CN106054859B - 基于修正型独立元分析的双层集成式工业过程故障检测方法 - Google Patents

Abstract

本发明涉及一种基于修正型独立元分析的双层集成式工业过程故障检测方法，该方法主要解决的是非高斯过程故障模型建立过程中不可避免的两个问题：其一是如何确定非二次函数以度量非高斯性大小，其二是如何选择重要的独立元成分建立模型。该发明首先利用所有的选择可能性依次建立多个MICA故障检测模型。其次，以这多个MICA模型监测同一个过程数据。最后，利用双层式贝叶斯概率融合的方法将不同的故障检测结果集成为一，以方便最后的故障决策。该发明方法能将因选错非二次函数或排序准则而引起的故障漏报率降到了最低，极大地提高了相应故障检测模型的可靠性与适用性。

Description

基于修正型独立元分析的双层集成式工业过程故障检测方法

技术领域

本发明涉及一种工业过程故障检测方法，尤其是涉及一种基于修正型独立元分析的双层集成式工业过程故障检测方法。

背景技术

保证工业过程的生产安全与产品质量的稳定性是提高企业盈利能力的必要手段，因此可靠而准确的故障检测方法是整个工业控制系统中必不可少的组成部分。考虑到现代工业过程的大型化与复杂化趋势，数据驱动的故障检测方法已逐步取代基于机理模型的故障检测方法，而成为当前故障检测研究领域里的主流技术手段。可是，现代工业过程所采集的数据通常呈现出非高斯性，而有关过程数据以及可能故障种类等的先验知识却越来越难以获取。因此，如何建立可靠而有效的故障检测模型，及时甄别出过程可能出现的所有故障，一直以来都是该研究领域的核心问题之一。

在现有的处理非高斯过程数据的故障检测方法中，修正型独立元分析(MICA)方法因其迭代求取的独立元不会受到初始值的影响，而逐渐取代原始独立元分析方法，成为主流的非高斯故障检测方法。MICA故障检测方法的基本原理是通过利用数据的高阶统计信息来提取过程数据中潜藏的有用信息来描述过程运行的本质，并在此基础上监测生产过程运行状态是否出现异常。它能有效的应对和处理非高斯工业过程数据建模与故障检测问题。然而，现有的MICA方法在建立故障检测模型时存在两个问题。首先，用来估计变量非高斯性程度的非二次函数有三种可选形式，针对的是不同的非高斯种类。以不同的非二次函数来训练MICA模型会得到不同的结果，这必将导致故障检测模型的不确定性。其次，已有的独立元重要性排序准则有多个，但依据不同的独立元组建的故障检测模型之间会存在差异性。由于MICA方法是一种无监督型的单分类建模方式，选择不同的非二次函数或选择不同独立元组建模型都能得到不同的故障检测效果。然而，过程可能会发生的故障种类是未知的，可供参考的历史数据也是非常有限的，如何确定非二次函数以及如何选择重要的独立元成分是非高斯过程监测领域两个丞待解决的关键性问题。

发明内容

本发明所要解决的技术问题是提供一种基于修正型独立元分析的双层集成式工业过程故障检测方法，该方法首先全面考虑上述两个选择问题所造成的模型多样性，以多个可能的MICA模型监测同一个过程对象。然后，利用双层式贝叶斯概率融合的方法将不同的故障检测结果集成为一，以方便最后的故障决策。该发明方法巧妙地避免了选择单一固定的函数或准则，考虑了几乎所有的模型可能性，因而能获得更加可靠和准确的故障检测结果。

本发明解决上述技术问题所采用的技术方案为：一种基于修正型独立元分析的双层集成式工业过程故障检测方法，包括以下步骤：

(1)利用过程的数据采集系统收集生产过程正常运行状态下的采样数据，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵；

(2)对数据矩阵进行白化处理，将转换成标准正交化的新数据矩阵Z∈R^n×m。

(3)针对不同的非二次函数，调用MICA迭代算法求取其相应的m个独立元成分，总计可得到3个独立元集合，并保存相应的模型参数以备用。

(4)设置需要保留的独立元个数d，利用不同的排序准则对上个步骤中的每个独立元集合进行重要性排序，并选择所需要的d个重要的独立元成分建立起相应的MICA故障检测模型，记录模型参数以备在线故障检测时调用。

(5)收集新的过程采样数据x_new∈R^m×1，并将其进行同样的标准化处理得到

(6)分别调用不同的MICA模型对其进行故障检测，即构建相应的监测统计量。

(7)先利用贝叶斯概率融合方法进行第一层的信息集成得到概率型监测指标和其中，k＝1，2，3分别对应于三种不同的非二次函数。

(8)再利用贝叶斯概率融合方法将步骤(7)中得到的3组和进行第二层的信息集成，得到最终的概率型监测指标和BI_Q，并决策新数据是否正常。

与现有技术相比，本发明的优点与效果在于：

1.本发明先针对每个非二次函数，后针对每个重要性排序准则，都分别建立与之相对应的MICA模型。这种利用多个MICA故障检测模型监测同一个过程数据的手段全面地考虑了所有的模型可能性，能将因选错非二次函数或排序准则而引起的故障漏报率降到了最低，所建立的故障检测模型通用性较强。因此，本发明所述方法极大地提高了相应故障检测模型的可靠性与适用性。

2.本发明方法通过利用双层信息集成的方法，先将不同排序准则对应的MICA故障检测模型给出的结果进行贝叶斯概率融合，再进行第二层信息集成将不同非二次函数所对应的模型结果融合为一。该方法进行信息集成时，层次分明，模型的可解释性变强。

附图说明

图1为本发明方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明涉及了一种基于修正型独立元分析的双层集成式工业过程故障检测方法，该方法针对非高斯过程故障模型建立过程中不可避免的两个问题：即如何确定非二次函数以及如何选择重要的独立元成分，首先利用所有的选择可能性建立依次建立多个MICA故障检测模型。其次，以这多个MICA模型监测同一个过程对象。最后，利用双层式贝叶斯概率融合的方法将不同的故障检测结果集成为一，以方便最后的故障决策。

本发明的具体实施步骤如下：

步骤1：利用过程的数据采集系统收集生产过程正常运行状态下的采样数据，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵

步骤2：对数据矩阵进行白化处理，将转换成标准正交化的新数据矩阵Z∈R^n×m；

步骤3：针对不同的非二次函数，调用MICA迭代算法求取其相应的m个独立元成分，总计可得到3个独立元集合，并保存相应的模型参数以备用；

首先，从如下三种可选形式中选择第k个非二次函数G_k，即：

G₁(u)＝log cosh(u)，G₂(u)＝exp(-u²/2)，G₃(u)＝u⁴ (1)

其中，u为函数G_k的自变量。然后，对矩阵Z调用MICA迭代算法求取与G_k相对应的m个独立元成分，并建立相应的MICA模型，如下所示：

上式中，A_k∈R^m×m与W_k∈R^m×m分别表示混合矩阵与分离矩阵，S_k∈R^n×m为m个独立元成分组成的矩阵，上标号T表示矩阵转置。

步骤4：设置需要保留的独立元个数d，利用不同的排序准则对上个步骤中的每个独立元集合进行重要性排序，并选择所需要的d个重要的独立元成分建立起相应的MICA故障检测模型，记录模型参数以备在线故障检测时调用。

首先，针对第k个独立元集合S_k，从如下四种重要性计算准则中选择选择第j种准则Ψ_j，用来计算S_k中的独立元成分的重要性程度，即：

Ψ₁(i)＝||W_k(i，：)||₂，Ψ₂(i)＝||s_i||_∞ (3)

Ψ₃(i)＝[E{G_k(S_k(：，i))}-E{G_k(v)}]²，Ψ₄(i)＝||A_k(：，i)||₂

其中，j＝1，2，3，4分别对应四种排序准则，i＝1，2，…，m对应于过程第i个测量变量，(i，：)与(：，i)分别表示选取相应矩阵中的第i行与第i列，v为任一均值为0，方差为1的正态分布随机变量，E{}表示计算均值，||||₂与||||_∞分别表示计算向量的L₂-范数与L_∞范数；

其次，对获取的重要性程度向量Ψ_j∈R^1×m进行降序排列，然后选择前d个重要性程度大的独立元成分，并在矩阵A_k与W_k中选择对应于这d个独立元的相应列于行，组成新的混合矩阵与分离矩阵

再次，利用矩阵与建立起相应的MICA故障检测模型，并利用核密度估计法计算出训练数据统计量与在置信度α＝99％条件下所对应的控制限与

最后，保存模型参数并重复上述步骤直至所有4种重要性准则都被用来建立相应的MICA故障检测模型。

步骤5：收集新的过程采样数据x_new∈R^m×1，并将其进行同样的标准化处理得到

步骤6：分别调用不同的MICA模型参数为新数据建立相应的监测统计量与

其中，||||表示计算向量的长度。

步骤7：先利用贝叶斯概率融合方法进行第一层的信息集成得到概率型监测指标和

首先，利用贝叶斯概率融合对监测统计量进行第一层信息集成，具体的实施步骤如下：

①按照下式计算新数据属于故障的概率：

其中，概率的计算方式如下：

其中，N和F分别表示正常和故障工况，先验概率和分别取值α和1-α，条件概率和的计算方式如下：

②通过如下公式计算得到最终的概率型指标

其次，利用贝叶斯概率融合对监测统计量进行第一层信息集成得到具体操作步骤与融合监测统计量的步骤相似；

最后，重复上述两步骤直至得到3组概率型指标

步骤8：再利用贝叶斯概率融合方法将步骤(7)中得到的3组和进行第二层的信息集成，得到最终的概率型监测指标BI_D和BI_Q，并决策新数据是否正常。

首先利用贝叶斯概率融合对概率型指标进行第二层信息集成，具体的实施步骤如下：

①按照下式计算当前监测样本属于故障的概率：

其中，概率的计算方式如下：

其中，N和F分别表示正常和故障工况，先验概率和分别取值α和1-α，条件概率和的经验计算方式如下：

②通过如下公式计算得到最终的概率型指标BI_D：

其次，利用贝叶斯概率融合对概率型监测统计量进行第二层信息集成得到BI_Q，具体操作步骤与融合监测统计量的步骤相似；

最后，计算得到的BI_D与BI_Q指标的具体数值与概率控制限1-α进行对比。若任何一个指标数值大于1-α，则决策新数据为故障样本；反之，该数据为正常样本，进而对下一个新采样得到的数据继续进行故障检测。

上述实施例仅是本发明的优选实施方式，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，不应排除在本发明的保护范围之外。

Claims (5)

1.一种基于修正型独立元分析的双层集成式工业过程故障检测方法，其特征在于：该方法包括以下步骤：

(1)利用过程的数据采集系统收集生产过程正常运行状态下的采样数据，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵；

(2)对数据矩阵进行白化处理，将转换成标准正交化的新数据矩阵Z∈R^n×m；

(3)从如下所示的三种非二次函数中选择第k个非二次函数G_k：

G₁(u)＝log cosh(u)，G₂(u)＝exp(-u²/2)，G₃(u)＝u⁴ (1)

其中，u为函数G_k的自变量，k＝1，2，3分别为三种不同的非二次函数的标号，再调用MICA迭代算法求取与G_k相对应的m个独立元成分，重复此操作直至得到三个独立元集合，并保存相应的模型参数以备用；

(4)设置需要保留的独立元个数d，利用第j个的排序准则对上个步骤中的每个独立元集合进行重要性排序，并选择所需要的d个重要的独立元成分建立起相应的MICA故障检测模型，保存模型参数以备在线故障检测时调用，其中，j＝1，2，3，4分别为四种排序准则的标号；

(5)收集新的过程采样数据x_new∈R^m×1，并将其进行同样的标准化处理得到

(6)分别调用不同的MICA模型对其进行故障检测，即构建相应的监测统计量与

其中，|| ||表示计算向量的长度；

(7)先利用贝叶斯概率融合方法进行第一层的信息集成得到概率型监测指标和其中，k＝1，2，3分别对应于三种不同的非二次函数；

(8)再利用贝叶斯概率融合方法将步骤(7)中得到的3组和进行第二层的信息集成，得到最终的概率型监测指标BI_D和BI_Q，并决策新数据是否正常。

2.根据权利要求1所述一种基于修正型独立元分析的双层集成式工业过程故障检测方法，其特征在于，所述步骤(3)中调用MICA迭代算法求取独立元成分旨在建立如下所示的MICA模型：

其中，A_k∈R^m×m与W_k∈R^m×m分别表示混合矩阵与分离矩阵，S_k∈R^n×m为m个独立元成分组成的矩阵，上标号T表示矩阵转置。

3.根据权利要求1所述一种基于修正型独立元分析的双层集成式工业过程故障检测方法，其特征在于，所述步骤(4)具体为：首先，针对第k个独立元集合S_k，从如下四种重要性计算准则中选择选择第j种准则Ψ_j，用来计算S_k中的独立元成分的重要性程度，即：

其中，i＝1，2，…，m对应于过程第i个测量变量，(i，：)与(：，i)分别表示选取相应矩阵中的第i行与第i列，v为任一均值为0，方差为1的正态分布随机变量，E{}表示计算均值，||||₂与|| ||_∞分别表示计算向量的L₂-范数与L_∞范数；

其次，对获取的重要性程度向量Ψ_j∈R^1×m进行降序排列，然后选择前d个重要性程度大的独立元成分，并在矩阵A_k与W_k中选择对应于这d个独立元的相应列于行，组成新的混合矩阵与分离矩阵

再次，利用矩阵与建立起相应的MICA故障检测模型，并利用核密度估计法计算出训练数据统计量与在置信度α＝99％条件下所对应的控制限与

最后，保存模型参数并重复上述步骤直至所有4种重要性准则都被用来建立相应的MICA故障检测模型。

4.根据权利要求1所述一种基于修正型独立元分析的双层集成式工业过程故障检测方法，其特征在于，所述步骤(7)具体为：首先，利用贝叶斯概率融合对监测统计量进行第一层信息集成，具体的实施步骤如下：

①按照下式计算新数据属于故障的概率：

其中，概率的计算方式如下：

其中，N和F分别表示正常和故障工况，先验概率和分别取值α和1-α，条件概率和的计算方式如下：

②通过如下公式计算得到最终的概率型指标

其次，利用贝叶斯概率融合对监测统计量进行第一层信息集成得到具体操作步骤与融合监测统计量的步骤相似；

最后，重复上述两步骤直至得到3组概率型指标

5.根据权利要求1所述一种基于修正型独立元分析的双层集成式工业过程故障检测方法，其特征在于，所述步骤(8)具体为：首先利用贝叶斯概率融合对概率型指标进行第二层信息集成，具体的实施步骤如下：

①按照下式计算当前监测样本属于故障的概率：

其中，概率的计算方式如下：

其中，N和F分别表示正常和故障工况，先验概率和分别取值α和1-α，条件概率和的经验计算方式如下：

②通过如下公式计算得到最终的概率型指标BI_D：

其次，利用贝叶斯概率融合对概率型监测统计量进行第二层信息集成得到BI_Q，具体操作步骤与融合监测统计量的步骤相似；

最后，计算得到的BI_D与BI_Q指标的具体数值与概率控制限1-α进行对比，若任何一个指标数值大于1-α，则决策新数据为故障样本；反之，该数据为正常样本，进而对下一个新采样得到的数据继续进行故障检测。