一种基于k近邻的批次过程在线实时监测方法
【技术领域】
[0001] 本发明属于工业过程监控与故障诊断领域，特别涉及一种基于k近邻的批次过程 在线实时监测方法。
【背景技术】
[0002] 批次过程作为一种重要的生产方式，已经被广泛地应用到食品、生物制药等众多 领域。与连续的生产过程相比，批次过程具有反应复杂、时序操作严格等特点，使得对实际 批次过程的监测变得更为困难。
[0003] 近年来，基于多元统计分析的批次过程监测方法，例如主元分析（Principal Component Analysis, PCA)和偏最小二乘回归（Partial Least Squares, PLS)等，已被广泛 应用于监测批次生产过程。但是由于批次生产过程存在的非线性、非高斯性以及多模型等 特性，基于多元统计分析的批次过程监测方法在实际生产应用中受到了很大的限制。因此， 本发明采用了在处理非线性、多模态和非高斯等问题具有的明显优势的k近邻方法。
[0004] 另一方面，对于批次生产过程，已有的基于k近邻的故障检测方法（Fault detection based on k-Nearest Neighbor, FD-kNN)是对批次过程的三维数据矩阵按照批 次展开的方式进行预处理，即将一个生产批次所有时刻的采样数据展开成一个高维向量作 为一个样本，这说明FD-kNN需要等批次过程运行结束得到所有的数据后，才能判断该批次 过程是否发生故障。显然，FD-kNN具有滞后性，不能实时地检测出批次过程中存在的故障， 在实际的生产实践中，这往往会导致生产材料的浪费等问题。因此，对批次过程的生产进行 在线实时的检测显得尤为重要。
【发明内容】
[0005] 本发明针对上述已有的基于k近邻的故障检测方法的不足，提出了一种利用k近 邻方法对批次过程进行实时监测的故障检测方法。该方法按照批次过程的历史数据的采样 时间片分别建立训练模型。在线实时监测时，只需得到当前采样时刻的数据，即可判断批次 过程是否存在故障，如若检测出故障，则将停止批次的生产。
[0006] 本发明提出的一种基于k近邻的批次过程在线实时监测方法，其实现的步骤如 下：
[0007] 第一部分：离线训练，建立模型。将批次过程的历史数据沿着时间轴切割为多个二 维数据矩阵，对每一个二维数据矩阵进行归一化处理后，利用k近邻方法分别建立所有采 样时刻的控制限。
[0008] 第二部分：在线实时检测。在线采集批次过程的测量数据并归一化处理，计算测量 样本的k个最近邻平方累积距离，并与第一部分中得到的采集测量数据对应采样时刻下的 控制限作比较，判断批次过程是否异常。若测量样本的k个最近邻平方累积距离超出了第 一部分中得到的采集测量数据对应采样时刻下的控制限，则表明批次过程发生异常。
[0009] 所述的第一部分：离线训练，建立模型。
[0010] 1)采集建模数据。利用多传感器数据采集系统收集正常工况下的数据，用一个三 维数据矩阵X(I，J，M)代表批次过程的历史数据，其中：1为批次数；J为测量变量数；M为独 立采样点数。
[0011] 2)沿着时间轴切割三维数据矩阵X(I，J，M)。将三维数据矩阵X(I，J，M)中所有 批次过程对应同一采样时刻的数据分别构成一个二维矩阵。对于M个采样时刻，将三维 数据矩阵X(I，J，M)沿着时间轴切割为M个二维矩阵。以第1个采样时刻为例，三维矩阵 X(I，J，M)中所有批次过程对应的第1个采样时刻的数据构成了一个二维矩阵 [0012]
【主权项】
1. 一种基于k近邻的批次过程在线实时监测方法，其特征在于，该方法具体包括以下 步骤： 第一部分：离线训练，建立模型；将批次过程的历史数据沿着时间轴切割为多个二维 数据矩阵，对每一个二维数据矩阵进行归一化处理后，利用k近邻方法分别建立所有采样 时刻的控制限； 第二部分：在线实时检测；在线采集批次过程的测量数据并归一化处理，计算测量样 本的k个最近邻平方累积距离，并与第一部分中得到的采集测量数据对应采样时刻下的控 制限作比较，判断批次过程是否异常；若测量样本的k个最近邻平方累积距离超出了第一 部分中得到的采集测量数据对应采样时刻下的控制限，则表明批次过程发生异常。
2. 根据权利要求1所述的一种基于k近邻的批次过程在线实时监测方法，其特征在于： 所述的离线训练，建立模型具体包括以下步骤： 1) 采集建模数据；利用多传感器数据采集系统收集正常工况下的数据，用一个三维数 据矩阵X(I，J，M)代表批次过程的历史数据，其中：1为批次数；J为测量变量数;M为独立 采样点数； 2) 沿着时间轴切割三维数据矩阵X(I，J，M);将三维数据矩阵X(I，J，M)中所有批次过 程对应同一采样时刻的数据分别构成一个二维矩阵；对于M个采样时刻，将三维数据矩阵 X(I，J，M)沿着时间轴切割为M个二维矩阵；以第1个采样时刻为例，三维矩阵X(I，J，M)中 所有批次过程对应的第1个采样时刻的数据构成了一个二维矩阵
其中，x(i) = [xji),x2(i),…，Xj(i)]，i= 1，2,…，I表示J个变量在第i批次下的 测量值，即X1的每一行x(i),i= 1，2,…，I代表一个样本；Xj= [Xj(l), Xj(2),…，Xj(I)]，j =1，2,…，J表示第j个变量在所有批次下的测量值，即X1的每一列xj,j= 1，2,…，J代 表一个测量变量； 3) 归一化处理二维数据矩阵；对M个二维矩阵分别进行归一化处理，使得二维矩阵中 各个变量的均值为〇,方差为1，得到M个新的二维数据矩阵；以第1个采样时刻为例，二维 矩阵X1经过归一化处理后，得到新的二维矩阵
4) 确定控制限；根据M个采样时刻下的二维测量数据矩阵，分别确定M个采样时刻下 的控制限。
3. 根据权利要求2所述的一种基于k近邻的批次过程在线实时监测方法，其特征在于： 根据M个采样时刻下的二维测量数据矩阵，分别确定M个采样时刻下的控制限的步骤为：以 第1个采样时刻为例 si计算二维矩阵中每个样本x(X)与其他样本x(X)间的距离尤，其距离的计算公 式为：
S2从中找出与样本距离最小的k个样本，作为的k个最近邻； S3计算^的k个最近邻的平方累积距离，其计算公式为：
S4确定第1个采样时刻下的故障检测控制限贫,； 根据（4)式得到叉'中每个样本的平方累积距离q2,并将q2按照降序进行排序 后，得新的序列，则第1个采样时刻下的控制限1^,可以确定为
其中，a为置信水平，|_n(l-a)」表示向下取n(l-a)的整数部分。
4.根据权利要求1所述的一种基于k近邻的批次过程在线实时监测方法，其特征在于： 以第1个采样时刻为例，在线实时监测具体包括以下步骤： 1) 归一化处理实时采集到的测量数据；由多传感器数据采集系统采集到批次过程第1 个采样时刻的测量数据/e 并利用训练模型中第1个采样时刻对应的均值和标准差来 归一化处理y1，得到新的数据fe及"'； 2) 找到f的k个最近邻；由公式〇|五⑷-蝴|> =l，2，..W=l,2，...，J;htA pi中找到^的k个最近邻； 3) 计算#的k个最近邻平方累积距离；由公式g=!；(，计算出炉的k个最近邻 平方累积距离 4) 比较^2,与 的大小，若S，则y1是正常样本；否则y1是故障样本，表明 过程发生异常。
【专利摘要】本发明公开了一种基于k近邻的批次过程在线实时监测方法，本发明根据每个采样时刻的历史数据进行多个建模，并根据这些模型对批次过程实时地监测【通过离线训练，建立模型】。将批次过程的历史数据按照采样时刻切割为多个二维数据矩阵，对每一个二维数据矩阵进行归一化处理后，利用k近邻方法分别建立所有采样时刻的控制限【】；在线采集批次过程的测量数据并归一化处理，计算测量样本的k个最近邻平方累积距离，并与第一部分中得到的采集测量数据对应采样时刻下的控制限作比较，判断批次过程是否异常。若测量样本的k个最近邻平方累积距离超出了第一部分中得到的采集测量数据对应采样时刻下的控制限，则表明批次过程发生异常。本发明方法能够及时检测批次过程存在的异常情况。
【IPC分类】G05B23-02
【公开号】CN104808648
【申请号】CN201510102631
【发明人】文成林, 周梅, 周哲
【申请人】杭州电子科技大学
【公开日】2015年7月29日
【申请日】2015年3月9日