买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东科技大学

摘要：本发明公开了一种基于概率慢特征分析和弹性权重巩固的过程监控方法，属于工业监测和故障诊断领域，包括：依次采集工业系统正常工况下的过程数据构成训练集；利用概率慢特征分析和弹性权重巩固方法进行训练，计算模型参数和参数的重要性衡量矩阵；构建监测统计量并计算阈值；采集系统实时运行下的数据作为测试样本，利用当前训练模型计算该样本的统计量，判断系统运行状态。本发明利用单模型实现对多工况动态过程的有效监测，具有持续学习能力；可处理噪声和缺失数据，模型可解释性强，算法简单，易于实现，可广泛应用于化工、加工制造、大型火力发电厂等领域。

主权项：1.一种基于概率慢特征分析和弹性权重巩固的过程监控方法，其特征在于，包括离线训练和在线监测两个阶段；其中，阶段一、离线训练，基于历史工况数据训练PSFA-EWC算法模型；具体步骤如下：S101.采集工业过程中的历史工况MKK＝1,2,…作为训练数据其中TK为样本数量，m为变量数目；设隐变量p为隐变量数目；S102.计算训练数据的均值和方差，进行归一化处理，预处理后的数据为XK；S103.利用最大期望算法求解PSFA-EWC模型参数，求得参数VK、ΛK＝diagλ`K,1,…,λK,p、∑x、∑1、∑；其中，λ表示特征值；S104.计算Fisher信息矩阵，更新参数的重要性衡量矩阵；S105.计算监控统计量T2、SPE和S2，用核密度估计方法估计相应的阈值；阶段二、在线监测阶段，基于训练的PSFA-EWC模型进行实时监测；具体步骤如下：S201.实时采集样本x0，对变量进行预处理，标记为x；S202.计算隐变量和预测误差；S203.计算监控统计量T2、SPE和S2；S204.判断系统运行状态：a若所有统计量小于阈值，系统运行正常，继续用当前模型监控；b若S2小于阈值，T2或SPE超过阈值，系统可能进入另一个工况；此时，借助专家知识进行进一步确定；当系统进入另一工况，令K＝K+1，采集少量数据进行模型更新；c若S2大于阈值，系统出现故障，触发报警；所述步骤S104中，Fisher信息矩阵的计算公式为： 则T为当前工况的训练样本总数；对第K个工况，信息矩阵标记为和参数的重要性衡量矩阵更新方式为： 其中和是超参数，衡量当前工况参数的重要性，由先验信息确定；所述步骤S105的具体计算过程如下：对t时刻，隐变量计算如下： 其中，是卡尔曼增益矩阵；T2统计量的计算公式如下： 为了计算SPE统计量，需要隐变量在t时刻的真实值和预测值的偏差；在t-1时刻，推测的慢特征服从高斯分布，即Pyt-1|x1,x2,…,xt-1～Nμt-1,Pt-1；其中，μt-1和Pt-1均由E步获得；yt的条件分布为相似地，Pxt|x1,x2,…,xt-1～NVKΛKμt-1,Φt，预测误差为：εt＝xt-VKΛKμt-1～N0,Φt7当t→∞，Φt→Φ；SPE统计量的计算如下： S2统计量用于反映动态特性的变化，用于区分正常的工况变化和动态特性异常，计算如下： 其中，Ξ是的协方差矩阵；利用核密度估计计算3个统计量的阈值，置信水平为0.99；所述PSFA-EWC算法模型的具体原理为：工业过程依次出现正常运行工况MKK＝1,2,…，前一工况MK-1的训练参数为VK-1，ΛK-1＝diagλK-1,1,…,λK-1,p，在新工况MK训练时，需要尽可能减缓VK-1和ΛK-1的变化，这样能实现多个工况的同时监控；对第K个工况，YK是对应的隐变量，单个PSFA模型的目标函数为： 其中，θ＝{V,Λ,∑x,∑1}，变量生成模型为： 对PSFA-EWC模型，需要考虑所有工况的损失函数；但前K-1个工况的数据难以获取，引入替代函数逼近前K-1个工况的总损失函数，即 其中，衡量变量λK-1,i重要性，是对角矩阵的第i个元素，衡量变量VK-1的重要性；γ1,K和γ2,K是超参数，衡量当前工况的重要性；因此，K个工况的总损失函数为： 当K＝1，PSFA-EWC转化为传统的PSFA方法，模型仅对当前工况有效。

全文数据：

权利要求：

百度查询： 山东科技大学 一种基于概率慢特征分析和弹性权重巩固的过程监控方法