù)據(jù)矩陣為X;(3) 建立一個(gè)統(tǒng)一的PCA模型對(duì)過(guò)程數(shù)據(jù)進(jìn)行信息提取和降維；(4) 分別在兩個(gè)操作空間內(nèi)構(gòu)造統(tǒng)計(jì)量并建立其相應(yīng)的統(tǒng)計(jì)限對(duì)過(guò)程進(jìn)行在線 監(jiān)控；(5) 故障重構(gòu)和識(shí)別。本專(zhuān)利技術(shù)的有益效果是本專(zhuān)利技術(shù)利用主元分析方法降低過(guò)程變量維數(shù)的基礎(chǔ) 上，對(duì)各個(gè)工況的數(shù)據(jù)建立兩個(gè)SVDD統(tǒng)計(jì)監(jiān)測(cè)模型，縮緊了過(guò)程監(jiān)控的統(tǒng)計(jì) 限，提高了過(guò)程監(jiān)控的靈敏度。此外，針對(duì)檢測(cè)到的過(guò)程故障，給出一種故障 重構(gòu)和識(shí)別方法，可以很好地定位故障的發(fā)生源，有益于盡早排除故障，使過(guò) 程回歸到正常工況。附圖說(shuō)明圖1是本專(zhuān)利技術(shù)的詳細(xì)實(shí)施流程圖2是CSTR過(guò)程流程圖3是多工況過(guò)程監(jiān)控的散點(diǎn)圖4是過(guò)程在線監(jiān)控圖，其中，(a)為主元空間SVDD模型監(jiān)控結(jié)果，(b) 為殘差空間SVDD模型監(jiān)控結(jié)果；圖5是過(guò)程故障識(shí)別圖，其中，(a)為主元空間SVDD模型識(shí)別結(jié)果，(b) 為殘差空間SVDD模型識(shí)別結(jié)果。具體實(shí)施方式本專(zhuān)利技術(shù)針對(duì)工業(yè)過(guò)程監(jiān)控中的多工況問(wèn)題，首先利用所有正常工況數(shù)據(jù)建 立一個(gè)統(tǒng)一的主元分析(PCA)統(tǒng)計(jì)監(jiān)控模型，用于對(duì)過(guò)程數(shù)據(jù)的信息提取和 降維，PCA統(tǒng)計(jì)模型的結(jié)構(gòu)為X^P、fP-TP、E，其中X為過(guò)程數(shù)據(jù)矩陣， T，P為主元得分和載荷矩陣，f ，f為殘差得分和載荷矩陣，E為殘差矩陣，PCA 的主元個(gè)數(shù)可采用交叉檢驗(yàn)法或累積方差貢獻(xiàn)率(CPV)方法來(lái)選取。主元和載荷矩陣可以通過(guò)對(duì)X的協(xié)方差矩陣Z-X^""—D進(jìn)行特征值分解得到。通過(guò)PCA分解，過(guò)程數(shù)據(jù)變量之間的相關(guān)性被消除了，對(duì)主元得分和殘差進(jìn)行研究和構(gòu) 造相應(yīng)的統(tǒng)計(jì)量，就可以在低維空間實(shí)現(xiàn)多元統(tǒng)計(jì)過(guò)程監(jiān)控。為了改善對(duì)過(guò)程數(shù)據(jù)分布的描述性能，本專(zhuān)利技術(shù)引入SVDD方法建立兩個(gè)新的統(tǒng)計(jì)量對(duì)過(guò)程進(jìn)行 監(jiān)控。SVDD是一種單值分類(lèi)方法，它的主要思想是先把原始數(shù)據(jù)投影到特征空 間，再在該特征空間構(gòu)造一個(gè)超球體包圍這些數(shù)據(jù)樣本點(diǎn)，而且這個(gè)構(gòu)造的超球體的體積必須盡可能的小。假定原始數(shù)據(jù)樣本集為^，"^，…，"^R^ SVDD 先利用非線性變換函數(shù)0(')將其投影到恃征空間，即^x4F。為了避開(kāi)非線性 函數(shù)的具體形式，通常在特征空間里引入通用的核函數(shù)形式 《(x"x》-〈0)(x')'cl)(x》〉計(jì)算特征樣本的內(nèi)積，常用的核函數(shù)有多項(xiàng)式核、高斯核和徑向基核等。SVDD通過(guò)解一下優(yōu)化問(wèn)題來(lái)獲得特征空間的超球體其中a為超球體的球心，^為超球體的半徑，參數(shù)C的引入是為了權(quán)衡超球體的 大小和正常樣本錯(cuò)分率，《為松弛系數(shù)。式錯(cuò)誤！未找到引用源。的優(yōu)化問(wèn)題可 以轉(zhuǎn)化為下式min 2 a,尺(\, x;) -2 a,a乂X(x; ， x乂 )"''.=1 ,'=i )=i^ (2)其中"i為拉格朗日乘子。利用SVDD方法可以很好的區(qū)分正常和異常樣本， 把原始樣本投影到特征空間之后，當(dāng)它和球心a的距離小于半徑i 就認(rèn)為該樣本 屬于正常樣本。反之，當(dāng)它和球心的距離大于^時(shí)，可以認(rèn)為該樣本為異常樣本。 相比傳統(tǒng)多工況過(guò)程監(jiān)控方法，本文提出的新方法不僅可以減少監(jiān)控模型的個(gè) 數(shù)，降低建模和在線監(jiān)控的復(fù)雜度，而且可以改善模型的數(shù)據(jù)描述性能，縮緊 過(guò)程監(jiān)控的統(tǒng)計(jì)限，從而可以提高過(guò)程監(jiān)控的靈敏度。此外，當(dāng)過(guò)程發(fā)生某種 故障時(shí)，本專(zhuān)利技術(shù)給出了一種基于SVDD的故障重構(gòu)方法用于對(duì)該故障進(jìn)行識(shí)別， 確定故障的發(fā)生根源。如圖1所示，本專(zhuān)利技術(shù)采用的技術(shù)方案的主要步驟分別如下-第一步利用集散控制系統(tǒng)(Distribution Control System, DCS)收集過(guò)程各 個(gè)正常工況的數(shù)據(jù)組成建模用的訓(xùn)練樣本集如下X-[X〖，X，…，X^feR歸 (3) 這里假設(shè)過(guò)程一共運(yùn)行在2個(gè)正常工況，其中^eR"，，《4,2,…,Q對(duì)應(yīng)于過(guò)程工 況《的數(shù)據(jù)矩陣， 和附分別為工況《下的樣本和過(guò)程變量數(shù)目，那么有|>《="。 分別將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)(這里采用Oracle數(shù)據(jù)庫(kù)產(chǎn)品)。 —第二步數(shù)據(jù)預(yù)處理和歸--化，使得各個(gè)過(guò)程變量的均值為零，方差為1， 得到新的數(shù)據(jù)矩陣為^;在歷史數(shù)據(jù)庫(kù)中對(duì)采集到的過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，剔除野值點(diǎn)和明顯的粗 糙誤差數(shù)據(jù)，為了使得過(guò)程數(shù)據(jù)的尺度不會(huì)影響到監(jiān)控的結(jié)果，對(duì)不同變量的 數(shù)據(jù)分別進(jìn)行歸一化處理，即各個(gè)變量的均值為零，方差為1。這樣，不同過(guò)程 變量的數(shù)據(jù)就處在相同的尺度之下，既而不會(huì)影響到后續(xù)的監(jiān)控效果。第三步建立一個(gè)統(tǒng)一的PCA模型對(duì)過(guò)程數(shù)據(jù)進(jìn)行信息提取和降維；對(duì)收集到的過(guò)程數(shù)據(jù)進(jìn)行主元分析，可以通過(guò)對(duì)協(xié)方差矩陣5>^^/(" —1}進(jìn) 行特征值分解實(shí)現(xiàn)。通過(guò)PCA分析，可以把原空間分為主元空間和殘差空間，得到的載荷矩陣P e i mxi和得分矩陣T如下2>^/("-l) = r (4)TJ Pf =本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于主元分析和支持向量數(shù)據(jù)描述的多工況過(guò)程監(jiān)控方法，其特征在于，包括以下步驟：?。ǎ保├眉⒖刂葡到y(tǒng)收集過(guò)程各個(gè)正常工況的數(shù)據(jù)組成建模用的訓(xùn)練樣本集：Ｘ＝［Ｘ↓［１］↑［Ｔ］，Ｘ↓［２］↑［Ｔ］，…，Ｘ↓［Ｑ］↑［Ｔ］］↑［Ｔ］ ∈Ｒ↑［ｎ×ｍ］。其中，Ｘ↓［ｑ］∈Ｒ↑［ｎ↓［ｑ］×ｍ］，ｑ＝１，２，…，Ｑ為對(duì)應(yīng)于過(guò)程工況ｑ的數(shù)據(jù)矩陣，ｎ↓［ｑ］和ｍ分別為工況ｑ下的樣本和過(guò)程變量數(shù)目，＊ｎ↓［ｑ］＝ｎ。分別將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)?！。ǎ玻?shù)據(jù)預(yù)處理和歸一化， 使得各個(gè)過(guò)程變量的均值為零，方差為１，得到新的數(shù)據(jù)矩陣為＊。?。ǎ常┙⒁粋€(gè)統(tǒng)一的ＰＣＡ模型對(duì)過(guò)程數(shù)據(jù)進(jìn)行信息提取和降維?！。ǎ矗┓謩e在兩個(gè)操作空間內(nèi)構(gòu)造統(tǒng)計(jì)量并建立其相應(yīng)的統(tǒng)計(jì)限對(duì)過(guò)程進(jìn)行在線監(jiān)控?！。ǎ担┕收现貥?gòu)和識(shí)別 。
【技術(shù)特征摘要】
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：葛志強(qiáng)，宋執(zhí)環(huán)，
申請(qǐng)(專(zhuān)利權(quán))人：浙江大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：86[中國(guó)|杭州]
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。