基于非高斯成分提取和支持向量描述的过程监控方法

摘要

本发明公开了一种基于非高斯成分提取和支持向量描述的过程监控方法，该方法包括：读入训练数据和待诊断数据，数据预处理，建立主元分析模型，微粒群优化算法，非高斯投影计算，支持向量数据描述，残差分析，主元估计，故障检测及模型更新。通过本发明提出的方法，能自动地从工业过程运行数据中提取非高斯成份，从而避免了传统统计过程监控方法假设数据服从正态分布的不足；并且，基于微粒群优化算法的非高斯投影算法，保证了提取的独立成分非高斯性的最大化，避免了独立成分分析方法易陷入局部最优解的问题。与传统的统计过程监控方法相比，本发明提出的方法能够及时发现异常，有效减小误报率，取得良好监控效果。

主权项

1、一种基于非高斯成分提取和支持向量描述的过程监控方法，其特征在于包括以下步骤：1)读取生产过程正常运行时关键变量的数据作为训练样本TX；2)对训练样本TX进行预处理，使得各变量的均值为0，方差为1，得到输入矩阵X∈R^N×n，步骤为：(1)计算均值：$\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}T{X}_i$(2)计算方差：${\sigma }_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{({\mathrm{TX}}_i-\overline{\mathrm{TX}})}^2$(3)白化处理：$X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x^2}$其中，TX为训练样本，N为训练样本数，n为变量数；3)建立主元分析模型；4)基于微粒群优化算法的非高斯投影计算，提取数据中的非高斯成分；5)基于支持向量数据描述，构建非高斯信号的统计变量和控制限；求取非高斯信号分布的超球面，求解以下二次规划问题：$\underset{\alpha }{\max }\underset{i}{\Sigma }{\alpha }_i<x_i·x_i>-\underset{i}{\Sigma }\underset{j}{\Sigma }{\alpha }_i{\alpha }_j<x_i·x_j>$$s.t.\underset{i}{\Sigma }{\alpha }_i=1,{\alpha }_i\in [0,C],i=1,···,N.$得到超球面的中心$a=\underset{i}{\Sigma }{\alpha }_i{x}_i$和半径：$R^2=<x_k·x_k>-2\underset{i}{\Sigma }{\alpha }_i<x_k·x_i>+\underset{i}{\Sigma }\underset{j}{\Sigma }{\alpha }_i{\alpha }_j<x_i·x_j>,$x_i、x_j为非高斯成分的样本点，x_k为超球面边界上的支持向量；6)主元估计：构建主元高斯信号的T²统计量，计算控制限；当检验水平为α，控制限按下式计算：$T_{\alpha }^2=\frac{l(N^2-1)}{N-l}{F}_{l,N-l;\alpha },$l为主元个数。7)残差分析：构建残差高斯信号Q统计量，计算控制限；对于任一输入残差e_i，Q统计量为：$Q={\left|\right|e_i\left|\right|}^2=e_i^T{e}_i;$当检验水平为α，控制限按下式计算：${\delta }_{\alpha }^2={\mathrm{g\chi }}_{h;\alpha }^2,$其中$g=\frac{{\rho }^2}{2\mu },$$h=\frac{{2\mu }^2}{{\rho }^2},$ρ和μ分别为Q统计量的方差和均值。8)读取生产过程中最新的变量数据作为待诊断数据VX；9)故障检测；10)定期将过程状态正常的点添加到训练集TX中，重复2)～7)的训练过程，以便及时更新支持向量描述、残差分析和主元统计等模型。