CN110794797A - 一种基于互信息和多块信息提取的pca故障监测方法 - Google Patents

Abstract

本发明公开了一种基于互信息和多块信息提取的PCA故障监测方法，包括，采集工业生产系统中数据，并将数据划分为训练集和测试集；计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；本发明在考虑到变量之间相关性的同时，挖掘了数据的隐含信息，首先通过计算过程变量之间的互信息值，将过程变量分块，然后对每个变量块提取累计误差信息和二阶差分信息，与观测值信息共同将每个变量块扩充为三个特征信息子块。

Description

一种基于互信息和多块信息提取的PCA故障监测方法

技术领域

本发明涉及的工业生产过程故障监测和诊断技术领域，尤其涉及一种基于互信息和多块信息提取的PCA故障监测方法。

背景技术

现代工业生产过程对产品质量和安全性的要求日益提高，若复杂工业过程发生故障，则会造成巨大的损失，因此对过程进行有效的监控至关重要。随着传感和检测技术飞速发展，工业生产的信息化程度不断提高，产生了大量的生产过程数据，因而多元统计过程监控(MSPM)方法得到了广泛应用。其中主元分析法(PCA)、偏最小二乘(PLS)和独立元分析(ICA)等是比较经典的多元统计监控方法；然而这些方法都是建立一个全局模型，没有考虑到生产过程中的局部信息，容易忽略局部产生的故障。

以大规模和多个操作单元为特征的现代生产过程越来越多，而当这样的生产过程发生故障时，可能只有部分变量受到影响，这时若只建立全局模型，那么局部信息可能会被淹没，因此，多块或分布式过程监控成为一种有效的解决方案。国内外学者已经提出多种多块监控方法来获得复杂过程变量之间的关系，并能够反映过程的局部特性。

基于变量分块的多块监控方法在分析各过程变量之间关系的基础上，通过构建一些规则将变量分块，取得了优于单一模型的监测效果，但是仅使用了过程变量的观测值，并没有挖掘过程数据中隐含的其它有效信息。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于互信息和多块信息提取的PCA故障监测方法存在不能在考虑变量相关性的同时挖掘数据中心的隐含信息，导致监测效果变差的问题，提出了本发明。

因此，本发明目的是提供一种基于互信息和多块信息提取的PCA故障监测方法。

为解决上述技术问题，本发明提供如下技术方案：一种基于互信息和多块信息提取的PCA故障监测方法，包括，

采集工业生产系统中的数据，并将所得数据划分为训练集和测试集；

计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；

对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；

对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量；

通过贝叶斯推理计算BIC统计量和BIC控制限，判断是否超过控制限，得到最终的监测结果。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：采集工业生产系统中的数据，并将所得数据划分为训练集和测试集的步骤包括：

通过传感器采集工业生产系统中的数据；

根据不同工况，将所得数据分为正常数据和故障数据；

将正常数据作为训练集，而故障数据作为测试集；

分别对正常数据和故障数据进行标准化处理。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：训练集标准化处理步骤包括：

计算训练集X的平均值μ；

计算训练集X的标准差δ；

标准化后的训练集

其中，测试集Y的平均值和标准差采用训练集的平均值和标准差。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：互信息的计算公式如下：

I(x,y)＝H(x)+H(y)-H(x,y)

式中，I(x,y)表示变量x和y的互信息值，H(x)和H(y)分别为两个变量的边缘熵，H(x,y)为两个变量的联合熵；

其中，变量x的边缘熵H(x)的计算公式为：

H(x)＝-∫_xp(x)logp(x)dx

其中，变量y的边缘熵H(y)的计算公式为：

H(y)＝-∫_yp(y)logp(y)dy

其中，变量x和变量y的联合熵H(x,y)的计算公式为：

H(x,y)＝-∫∫_x,yp(x,y)logp(x,y)dxdy。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：特征信息包括累计误差信息和二阶差分信息；

其中，所述累计误差信息通过计算一定时间段内累计的训练集与训练集的平均值之间的差，得到的信息；

其中，所述二阶差分信息用于将数据进行一次差分后，对差分后的数据再进行一次差分。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：准化后的正常工况下，训练集为X∈R^n×m(n为样本个数，m为样本维数)，其值为0；

将标准值设定为变量的均值，累计误差信息可通过直接将样本值相加得到；

将前T个时刻的累计误差信息作为新的特征信息，构造新的数据集X_l∈R^(n-T)×m；

其中，t时刻的累计误差信息x_l(t)为：

式中，x(t)为原始过程变量数据中t时刻的样本，x_l(t)表示t时刻的累计误差信息，x(t-l)表示t时刻之前的l个时刻的样本值。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：标椎化后的训练集为X∈R^n×m，通过对每个时刻变量求取二阶差分构造新的特征数据集X_d∈R^(n-2)×m，t时刻的二阶差分信息为：

x_d(t)＝(x(t)-x(t-1))-(x(t-1)-x(t-2))

式中，x_d(t)为t时刻的二阶差分信息，x(t)为t时刻标准化后的原始数据。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：建立PCA模型的过程如下：

经过标准化预处理的过程训练集为X∈R^n×m，进行主元分析可得：

X＝TP^T+E

式中，T∈R^n×k为主元得分矩阵，P∈R^m×k为载荷矩阵，E∈R^n×m为残差矩阵。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量还包括通过在主元空间和残差空间中分别构造T²和SPE统计量。

作为本发明所述基于互信息和多块信息提取的PCA故障监测方法的一种优选方案，其中：通过贝叶斯推理计算BIC统计量过程为：

在贝叶斯推理中，测试集x_test在第i个子块中T²统计量故障的条件概率可表示为：

其中，条件概率

和

定义如下：

式中，N和F分别代表正常和故障情况；

和

分别作为正常样本和故障样本的先验概率；

为新样本在第i个子块的T²统计量；

是对应的第i个子块的T²统计量的控制限；

经过BIC融合后的统计量为：

同理，经过BIC融合后的SPE统计量为：

本发明的有益效果：本发明在考虑到变量之间相关性的同时，挖掘了数据的隐含信息，首先通过计算过程变量之间的互信息值，将过程变量分块，然后对每个变量块提取累计误差信息和二阶差分信息，与观测值信息共同将每个变量块扩充为三个特征信息子块，采用贝叶斯方法对每个子块的监测结果进行融合得到最终的监测结果，为故障监测提供了一种多块建模方法。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：

图1为本发明基于互信息和多块信息提取的PCA故障监测方法的工业过程的工艺流程图。

图2为本发明基于互信息和多块信息提取的PCA故障监测方法的建模流程图。

图3为本发明基于互信息和多块信息提取的PCA故障监测方法的变量之间互信息值图。

图4为本发明基于互信息和多块信息提取的PCA故障监测方法的传统方法的监测结果图。

图5为本发明基于互信息和多块信息提取的PCA故障监测方法对TE过程故障的监测结果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

实施例1

参照图1，提供了一种基于互信息和多块信息提取的PCA故障监测方法的整体结构示意图，如图1，一种基于互信息和多块信息提取的PCA故障监测方法包括步骤，

S1：采集工业生产系统中数据，并将数据划分为训练集和测试集；

S2：计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；

S3：对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；

S4：对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量；

S5：通过贝叶斯推理计算BIC统计量和BIC控制限，判断是否超过控制限，得到最终的监测结果。

本发明在考虑到变量之间相关性的同时，挖掘了数据的隐含信息，首先通过计算过程变量之间的互信息值，将过程变量分块，然后对每个变量块提取累计误差信息和二阶差分信息，与观测值信息共同将每个变量块扩充为三个特征信息子块，采用贝叶斯方法对每个子块的监测结果进行融合得到最终的监测结果，为故障监测提供了一种多块建模方法。

具体的，本方法包括，

S1：采集工业生产系统中的数据，并将数据划分为训练集和测试集；

其中，采集工业生产系统中的数据，并将数据划分为训练集和测试集的步骤包括：

S11：通过传感器采集工业生产系统(田纳西-伊斯曼过程，高炉炼铁生产设备)中数据；需说明的是，传感器为温度传感器压力传感器流量传感器等，工业生产系统为田纳西-伊斯曼过程或高炉炼铁工业生产线涉及到的设备，如反应器、冷凝器、压缩机、分离器和汽提塔等；

S12：根据不同工况，将所得数据分为正常数据和故障数据；其中，采集工况包括正常工况和故障工况；

S13：将正常数据作为训练集，而故障数据作为测试集；

S14：分别对正常数据和故障数据进行标准化处理。

需说明的是，训练集标准化处理步骤包括：

计算训练集X的平均值μ；

计算训练集X的标准差δ；

标准化后的训练集

需强调的是，测试集Y的平均值和标准差采用训练集的平均值和标准差。

S2：计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；

其中，互信息的计算公式如下：

I(x,y)＝H(x)+H(y)-H(x,y)

式中，I(x,y)表示变量x和y的互信息值，H(x)和H(y)分别为两个变量的边缘熵，H(x,y)为两个变量的联合熵，采集的样本的维数就是变量数，变量x和y仅代表多个变量中的任意两个变量；

其中，变量x的边缘熵H(x)的计算公式为：

H(x)＝-∫_xp(x)logp(x)dx

其中，变量y的边缘熵H(y)的计算公式为：

H(y)＝-∫_yp(y)logp(y)dy

其中，变量x和变量y的联合熵H(x,y)的计算公式为：

H(x,y)＝-∫∫_x,yp(x,y)logp(x,y)dxdy。

S3：对分块过后的每个子块分别提取特征信息，训练集的特征信息与训练集共同组成新的训练信息块，而测试集的特征信息与测试集共同组成新的测试信息块；

其中，特征信息包括累计误差信息和二阶差分信息；

其中，累计误差信息通过计算一定时间段内累计的训练集与训练集的平均值之间的差，得到的信息；

其中，二阶差分信息用于将数据进行一次差分后，对差分后的数据再进行一次差分。

具体的，累计误差信息的过程为：标准化后的正常工况(没有故障情况下的正常生产过程)下，训练集为X∈R^n×m(n为样本个数，m为样本维数)，其值为0；

将标准值设定为变量的均值，则累计误差信息可通过直接将样本值相加得到；

将前T个时刻的累计误差信息作为新的特征信息，构造新的数据集X_l∈R^(n-T)×m；

其中，t时刻的累计误差信息x_l(t)为：

式中，x(t)为原始过程变量数据中t时刻的样本，x_l(t)表示t时刻的累计误差信息，x(t-l)表示t时刻之前的l个时刻的样本值

其中，二阶差分信息过程为：标椎化后的训练集为X∈R^n×m，通过对每个时刻变量求取二阶差分构造新的特征数据集X_d∈R^(n-2)×m，t时刻的二阶差分信息为：

x_d(t)＝(x(t)-x(t-1))-(x(t-1)-x(t-2))

式中，x_d(t)为t时刻的二阶差分信息，x(t)为t时刻标准化后的原始数据

S4：对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量；

其中，建立PCA模型的过程如下：

经过标准化预处理的过程训练集为X∈R^n×m，进行主元分析可得：

X＝TP^T+E

式中，T∈R^n×k为主元得分矩阵，P∈R^m×k为载荷矩阵，E∈R^n×m为残差矩阵；

对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量还包括通过在主元空间和残差空间中分别构造T²和SPE统计量。

具体过程，设测试集中的一个测试样本为x∈R^m×1，其T²和SPE统计量为：

SPE＝x^T(I-PP^T)x≤SPE_lim

式中，Λ是前k个主元所对应的特征值组成的对角阵，I是单位矩阵，

和SPE_lim为统计量的控制限，其计算方法为：

式中，b为主元个数，m为变量个数，F_b,n-b,α是自由度为b，n-b，置信度为α的F分布临界值，c_α为标准正太分布在置信度为α下的阈值。

S5：通过贝叶斯推理计算BIC统计量和BIC控制限，判断是否超过控制限，得到最终的监测结果。

通过贝叶斯推理计算BIC统计量过程为：

在贝叶斯推理中，测试集x_test在第i个子块中T²统计量故障的条件概率可表示为：

其中，条件概率

和

定义如下：

式中，N和F分别代表正常和故障情况；和

分别作为正常样本和故障样本的先验概率；

为新样本在第i个子块的T²统计量；

是对应的第i个子块的T²统计量的控制限；

经过BIC融合后的统计量为：

同理，经过BIC融合后的SPE统计量为：

其中，通过贝叶斯推理计算BIC统计量和BIC控制限，根据PCA故障监测方法会在主元空间和残差空间中分别定义一个故障控制限和SPE_lim，若T²统计量超过或者统计量超过SPE_lim，即为超限，超限表示发生故障，将对其进行故障隔离并发送警报提醒；未超限，表示正常。

实施例2

为了验证所提方法的有效性和可行性，在田纳西-伊斯曼(Tennessee Eastman，简称TE)软件平台上搭建了五个主要单元：反应器、冷凝器、压缩机、分离器和汽提塔，如图1所示，包含22个过程测量变量、19个成分测量变量以及12个操作变量仿真模型，需说明，TE过程模型由伊斯曼化学公司创建并用于评价过程控制和监控方法的一个现实的工业过程；在TE过程共预设了21种不同类型的故障，故障类型有阶跃变化、随机变化、缓慢漂移、阀门黏滞，其中16个为已知故障，5个为未知故障；实验中采用正常工况下的960个样本作为训练数据集，故障工况下的960个样本作故障测试集，故障均从第161个样本点引入，表1所示为TE过程21种故障描述。

表1 TE过程故障描述

采用本发明提出的基于互信息和多块信息提取的PCA故障监测方法，选取TE过程中22个过程测量变量以及除搅拌速度外的11个操作变量共33个变量用于建模与监测，如表2所示；计算所选变量之间的互信息值如附图3所示，不同颜色对应其大小(范围为0～1)大多数变量之间的互信息值不超过0.2，因此，本文设定互信息阈值为0.2，若两个变量之间互信息值超过阈值，当故障发生时，其受到的影响相似，将其分入一个子块将更容易检测到故障；例如，变量12和29的互信息值达到0.9966，变量15和30的互信息值为0.9963，则将变量12和29分为一块，同理将变量15和30分为一块，将与其他所有变量之间互信息值均小于阈值0.2的变量分入一个子块中进行监测。具体的变量分块结果如表3所示。

表2 TE过程监测变量

表3变量分块结果

子块编号	变量序号
		1	12,29
2	15,30
		3	17,33
4	1,25
		5	18,19,31
6	7,13,16,20,27
		7	10,28
8	2,3,4,5,6,8,9,11,14,21,22,23,24,26,32

基于互信息方法将33个过程变量分为8块，每个变量块通过提取累计误差、二阶差分与观测值信息，进一步扩展为3个信息子块，最终生成24个子块，1-3块为变量块1对应的3个特征信息块，以此类推，22-24块为变量块8对应的3个信息子块；表4给出了传统PCA故障监测方法与本发明方法对TE过程21种故障的监测结果，可以看出本发明方法在所有故障情况下的监测结果均优于传统PCA故障监测方法(表中数字含义为故障漏报率，数值越小说明监测效果越好)。

表4两种方法下TE过程21种故障的监测结果

为进一步说明本文方法的性能，选取故障10即C进料温度的随机变化做详细分析。

附图4、5展示了在两种方法下监测结果，图中横坐标表示故障样本数，前160个样本为正常样本，自161个样本点开始为故障样本；纵坐标表示统计量；图中横线表示故障控制限，样本的统计量超过故障控制限即视为故障样本。由附图4可得，传统PCA故障监测方法中，T²和SPE统计量只在第280到第350个样本之间和第650到第800个样本点之间有少量报警，大部分情况下都没有检测出故障的发生，由表2可知，其故障漏报率高达70％；而在附图5中，本发明方法中BIC_SPE统计量在第161个样本点开始也就是故障开始后几乎都低于故障控制限，最终的故障漏报率仅为15％，监测效果远远优于PCA方法。

重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于互信息和多块信息提取的PCA故障监测方法，其特征在于：包括，

采集工业生产系统中的数据，并将所得数据划分为训练集和测试集；

计算训练集中变量之间的互信息值，并根据互信息值大小对变量进行分块，测试集中的变量按照训练集变量分块结果进行分块；

对分块过后的每个子块分别提取特征信息，训练集子块的特征信息与训练集子块共同组成新的训练信息块，测试集子块的特征信息与测试集子块共同组成新的测试信息块；

对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量；

通过贝叶斯推理计算BIC统计量和BIC控制限，判断是否超过控制限，得到最终的监测结果。

2.如权利要求1所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：所述采集工业生产系统中数据，并将数据划分为训练集和测试集的步骤包括：

通过传感器采集工业生产系统中的数据；

根据不同工况，将数据分为正常数据和故障数据；

将正常数据作为训练集，而故障数据作为测试集；

分别对正常数据和故障数据进行标准化处理。

3.如权利要求2所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：训练集标准化处理步骤包括：

计算训练集X的平均值μ；

计算训练集X的标准差δ；

标准化后的训练集

其中，测试集Y标准化计算时的平均值和标准差采用训练集的平均值和标准差。

4.如权利要求1～3任一所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：所述互信息的计算公式如下：

I(x,y)＝H(x)+H(y)-H(x,y)

式中，I(x,y)表示变量x和y的互信息值，H(x)和H(y)分别为两个变量的边缘熵，H(x,y)为两个变量的联合熵；

其中，变量x的边缘熵H(x)的计算公式为：

H(x)＝-∫_xp(x)log p(x)dx

其中，变量y的边缘熵H(y)的计算公式为：

H(y)＝-∫_yp(y)log p(y)dy

其中，变量x和变量y的联合熵H(x,y)的计算公式为：

H(x,y)＝-∫∫_x,yp(x,y)log p(x,y)dxdy

。

5.如权利要求4所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：所述特征信息包括累计误差信息和二阶差分信息；

其中，所述累计误差信息通过计算一定时间段内累计的训练集与训练集的平均值之间的差，得到的信息；

其中，所述二阶差分信息用于将数据进行一次差分后，对差分后的数据再进行一次差分。

6.如权利要求5所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：标准化后的正常工况下，训练集为X∈R^n×m(n为样本个数，m为样本维数)，其值为0；

将标准值设定为变量的均值，累计误差信息可通过直接将样本值相加得到；

将前T个时刻的累计误差信息作为新的特征信息，构造新的数据集X_l∈R^(n-T)×m；

其中，t时刻的累计误差信息x_l(t)为：

式中，x(t)为原始过程变量数据中t时刻的样本，x_l(t)表示t时刻的累计误差信息，x(t-l)表示t时刻之前的l个时刻的样本值。

7.如权利要求5或6所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：标椎化后的训练集为X∈R^n×m，通过对每个时刻变量求取二阶差分构造新的特征数据集X_d∈R^(n-2)×m，t时刻的二阶差分信息为：

x_d(t)＝(x(t)-x(t-1))-(x(t-1)-x(t-2))

式中，x_d(t)为t时刻的二阶差分信息，x(t)为t时刻标准化后的原始数据。

8.如权利要求7所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：所述建立PCA模型的过程如下：

经过标准化预处理的过程训练集为X∈R^n×m，进行主元分析可得：

X＝TP^T+E

式中，T∈R^n×k为主元得分矩阵，P∈R^m×k为载荷矩阵，E∈R^n×m为残差矩阵。

9.如权利要求8所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：对生成的训练信息块分别建立PCA模型，用训练集计算故障控制限，同时用测试集计算监测统计量还包括通过在主元空间和残差空间中分别构造T²和SPE统计量。

10.如权利要求9所述的基于互信息和多块信息提取的PCA故障监测方法，其特征在于：通过贝叶斯推理计算BIC统计量过程为：

在贝叶斯推理中，测试集x_test在第i个子块中T²统计量故障的条件概率可表示为：

其中，条件概率

和

定义如下：

式中，N和F分别代表正常和故障情况；

和

分别作为正常样本和故障样本的先验概率；为新样本在第i个子块的T²统计量；

是对应的第i个子块的T²统计量的控制限；

经过BIC融合后的统计量为：

同理，经过BIC融合后的SPE统计量为：

Images