一种多工况过程模态辨识方法与流程

文档序号：15518825发布日期：2018-09-25 18:55阅读：236来源：国知局

本发明属于自动检测技术领域，具体涉及一种多工况过程模态辨识方法。

背景技术：

在实际工业系统中，生产过程的工况会因很多因素发生工况切换。这些因素包括系统进料的改变、反应物成分的改变、不同的生产工艺、外部环境因素的变化以及生产指标的改变等等。在某些情况下，过程工况的改变是有标签的，如生产指标发生改变，或工厂中操作工按照指令改变进料或改变设定温度等。但有些工况的改变是没有标签的，如外部环境因素的变化。在这种情况下，需要对测量数据进行分析并在线辨识过程的模态，为后续的过程监控提供基础。

技术实现要素：

针对现有技术中存在的上述技术问题，本发明提出了一种多工况过程模态辨识方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种多工况过程模态辨识方法，具体包括如下步骤：

步骤1：离线训练，具体步骤如下：

步骤1.1：收集d种不同工况下的历史数据，建立训练数据集

其中，m为传感器个数，ni为第i个工况下的样本个数；

步骤1.2：计算每个工况的先验权重βi：

步骤1.3：对第i个工况下的数据进行预处理：

其中，代表第i个工况下的第k个采样时刻的测量向量；为相应的零均值化的向量；μ^{i}为第i个工况数据的样本均值，由式(3)计算：

步骤1.4：计算第i个工况数据的样本协方差q^{i}：

其中，为转置；

步骤1.5：令j＝1，并设置误差阈值∈；

步骤1.6：令k＝0，生成随机向量并归一化：

其中，表示的2范数；

步骤1.7：若j>1，则对公式(5)中的进行正交化处理：

其中，wi是待优化正交矩阵w的第i列；中k是迭代计算的第k步，t是转置；

步骤1.8：计算函数g(wj)：

其中，wj是待优化正交矩阵w的第j列；

步骤1.9：计算g(wj)的雅可比矩阵j(wj)：

其中，i为单位阵；

步骤1.10：牛顿迭代：

步骤1.11：若j>1，对公式9中的进行正交化处理：

步骤1.12：对公式10中的进行归一化处理：

步骤1.13：判断公式(11)中的，若令k＝k+1，并跳转到步骤1.10进行牛顿迭代；

步骤1.14：令j＝j+1，若j≤m，则跳转到步骤1.6；

步骤1.15：得到正交矩阵w，对不同工况的数据进行如下处理：

z^{i}＝w^tx^{i}(27)；

其中，z^{i}为第i个工况下的数据向量；

步骤1.16：设置核函数k和带宽h；

步骤1.17：对i＝1,…,d,j＝1,…,m，估计条件概率密度函数：

其中，表示第i个工况下z^{i}第j个传感器的第k个采样时刻的值；

步骤2：在线模态辨识

步骤2.1：对样本数据进行如下正交变换：

zk＝w^txk(29)；

步骤2.2：对i＝1,…,d，计算条件概率密度

步骤2.3：模态类别由最大条件概率密度确定：

本发明所带来的有益技术效果：

和经典的基于朴素贝叶斯方法相比，该方法对测量变量使用正交变换提高了变量的条件独立程度，使得原本不满足条件独立假设的测量数据在一定程度上更加满足假设。同时，由于正交变换不改变数据的形状特征，不会破坏利于分类的特征。该方法可用于多工况过程的模态辨识问题，能够较为准确地判断出未知工况，方便后续的故障检测与诊断。

附图说明

图1是根据本发明一个实施例的离线训练的流程图；

图2是根据本发明一个实施例的在线模态辨识的流程图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：