CN108960332A - 一种基于多向主元素分析法的在线监测方法 - Google Patents
一种基于多向主元素分析法的在线监测方法 Download PDFInfo
- Publication number
- CN108960332A CN108960332A CN201810760603.XA CN201810760603A CN108960332A CN 108960332 A CN108960332 A CN 108960332A CN 201810760603 A CN201810760603 A CN 201810760603A CN 108960332 A CN108960332 A CN 108960332A
- Authority
- CN
- China
- Prior art keywords
- moment
- kth
- new
- matrix
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公开了一种基于多向主元素分析法的在线监测方法,包括如下步骤:步骤1、建立改进算法的模型;步骤2、在线故障监测。本发明的在线监测方法能够在结合历史数据的前提下,增加监测指标,不仅能够让监测灵敏度大大提高,还能够在早期就检测出生产异常。
Description
技术领域
本发明属于自动化工业过程监测领域,是一种涉及发酵过程的基于多向主元素分析法的在线监测方法。
背景技术
实际生产过程的复杂多样性导致了数学模型难以建立,或者建立出的数学模型具有较强的非线性。于是在大量生产数据的前提下产生了统计过程监测方法,这些方法由于不需要任何的机理建模过程,仅通过对数据的在线监测就能判断出生产情况是否异常,故大量用于实际生产过程。其中多向主元素分析法应用较为广泛。传统方法假设某一时刻的数据和前面时刻的数据无关,如果工业生产过程较为缓慢且生产状态变化缓慢,那么这样是不可行的。而多向主元素分析法不仅考虑到生产过程中批次相关性,还考虑到了前后时间相关性。通过监测数据计算监测指标来判断生产过程是否正常。
发明内容
本发明目的是针对多向主元素分析法的不足之处增加了统计量,得到一种新的监测方法能够更早地发现生产异常。首先基于工业发酵过程,采样得到多个发酵点的发酵情况,建立观测数据的矩阵模型,然后优化模型并计算监测指标判断是否出现异常。
本发明的技术方案是通过数据采集、模型建立、故障监测等手段,确立了一种基于多向主元素分析法的在线监测方法,利用该方法可以更早发现生产异常。
本发明的方法步骤包括:
步骤1、建立改进算法的模型,具体步骤是:
1-1.通过采样得到第i批次第k时刻时间序列模型:
Xi(k)=[(Xi(k))T (Xi(k-1))T … (Xi(k-d))T]
其中k是时刻,d是时滞窗口长度,i是批次,Xi(k)、Xi(k-1)…Xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻采样数据组成的向量,T是转置符号,每个时刻数据都要采样J次。
1-2.利用1-1数据扩展成时滞数据窗口:
其中是第i批次长度为d的时滞数据窗口,Xi(d+1)…Xi(k)…Xi(k-d)分别是第i批次第d+1时刻…第k时刻…第k-d时刻的时间序列模型。
1-3.计算协方差矩阵:
其中Si(J×J)是第i批次的协方差矩阵,J是每个时刻采样的次数,K是采样总次数。
1-4.对1-3的数据进行主成分分析,得到其所有特征值以及特征向量,并且按从大到小排列,从中选取R个较大的特征值构成负荷矩阵:
P(J×R)=[P1 P2 … PR]
其中P(J×R)是负荷矩阵,P1…P2…PR是选取的第一个…第二个…第R个特征向量。
步骤2、在线故障监测,具体步骤是:
2-1.采样获取某个新批次第k时刻的数据,由1-1和1-2得:
其中Xnew(k)、Xnew(k-d+1)…Xnew(k-d)是新批次第k时刻、第k-d+1时刻…第k-d时刻的时间序列模型。
2-2.根据2-1计算残差矩阵,选择R个主过程变量(PV),其余(J-R)个剩余变量(CV):
enew(k)=Xnew(k)(I-PPT)
其中enew(k)是新批次第k时刻总数据的残差矩阵,是新批次第k时刻主元素残差统计量,是新批次第k时刻剩余数据残差统计量,P是负荷矩阵,I是单位矩阵,是新批次第k时刻的主采样数据时间序列模型,是新批次第k时刻的剩余数据时间序列模型,PR是主负荷矩阵,PJ-R是剩余负荷矩阵。
2-3.计算平方预测误差:
其中是新批次第k时刻的平方预测误差。
2-4.计算新批次第k时刻的得分向量:
tnew(k)=Xnew(k)P
其中tnew(k)是新批次第k时刻的得分向量。
2-5.通过2-4计算实时信息统计量:
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆,是实时信息统计量。
2-6.将2-5中式子化简得到:
2-7.计算SPEα、PVRα、CVRα:
其中FR,α是自由度为R和α的F分布;
其中是自由度为的χ2分布,m和V分别是历史平方预测误差SPEα的均值和方差;
PVRα=βSPEα
CVRα=γSPEα
其中β和γ是已知权重,SPEα、PVRα、CVRα分别是历史实时信息统计量、历史平方预测误差、历史主元素残差统计量、历史剩余元素残差统计量。
2-8.比较结果,若满足和则此时生产正常。
本发明的在线监测方法能够在结合历史数据的前提下,增加监测指标,不仅能够让监测灵敏度大大提高,还能够在早期就检测出生产异常。
具体实施方式
以工业生产中青霉素发酵为例:
本发明的方法步骤包括:
步骤1、建立改进的青霉素发酵模型,具体步骤是:
1-1.通过采样得到第i批次第k时刻青霉素发酵情况时间序列模型:
Xi(k)=[(xi(k))T (xi(k-1))T … (xi(k-d))T]
其中k是时刻,d是时滞窗口长度,i是批次,xi(k)、xi(k-1)…xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻的青霉素发酵采样数据组成的向量,Xi(k)是第i批次第k时刻青霉素发酵情况时间序列模型。
1-2.利用1-1时滞数据窗口:
其中是第i批次长度为d的青霉素发酵情况时滞数据窗口,Xi(d+1)…Xi(k)…Xi(k-d)是第i批次第d+1时刻…第k时刻…第k-d时刻的青霉素发酵情况时间序列模型。
1-3.计算协方差矩阵:
其中Si(J×J)是第i批次的协方差矩阵,J是每个时刻采样的次数,K是采样总次数。
1-4.对1-3数据进行主成分分析,得到其所有特征值以及特征向量,并且按从大到小排列,从中选取R个较大的特征值构成青霉素发酵负荷矩阵:
P(J×R)=[P1 P2 … PR]
其中P是负荷矩阵,P1…P2…PR分别是选取的第一个…第二个…第R个特征向量。
步骤2、青霉素发酵情况在线故障监测,具体步骤是:
2-1.采样获取某个新批次青霉素发酵情况数据,由1-1和1-2得:
其中xnew(k-d+1)、xnew(k-d)…xnew(k)是第k-d+1时刻、…第k时刻的青霉素发酵情况数据,Xnew(k)是新批次第k时刻的青霉素发酵时间序列模型。
2-2.由2-1计算残差矩阵,选取R个与主发酵情况数据(PV),其余(J-R)个剩余发酵情况数据(CV):
enew(k)=Xnew(k)(I-PPT)
其中enew(k)是新批次第k时刻总发酵情况数据的残差矩阵,是新批次第k时刻主发酵情况数据残差统计量,是新批次第k时刻剩余发酵情况数据残差统计量,P是负荷矩阵,I是单位矩阵,是新批次第k时刻的主发酵情况数据时间序列模型,是新批次第k时刻的剩余发酵情况数据时间序列模型,PR是主负荷矩阵,PJ-R是剩余负荷矩阵。
2-3.计算青霉素发酵情况的平方预测误差:
其中是新批次第k时刻青霉素发酵情况的平方预测误差。
2-4.计算青霉素发酵情况的得分向量:
tnew(k)=Xnew(k)P
其中tnew(k)是新批次第k时刻青霉素发酵情况的得分向量。
2-5.通过第k时刻青霉素发酵得分向量的标准平方和计算实时信息统计量:
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆,是青霉素发酵信息统计量。
2-6.将2-5中式子化简得到:
2-7.计算SPEα、PVRα、CVRα:
其中FR,α是自由度为R和α的F分布;
其中是自由度为的χ2分布,m和V分别是青霉素发酵历史平方预测误差SPEα的均值和方差;
PVRα=βSPEα
CVRα=γSPEα
其中β和γ是已知权重,SPEα、PVRα、CVRα分别是青霉素发酵情况历史实时信息统计量、历史平方预测误差、历史主元素残差统计量、历史剩余元素残差统计量。
2-8.比较结果,若满足和则此时青霉素发酵正常。
Claims (3)
1.一种基于多向主元素分析法的在线监测方法,包括如下步骤:
步骤1、建立改进算法的模型;
步骤2、在线故障监测。
2.如权利要求1所述的基于多向主元素分析法的在线监测方法,其特征在于:
步骤1具体如下:
1-1.通过采样得到第i批次第k时刻时间序列模型:
Xi(k)=[(Xi(k))T (Xi(k-1))T … (Xi(k-d))T]
其中k是时刻,d是时滞窗口长度,i是批次,Xi(k)、Xi(k-1)…Xi(k-d)分别是第i批次第k时刻、第k-1时刻…第k-d时刻采样数据组成的向量,T是转置符号,每个时刻数据都要采样J次;
1-2.利用1-1获得的数据扩展成时滞数据窗口:
其中是第i批次长度为d的时滞数据窗口,Xi(d+1)…Xi(k)…Xi(k-d)分别是第i批次第d+1时刻…第k时刻…第k-d时刻的时间序列模型;
1-3.计算协方差矩阵:
其中Si(J×J)是第i批次的协方差矩阵,J是每个时刻采样的次数,K是采样总次数;
1-4.对1-3获得的数据进行主成分分析,得到其所有特征值以及特征向量,并且按从大到小排列,从中选取R个较大的特征值构成负荷矩阵:
P(J×R)=[P1 P2 … PR]
其中P(J×R)是负荷矩阵,P1…P2…PR是选取的第一个…第二个…第R个特征向量。
3.如权利要求1所述的基于多向主元素分析法的在线监测方法,其特征在于:
步骤2具体如下:
2-1.采样获取某个新批次第k时刻的数据,由1-1和1-2得到:
其中Xnew(k)、Xnew(k-d+1)…Xnew(k-d)是新批次第k时刻、第k-d+1时刻…第k-d时刻的时间序列模型;
2-2.根据2-1计算残差矩阵,选择R个主过程变量(PV),其余(J-R)个剩余变量(CV):
enew(k)=Xnew(k)(I-PPT)
其中enew(k)是新批次第k时刻总数据的残差矩阵,是新批次第k时刻主元素残差统计量,是新批次第k时刻剩余数据残差统计量,P是负荷矩阵,I是单位矩阵,是新批次第k时刻的主采样数据时间序列模型,是新批次第k时刻的剩余数据时间序列模型,PR是主负荷矩阵,PJ-R是剩余负荷矩阵。
2-3.计算平方预测误差:
其中是新批次第k时刻的平方预测误差;
2-4.计算新批次第k时刻的得分向量:
tnew(k)=Xnew(k)P
其中tnew(k)是新批次第k时刻的得分向量;
2-5.通过2-4计算实时信息统计量:
其中Λ-1是步骤2-1建模时所保留的R个主元素对应的特征值组成的对角矩阵的逆,是实时信息统计量;
2-6.将2-5中式子化简得到:
2-7.计算SPEα、PVRα、CVRα:
其中FR,α是自由度为R和α的F分布;
其中是自由度为的χ2分布,m和V分别是历史平方预测误差SPEα的均值和方差;
PVRα=βSPEα
CVRα=γSPEα
其中β和γ是已知权重,SPEα、PVRα、CVRα分别是历史实时信息统计量、历史平方预测误差、历史主元素残差统计量、历史剩余元素残差统计量;
2-8.比较结果,若满足和则此时生产正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760603.XA CN108960332A (zh) | 2018-07-11 | 2018-07-11 | 一种基于多向主元素分析法的在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810760603.XA CN108960332A (zh) | 2018-07-11 | 2018-07-11 | 一种基于多向主元素分析法的在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960332A true CN108960332A (zh) | 2018-12-07 |
Family
ID=64482828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810760603.XA Pending CN108960332A (zh) | 2018-07-11 | 2018-07-11 | 一种基于多向主元素分析法的在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960332A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN110954841A (zh) * | 2019-10-15 | 2020-04-03 | 杭州电子科技大学 | 一种基于锂电池小波去噪的在线监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
CN103207567A (zh) * | 2013-03-08 | 2013-07-17 | 华北电力大学 | 一种低误报率的改进主元分析过程监测方法及其监测系统 |
-
2018
- 2018-07-11 CN CN201810760603.XA patent/CN108960332A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110187A (zh) * | 2009-12-28 | 2011-06-29 | 清华大学 | 一种基于pca和人工免疫系统的流程工业混合故障诊断方法和系统 |
CN103207567A (zh) * | 2013-03-08 | 2013-07-17 | 华北电力大学 | 一种低误报率的改进主元分析过程监测方法及其监测系统 |
Non-Patent Citations (4)
Title |
---|
TIAN QIU ET AL: "Comparison of Different Fault Detection Statistics Detectability in PCA", 《THE 2ND INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING (2012)》 * |
王海清等: "改进PCA及其在过程监测与故障诊断中的应用", 《化工学报》 * |
肖应旺等: "BDPCA在线过程监测方法", 《控制工程》 * |
雷高阔等: "《造纸过程控制与维护管理 中文版》", 30 September 2017 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN110954841A (zh) * | 2019-10-15 | 2020-04-03 | 杭州电子科技大学 | 一种基于锂电池小波去噪的在线监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
CN107065842B (zh) | 一种基于粒子群优化核独立元分析模型的故障检测方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN106444666B (zh) | 基于加权型动态分布式pca模型的动态过程监测方法 | |
CN110210687A (zh) | 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法 | |
CN111275579A (zh) | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN108960329A (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
CN106208043B (zh) | 一种中低压配电网关键耗能环节辨识方法 | |
CN108960332A (zh) | 一种基于多向主元素分析法的在线监测方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN106874676B (zh) | 一种电能计量装置状态评估方法 | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN112651178A (zh) | 一种基于无规则缺失数据融合模型的丁烷含量预测方法 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |
|
RJ01 | Rejection of invention patent application after publication |