高效自适应非线性模型更新的关键性能指标过程监测方法

技术领域

本发明涉及大型装备和复杂工业过程监测领域，特别是涉及一种高效自适应非线性模型更新的关键性能指标过程监测方法。

背景技术

在大型装备和复杂工业过程监测中，通过布设的大量传感器监测到的大量数据通常呈现高维度、多变量输入输出、高耦合以及非线性分布的特点，因此如何从海量数据的复杂变化中提取能反映系统关键性能指标的特征是亟待解决的问题。而数据的非线性变化在大型装备的复杂过程中是一个普遍现象，通常反映在输入变量之间呈非线性分布，以及过程变量与关键性能指标之间呈非线性分布。因此，如何从非线性分布的过程数据中提取反映关键性能指标变化的非线性特征，是一个研究的难题。

此外，在大型复杂装备中，由于设备老化以及工作环境的微小变化都会引起工作点的缓慢漂移，导致系统呈缓时变变化，因此需要定期更新模型来跟踪系统的变化，避免产生严重的误报警。在非线性过程中，传统的模型更新方法需要存到大量累积的正常样本，而采用在非线性过程监测中核函数的构建虽然避免非线性函数的计算，但是计算复杂度将会随样本数量的增加也逐渐增加，进而导致模型更新效率降低，影响在线监测的实时性。

发明内容

本发明的目的是提供一种高效自适应非线性模型更新的关键性能指标过程监测方法，以解决在线监测实时性差的问题。

为实现上述目的，本发明提供了如下方案：

一种高效自适应非线性模型更新的关键性能指标过程监测方法，包括：

获取复杂装备的监测指标，并对所述监测指标进行预处理，生成预处理后的指标；所述监测指标包括过程变量以及反映装备核心变化的指标；所述预处理后的指标包括预处理后的过程变量以及预处理后的反映装备核心变化的指标；所述过程变量包括温度、流量以及压力；所述反映装备核心变化的指标包括伺服机构喷管以及生成物浓度；

将预处理后的过程变量向高维空间进行映射，生成高维映射后的输入非线性矩阵；

根据所述输入非线性矩阵构建高斯核函数矩阵，并对所述高斯核函数矩阵进行归一化处理，生成归一化处理后的高斯核函数矩阵；

根据所述归一化处理后的高斯核函数矩阵以及所述预处理后的反映装备核心变化的指标构建正交投影非线性模型；

基于所述正交投影非线性模型，根据所述归一化处理后的输入非线性矩阵以及所述预处理后的过程变量确定统计量和控制限；

根据所述统计量和所述控制限进行在线监测获取在线监测的当前监测指标；

基于所述当前监测指标更新所述正交投影非线性模型，确定更新后的正交投影非线性模型；

根据所述更新后的正交投影非线性模型更新所述统计量和所述控制限，并根据更新后的统计量和更新后的控制限确定所述复杂设备的当前运行状态；所述当前运行状态为所述复杂设备发生质量相关故障或所述复杂设备运行正常。

可选的，对所述监测指标进行预处理，生成预处理后的指标，具体包括：

计算所述监测指标的均值和标准差；

对所述监测指标中的每个样本进行标准化处理，统一数据尺度，生成预处理后的指标。

可选的，所述归一化处理后的高斯核函数矩阵

其中，1

可选的，根据所述归一化处理后的高斯核函数矩阵以及所述预处理后的反映装备核心变化的指标构建正交投影非线性模型，具体包括：

根据所述归一化处理后的高斯核函数矩阵以及所述预处理后的反映装备核心变化的指标确定第s次迭代的输入潜变量向量、第s次迭代的输出投影向量以及第s次迭代的输出潜变量向量；s为迭代次数；

根据所述第s次迭代的输出投影向量确定输出负载矩阵；

根据所述第s次迭代的输入潜变量向量、所述第s次迭代的输出投影向量以及所述第s次迭代的输出潜变量向量确定输出估计矩阵；

根据所述输出估计矩阵确定第s次迭代的质量相关正交投影向量；

根据所述质量相关正交投影向量确定输入矩阵的第s次迭代的负载向量以及第s次迭代的正交得分向量；

根据所述第s次迭代的负载向量确定输入负载矩阵；

根据所述正交得分向量确定正交输入得分矩阵；

根据所述高维映射后的输入非线性矩阵、所述预处理后的反映装备核心变化的指标、所述所述输入负载矩阵、所述正交输入得分矩阵以及输出负载矩阵构建正交投影非线性模型。

可选的，所述正交投影非线性模型为：

其中，Ψ

可选的，基于所述正交投影非线性模型，根据所述归一化处理后的输入非线性矩阵以及所述预处理后的过程变量确定统计量和控制限，具体包括：

根据所述质量相关正交投影向量确定质量相关正交投影矩阵；

基于所述正交投影非线性模型，根据所述质量相关正交投影矩阵、所述归一化处理后的输入非线性矩阵、所述预处理后的过程变量以及所述正交输入得分矩阵确定统计量；

计算所述统计量的方差和均值；

根据所述统计量的方差和均值确定控制限。

可选的，根据更新后的统计量和更新后的控制限确定所述复杂设备的当前运行状态，具体包括：

当所述更新后的统计量大于等于所述更新后的控制限，确定所述当前运行状态为所述复杂设备发生质量相关故障；

当所述更新后的统计量小于所述更新后的控制限，确定所述当前运行状态为所述复杂设备运行正常。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了了一种高效自适应非线性模型更新的关键性能指标过程监测方法，通过构建正交投影非线性模型，从而实现非线性正交投影的过程监测，降低质量无关故障误报率；同时，利用在线监测的当前监测指标代替原始数据，构造非线性自适应更新的递归模型，即对正交投影非线性模型进行更新，实现高效模型更新，追踪系统的参数变化，提高在线监测实时性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的高效自适应非线性模型更新的关键性能指标过程监测方法流程图；

图2为本发明所提供的质量相关故障检测图；

图3为本发明所提供的质量无关故障检测图；

图4为本发明所提供的变量3随时间波动情况示意图；

图5为本发明所提供的质量相关故障检测情况示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种高效自适应非线性模型更新的关键性能指标过程监测方法，能够提高在线监测的实时性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

图1为本发明所提供的高效自适应非线性模型更新的关键性能指标过程监测方法流程图，如图1所示，一种高效自适应非线性模型更新的关键性能指标过程监测方法，包括：

步骤101：获取复杂装备的监测指标，并对所述监测指标进行预处理，生成预处理后的指标；所述监测指标包括过程变量以及反映装备核心变化的指标；所述预处理后的指标包括预处理后的过程变量以及预处理后的反映装备核心变化的指标；所述过程变量包括温度、流量以及压力；所述反映装备核心变化的指标包括伺服机构喷管以及生成物浓度。

大型复杂装备(惯组、伺服机构、安控系统等)在健康状态管理中，通过按照各类传感器如温度传感器、振动传感器、陀螺仪、电信号等，可以测得大量的过程数据。在大量的监测指标中，选择过程变量作为输入X(如温度、流量、压力等)，选择反映装备核心变化的指标(如伺服机构喷管、生成物浓度等)作为输出变量Y。设有m个输入监测指标，p个输出监测指标，并将装备初期运行的前n个样本作为训练数据

计算训练数据X和Y的均值和标准差

其中，x

分别对X和Y中的每个样本x

将标准化后的输入和输出数据分别用符号X

在实际应用中，对所述监测指标进行预处理，生成预处理后的指标，具体包括：计算所述监测指标的均值和标准差；对所述监测指标中的每个样本进行标准化处理，统一数据尺度，生成预处理后的指标。

步骤102：将预处理后的过程变量向高维空间进行映射，生成高维映射后的输入非线性矩阵。

在实际应用中，由于大型装备通常面临复杂的工况，标准化后的数据仍然存在非线性分布的情况，同时过程变量和关键性能指标间也存在非线性关系。为了从过程数据中提取与关键性能指标相关的非线性特征，将预处理后的过程数据向高维空间进行映射X

步骤103：根据所述输入非线性矩阵构建高斯核函数矩阵，并对所述高斯核函数矩阵进行归一化处理，生成归一化处理后的高斯核函数矩阵。

在实际应用中，基于输入非线性矩阵，构建高斯核函数矩阵：

K

其中ψ(·)表示样本的非线性映射函数，K

具体的，核函数的计算公式为

核函数K

其中，1

步骤104：根据所述归一化处理后的高斯核函数矩阵以及所述预处理后的反映装备核心变化的指标构建正交投影非线性模型。

在实际应用中，步骤104具体包括：根据所述归一化处理后的高斯核函数矩阵以及所述预处理后的反映装备核心变化的指标确定第s次迭代的输入潜变量向量、第s次迭代的输出投影向量以及第s次迭代的输出潜变量向量；s为迭代次数；根据所述第s次迭代的输出投影向量确定输出负载矩阵；根据所述第s次迭代的输入潜变量向量、所述第s次迭代的输出投影向量以及所述第s次迭代的输出潜变量向量确定输出估计矩阵；根据所述输出估计矩阵确定第s次迭代的质量相关正交投影向量；根据所述质量相关正交投影向量确定输入矩阵的第s次迭代的负载向量以及第s次迭代的正交得分向量；根据所述第s次迭代的负载向量确定输入负载矩阵；根据所述正交得分向量确定正交输入得分矩阵；根据所述高维映射后的输入非线性矩阵、所述预处理后的反映装备核心变化的指标、所述所述输入负载矩阵、所述正交输入得分矩阵以及输出负载矩阵构建正交投影非线性模型。

为了构造正交投影的非线性模型，构造非线性正交回归建模方法如下：

初始化迭代次数s＝1，任意选取Y

步骤1)质量相关投影方向迭代：

计算第s次迭代的输入潜变量向量t

计算第s次迭代的输出投影向量q

计算第s次迭代的输出潜变量向量u

重复步骤1)，直到上述过程收敛。

步骤2)计算正交投影方向：

输出估计矩阵

H为过渡矩阵(无实际含义)，即令

其中

步骤3)更新参数：

计算输入矩阵Ψ第s次迭代的负载向量：

第s次迭代的正交得分向量计算如下：

更新Ψ的核函数矩阵：

更新输出矩阵：

令s＝s+1，返回步骤1)。

重复上述步骤，直到提取A个主成分，得到正交输入得分矩阵T

构建正交投影非线性模型如下：

其中

步骤105：基于所述正交投影非线性模型，根据所述归一化处理后的输入非线性矩阵以及所述预处理后的过程变量确定统计量和控制限。

构造预处理后的非线性数据Ψ

则正交输入得分矩阵T

经非线性映射后的单个样本

/>

其中，V为质量相关正交投影矩阵，由迭代回归过程计算得到，

构造T

T

其中

构造控制限J：

其中g＝ξ/2μ和h＝2μ

步骤106：根据所述统计量和所述控制限进行在线监测获取在线监测的当前监测指标。

此时，即可通过所述统计量和所述控制限确定所述复杂设备的当前运行状态，故障诊断逻辑为：

如果T

如果T

步骤107：基于所述当前监测指标更新所述正交投影非线性模型，确定更新后的正交投影非线性模型。

在实际应用中，更新后的正交投影非线性模型的自适应非线性递归迭代过程如下：

当大型复杂装备在运行过程中，在线监测的当前监测指标将沿着构建的模型进行投影并构造统计量判断是否发生故障。令在线测试样本为

t

其中R为离线过程训练得到的投影系数矩阵，

由故障诊断逻辑判断测试样本是否异常，若处于正常，则将输入和输出测试数据存储X

由训练模型，当取主成分个数为A＝m时，可得到以下关系式：

其中T

则式(17)可写为

因此非线性输入矩阵Ψ

/>

由式(19)，Y可由输出负载复杂Q

结合模型参数和存储的测试数据，可以构造模型更新输入矩阵X

将X

①首先计算K

其中，

②计算K

K

③计算K

由

其中，K

基于①，②和③，K

将Ψ

由公式(11)-(14)构造模型更新统计量和控制限，完成模型更新。

步骤108：根据所述更新后的正交投影非线性模型更新所述统计量和所述控制限，并根据更新后的统计量和更新后的控制限确定所述复杂设备的当前运行状态；所述当前运行状态为所述复杂设备发生质量相关故障或所述复杂设备运行正常。

特别说明，对于新测得的测试样本，将沿着更新后的正交投影非线性模型构造统计量以及控制限，实现故障检测。

实施例二

A.田纳西-伊斯曼实验

在大型复杂装备的过程监测中，系统通常是多输入多输出时变系统，其特点是大样本、高维度、高耦合等。分析上述过程，其数据特点与田纳西-伊斯曼过程(TEP)类似，因此采用TEP来验证所提方法的有效性。TEP是一个典型的benchmark实验，用于验证多输入多输出过程异常检测方法的经典仿真实验，其是1993年开发的一个小型工业过程模型，由五个操作单元组成，包括了化学反应器、冷凝器、压缩机、汽/液分离器和分离器，其目的是监测多级反应后的产物含量是否达到标准。

TEP包含训练数据集和测试数据集，其中训练数据集包含480个正常样本，测试数据集包含1920个样本，其中前1120个为正常样本，后800个为故障样本。在每个数据集中，共包含33个输入变量，5个输出变量。此外，测试数据共包含11种故障类型，其中6个故障为质量相关故障，5个故障为质量无关故障。

注释：1.质量相关故障是输入的过程数据发生异常，会影响输出变化的故障情况；2.质量无关故障是输入的过程数据发生异常，但是不会影响输出变化的故障情况。

下面，将基于TEP数据开展实验，令训练数据中的过程数据为

首先，计算X和Y个变量的均值u

然后，进行非线性正交回归建模，得到训练模型参数T

构造T

T

其中

构造控制限J：

其中g＝ξ/2μ和h＝2μ

在线监测：

对测试数据进行单个样本采集，采集得到x

计算x

进行故障检测：

如果T

如果T

当在线监测到W个数据后，对模型进行更新。首先构造模型更新矩阵X

计算模型更新矩阵的核函数矩阵

由公式(24)-公式(26)计算K

下一次采集的测试样本将基于求得的参数计算统计量，实现模型更新后的故障检测。

图2为本发明所提供的质量相关故障检测图，图3为本发明所提供的质量无关故障检测图，实验结果如图2-图3所示：

(1)质量相关故障：

图2是对质量相关故障检测的结果，可以看出，在1120个样本前，模型进行了三次更新，模型在1120个故障后的样本出现了显著异常，远远超出控制限，因此可以对质量相关故障进行有效报警。

(2)质量无关故障：

图3展示了所提方法对质量无关故障检测的结果。对于质量无关故障，虽然过程数据X中出现了异常，但是其并不会影响输出的变化。因为在线监测仅仅是通过构造输入数据的统计量来判断输出是否异常，因此对于质量无关故障，若T2统计量进行了报警，则是误报警。误报警是一种严重影响大型复杂装备正常运行的现象，一旦出现，将延误装备的运行，进行故障排查。由图3可知，在1120后均为质量无关故障样本，而监测空间均无误报警的情况，检测性能良好。

B.数值仿真实验

由于在实际过程中，慢时变的影响通常需要较长周期，需要的时间成本较高，因此，采用数值仿真的实验来模拟非线性过程中慢时变对系统的影响，且验证所提的非线性自适应更新方法在慢时变过程的性能。

在数值仿真中，设置训练数据X和Y包含500个样本，每个样本由5个变量组成。测试数据包含1500个样本，其中前1000个为正常数据，后500个为故障样本。在数值仿真中，设置时变因子，系统的波动会随着时间逐步变大。图4为本发明所提供的变量3随时间波动情况示意图，测试数据第3个变量的变化如图4所示，由图4可以看出，变量3的波动随着时间增大其也在逐步变大。

图5为本发明所提供的质量相关故障检测情况示意图，对质量相关故障的检测结果如图5所示，由图4可以看出，前1000个样本更新了5次，在1000个以后，显著检测到了质量相关故障的发生。

以大型复杂装备为研究对象，探索了一种高效自适应非线性模型更新的关键性能指标方法，实现缓时变的非线性过程模型更新和质量相关故障检测。

本发明提供了一种高效自适应非线性模型更新的关键性能指标过程监测方法，同时考虑了模型更新计算复杂度和质量相关故障的检测性能，有效降低模型更新计算复杂度，并提高模型在线更新效率，具有更为优异的质量相关故障检测率和更低的误报率。为大型复杂装备和工业过程监测的在线故障监测提供理论依据和技术支撑，从而节约经费开支，避免不必要的经济损失，有很好的工程应用价值。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。