申请/专利权人：浙江浙能技术研究院有限公司;浙江大学

申请日：2020-07-17

公开（公告）日：2021-09-03

公开（公告）号：CN111949003B

主分类号：G05B23/02(20060101)

分类号：G05B23/02(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.09.03#授权;2020.12.04#实质审查的生效;2020.11.17#公开

摘要：本发明涉及一种基于SFA与Hellinger距离的闭环控制回路性能评价方法，包括：步骤1、获取基准数据；步骤2、利用慢特征分析算法提取基准数据的动态信息和静态信息。本发明的有益效果是：运用慢特征分析SFA算法提取基准数据与待评价数据的操作变量与被控变量的动静态信息，再估计出动静态信息的高斯混合模型GMM，最后基于高斯混合模型计算在线数据与基准数据的Hellinger距离作为闭环控制回路性能的评价指标；解决了实际过程中控制逻辑高度耦合，数据非高斯分布导致的控制性能评价难以准确进行的问题，提高了动态过程控制性能评价的准确度，有助于对控制回路进行有效及时的排查检修，从而保证回路所在设备以及整个工业流程的安全可靠运行。

主权项：1.一种基于SFA与Hellinger距离的闭环控制回路性能评价方法，其特征在于，包括以下步骤：步骤1、获取基准数据：设某闭环控制回路具有r个操作变量与被控变量；每一次采样得到一个r×1的向量yk，下标k为采样时刻；采样N次后得到矩阵表示r×N的实数矩阵；选取闭环控制回路运行状态优良时的采样数据作为基准数据；步骤2、利用慢特征分析算法提取基准数据的动态信息和静态信息；步骤3、划分慢特征信号s，将慢特征信号s由小到大排列，将最小的慢特征信号s对应的最慢特征划分为s中的慢特征，用sd表示；将后r-1个特征划分为s中变化较快的特征，用se表示： 上式8中，s为慢特征信号，sd为慢特征信号s中的基准数据的静态特征，se为慢特征信号s中变化较快的特征，表示r×N的实数矩阵，r为操作变量与被控变量个数；步骤4、基于慢特征及其差分，确定Benchmark数据的概率密度分布，估计Benchmark基准数据的GMM模型；步骤4.1、确定GMM模型的输入：确定为Benchmar基准数据的静态特征，sd的其一阶差分为Benchmark基准数据的动态特征，结合Benchmark基准数据的静态特征和动态特征作为GMM模型的输入Z： 上式中，Z为GMM模型的基准数据输入，sd为基准数据的静态特征，为基准数据的动态特征；为1×N的实数矩阵，为2×N的实数矩阵；步骤4.2、估计Benchmark基准数据的GMM模型：基于最大期望算法估计输入为Z的GMM模型将得到的基准数据的GMM模型PrefZ表示为： 上式中，K为高斯元个数；αk为第k个高斯元的系数，αk≥0,zk表示来自第k个高斯元的观测数据；φΣZ-μ为高斯元，Σ，μ分别为高斯元的协方差矩阵与均值向量；d为Σ的维度；步骤5、确定在线数据的概率密度分布；步骤6、计算归一化的Hellinger距离，用Hellinger距离度量在线数据概率分布与基准数据概率分布的相似度：归一化的Hellinger距离数值范围为[0,1]；若Hellinger距离越接近0，说明在线数据的分布与基准数据的分布越相似；步骤6.1、合并在线分布与离线分布：计算在线分布PnewZnew与离线分布PrefZ的重要性分布P0X： 上式中，P0X表示合并后的整体分布，X表示合并后分布的变量，包含在线数据Znew与离线数据Z，γ为使得∫P0XdX＝1时的取值；步骤6.2、计算Hellinger距离： 上式15至式16中，D2Pref,Pnew为Hellinger距离的高斯积分形式；P0X为在线分布与离线分布的重要性分布；Znew为在线数据，Z为离线数据；对于GMM模型，以近似模型求解式15： 上式中，D2Pref,Pnew为Hellinger距离的高斯积分形式；X表示Z,Znew，K为高斯元个数；Σk为协方差矩阵；表示协方差矩阵Σk的平方根的第j列，d为协方差矩阵Σ的维度。

全文数据：

权利要求：

百度查询： 浙江浙能技术研究院有限公司;浙江大学 一种基于SFA与Hellinger距离的闭环控制回路性能评价方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD