System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及间歇过程故障检测,更具体的说是涉及一种基于多向并发局部加权投影回归的间歇过程监测方法。
技术介绍
1、间歇过程作为现代加工工业中最重要的生产方式之一,因其具有高价值、多品种、小批量生产等优点,被广泛应用于生物制药、精细化工、食品加工、半导体生产等诸多领域。间歇过程不同于连续过程,间歇过程具有广泛的多阶段特性。针对间歇过程的多阶段特性,需要建立能够捕捉其固有行为的多阶段模型。每个阶段都有特定的局部行为,多阶段建模有利于过程特征的表征,提高过程监控效果。
2、现有的多阶段处理方法仍然存在以下问题:首先,在阶段划分过程中,需要通过聚类方法识别阶段,并且需要进行复杂的后处理。其次,每次搜索最优分片点都需要遍历所有可能的分片点,其顺序与序列长度具有很高的时间复杂度。第三,在划分阶段时没有考虑到过程工艺的最终产品质量。因此,合理的阶段划分可以有效地提高批量过程监控和产品质量预测的效果。
3、在某些情况下,工艺变量的适当波动不影响产品质量,因此不应触发扰动报警。然而,一些无监督方法只考虑整个过程空间中的异常,而不使用输出变量。监督式方法利用质量数据提取相关信息,适用于质量相关过程监控。
4、间歇过程数据具有较强的非线性,为了处理非线性问题,大多数方法都采用核函数将非线性过程数据投影到高维核空间中。然而,核函数方法不能保持原始数据的特性。此外,在模型的训练阶段,基于大量数据构建的核矩阵被用于特征分解,这导致计算量的增加,并影响检测效率。
5、人工神经网络在非线性数据特征提取方面具有更
6、因此,如何监测过程数据的局部结构的变化,并通过监测局部信息的变化来实现故障检测是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种基于多向并发局部加权投影回归的间歇过程监测方法,该方法充分考虑了间歇过程的非线性特性,根据局部质量相关特性和时间序列进行阶段划分,在每个阶段采用多向并发局部加权投影回归模型进行建模,从而建立了质量相关和过程相关的完整监控指标,并利用回归结构对质量变量进行预测。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、一种基于多向并发局部加权投影回归的间歇过程监测方法,包括:
4、s1:获取间歇过程变量数据,并进行标准化处理;
5、s2:根据间歇过程的运行特征和时间顺序对整个过程进行阶段划分;
6、s3:针对划分的阶段,分别建立多向并发局部加权投影回归模型;
7、s4:细化监控统计数据,计算全局统计量并求取控制限,判断全局统计量是否超过控制限,若超过控制限表示故障发生,否则为正常。
8、优选地,s1具体包括:
9、采集间歇过程并构成三维数据x(i×j×k),其中,i、j和k分别表示数据的批次、变量和采样时间;
10、沿着批次的方向将采集的三维数据x(i×j×k)展开为x(i×jk)并进行标准化:
11、
12、其中,表示标准化后的数据,mean(x(i×j))和std(x(i×j))分别表示x(i×j)的均值和方差。
13、优选地,s2具体包括:
14、s2具体包括:
15、确定标准化后的数据的初始阶段预设值,r表示矩阵,l和z分别表示矩阵的行数和列数,将初始阶段预设值作为高斯混合模型的输入值,通过高斯混合模型进行聚类分析,标准化后的数据在每一个簇对应的概率密度为
16、
17、式中,i=1,2,...,m,m为标准化数据个数,j=1,2,...,b,b为高斯模型的个数;∑j和μj表示第j个簇cj的方差矩阵和均值向量,t表示转置;
18、的概率密度函数通过b个高斯模型表示:
19、
20、上式中,wj表示第j个分量的混合权值;
21、基于概率密度函数并通过贝叶斯推理方法得到中数据属于第b阶段的概率密度:
22、
23、通过概率密度的最大值对标准化后的数据进行阶段划分:
24、
25、其中,表示属于第b阶段的最大概率密度。
26、优选地,s2还包括对划分的阶段进行规整,具体包括以下步骤:
27、对于间歇过程,选择时间长度最接近正常批次的作为参考批次,对于不等长批次g=(g1,g2,…,gi,…,gm)和参考批次h=(h1,h2,…,hj,…,hn),n表示参考批次样本数,m表示不等长批次样本数,计算gi和hj的距离d(gi,hj):
28、d(gi,hj)=gi-hj2
29、通过gi和hj的距离计算最短距离d和最优路径w:
30、
31、上式中,(gi(l),hj(l))表示不等长批次gi和参考批次hj的第l个点,max(m,n)≤l≤m+n;
32、w=argmin[d(m,n)];
33、最优路径w={w1,w2,…,wl},wl=(i(l),j(l))是在m×n网格中根据最短距离d(m,n)搜索的序列;
34、约束允许网格中的一个点(gm(l),hn(l))只能通过或到达点(gm(l-1),hn(l)),点(gm(l),hn(l-1))或者点(gm(l-1),hn(l-1));
35、计算路径距离矩阵:
36、
37、其中,d(gm(l),hn(l))表示不等长批次gm和参考批次hn的第l个点的距离,d(gm(l-1),hn(l))表示不等长批次gm的第l-1个点和参考批次hn的第l个点的最短距离,d(gm(l),hn(l-1))表示不等长批次gm的第l个点和参考批次hn的第l-1个点的最短距离,d(gm(l-1),hn(l-1))表示不等长批次gm的第l-1个点和参考批次hn的第l-1个点的最短距离;
38、重复以上过程,将每个阶段进行规整。
39、优选地,s3具体包括:
40、设非线性函数yα=f(xα)+e,xα和yα分别为输入变量和输出变量,e代表均值为0的噪声;
41、通过高斯核计算权值ψα:
42、
43、其中,d是一个正半定矩阵,用于确定局部模型的大小和形状,xc为局部模型的数据中心,t表示转置;
44、基于权值ψα计算多向并发局部加权投影回归模型的加权均值:
45、
46、其中,和分别为局部加权投影回归模型输入和输出变量的加权均值,n为采样点个数;
47、基于正常样本(xδ,yδ),δ=1,2,...,δ,δ为样本的长度,局部加权投影回归模型输入和输出变量的加权均本文档来自技高网...
【技术保护点】
1.一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,S1具体包括:
3.根据权利要求2所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,S2具体包括:
4.根据权利要求3所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,S2还包括对划分的阶段进行规整,具体包括以下步骤:
5.根据权利要求4所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,S3具体包括:
6.根据权利要求5所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,将监控统计数据细化为可预测输出子空间、不可预测输出残差子空间、不可预测输出原理子空间、输出无关主子空间和输出无关残差子空间。
7.根据权利要求6所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,S4具体包括:
8.根据权利要求7所述的一种基于多向并发局部加权投影回归的间歇过
9.根据权利要求7所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,中间矩阵构建过程为:
...【技术特征摘要】
1.一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,s1具体包括:
3.根据权利要求2所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,s2具体包括:
4.根据权利要求3所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,s2还包括对划分的阶段进行规整,具体包括以下步骤:
5.根据权利要求4所述的一种基于多向并发局部加权投影回归的间歇过程监测方法,其特征在于,s3具体包括:
6....
【专利技术属性】
技术研发人员:张妍,惠永永,赵小强,曹洁,刘凯,牟淼,
申请(专利权)人:兰州理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。