1.一种基于混合独立成分分析算法的工业过程监测方法,其特征在于,包括以下步骤:步骤(1):采集工业过程正常运行状态下的样本数据,组成矩阵X∈Rn×m,并计算矩阵X中各列向量的均值μ1,μ2,…,μm以及标准差δ1,δ2,…,δm,从而组成均值向量μ=[μ1,μ2,…,μm]T与标准差向量δ=[δ1,δ2,…,δm],其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵,上标号T表示矩阵或向量的转置;
步骤(2):根据公式 对矩阵X实施标准化处理得到矩阵 其中,U∈Rn×m是由n个相同的均值向量μ组成的矩阵,即U=[μ,μ,…,μ]T,对角矩阵Φ中对角线上的元素由标准差向量δ组成;
步骤(3):设置矩阵 后,确定如下所示的优化目标函数,并利用粒子群优化算法求解得到变换向量w∈Rm×1及其对应的目标函数值Jw:上式中,E{}表示求取向量的均值;
步骤(4):根据公式 与 分别计算独立成分向量s与载荷向量a后,根据公式 更新矩阵 并判断是否满足条件:Jw<0.1?若否,则重复步骤(3)至步骤(4);若是,则将所有的变换向量组成变换矩阵W、将所有的独立成分向量组成独立成分矩阵S、将所有的载荷向量组成载荷矩阵A;
步骤(5):设置自相关阶数为D后,根据公式 得到矩阵X1,X2,…,XD,其中 表示将矩阵 中的第d行至第n-D+d行向量组成矩阵的操作,d=1,
2,…,D;
步骤(6):根据公式C=XDTX1+XDTX2+…+XDTXD-1与C=(C+CT)/2计算时间序列协方差矩阵C,并计算C所有特征值λ1,λ2,…,λm所对应的特征向量α1,α2,…,αm,这里要求特征向量都是单位长度;
步骤(7):将特征值λ1,λ2,…,λm取绝对值后得到|λ1|,|λ2|,…,|λm|,并根据绝对值大小选取前k个最大值所对应的特征向量,从而组成时间序列载荷矩阵U;
上述步骤最终将原数据矩阵 分解成: 其中F为误差矩阵,是时间序列相关的独立成分矩阵;
步骤(8):根据公式I2=diag(SΛs-1ST)、T2=diag(ΘΛΘ-1ΘT)、和Q=diag(FFT)计算出监测指标向量I2、T2、和Q,并利用核密度估计法分别得到在99%的置信限条件下的控制上限和Qlim,其中Λs与ΛΘ分别为S与Θ的协方差矩阵;
步骤(9):收集新采样时刻的数据样本xnew∈Rm×1,并根据公式 对xnew实施标准化处理得到
步骤(10):根据公式 和
分别计算得到非高斯独立成分向量snew、时间序列独立成分向量unew、和误差向量εnew;
步骤(11):根据公式 和Qnew=εnewεnewT计算得到当前采样时刻的监测指标 和Qnew;
步骤(12):判断是否满足条件 且 且Qnew≤Qlim?若是,则当前时刻生产过程对象正常运行,返回步骤(9)继续监测下一时刻的样本数据;若否,则当前时刻生产过程对象出现异常工况。
2.根据权利要求1所述的一种基于混合独立成分分析算法的工业过程监测方法,其特征在于,所述步骤(3)的具体实施过程如下所示:步骤(3.1):初始化flag=1,设置最大迭代次数为Imax、粒子个数为N、粒子最大飞行速度为Vmax、学习因子c1与c2;
步骤(3.2):在区间[-1,1]上随机产生一个m×N维的实数矩阵P,在区间[-Vmax,Vmax]上随机产生一个m×N维的实数矩阵V,实数矩阵P中的各个列向量p1,p2,…,pN即为各粒子的位置向量,实数矩阵V中的各个列向量v1,v2,…,vN即为各个粒子的速度向量;
步骤(3.3):依次以列向量p1,p2,…,pN为变换向量,根据公式 计算相应的目标函数值J1,J2,…,JN;
步骤(3.4):将各个粒子在整个迭代历史中取得最大目标函数值的位置向量g1,g2,…,gN记录为矩阵G=[g1,g2,…,gN],并将整个迭代历史中取得最大目标函数值所对应的粒子位置向量记录为向量步骤(3.5):根据公式 更新各个粒子对应的速度向量vi后,判断速度向量vi中各元素是否在区间[-Vmax,Vmax]之间?若是,则保持该元素不变;若否,则将该元素变成最靠近的区间边界值;
步骤(3.6):根据公式pi=pi+vi计算各个粒子的位置向量pi后,判断位置向量pi中各元素是否在区间[-1,1]之间?若是,则保持该元素不变;若否,则将该元素变成最靠近的区间边界值;
步骤(3.7):判断是否满足条件:flag<Imax?若是,则置flag=flag+1后返回步骤(3.3);若否,则得到变换向量 并计算目标函数值