技术特征：
1.基于学生t分布方法的工业过程运行状态监测方法，其特征在于：方法包括以下步骤：步骤1：采集真实工业过程中的变量及变量的运行状态作为训练样本，从而组成用于建模的训练样本集；步骤2：对训练样本集的训练样本进行归一化的预处理；步骤3：根据预处理后的训练样本集构建噪声容忍学生t混合判别分析模型；步骤4：在线收集工业过程中的待检测变量，并对待检测变量进行归一化的预处理；步骤5：利用步骤3中构建的分析模型对待检测变量进行分析获得待检测变量的运行状态完成运行状态的监测。2.根据权利要求1所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述步骤2及步骤4对变量进行归一化处理后，各个变量的均值为0，方差为1。3.根据权利要求1所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述工业过程中的变量包括汽提塔流量、反应器进料流速、排放流速、总进料量、排放阀的排放速度和搅拌速度；所述变量的运行状态包括正常状态、阶跃故障、随机变量故障和未知故障。4.根据权利要求1所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述变量的运行状态在分析模型的构造中作为标签使用。5.根据权利要求1所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述步骤3具体如下：3.1对分析模型参数集进行初始化，获得初始化后的分析模型参数集；3.2通过训练样本集利用分析算法迭代获得分析模型的更新参数集，过程具体为：第一步，输入训练样本集通过初始化后的分析模型参数集获取分析模型隐变量估计的更新值；第二步，通过第一步的更新值获得分析模型的更新参数集，即完成构建噪声容忍学生t混合判别分析模型。6.根据权利要求5所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述的分析模型参数集具体如下：其中，表示待估计的参数集；x
i
表示训练集中第i个训练样本的变量，i∈[1，n]；表示第i个训练样本的观测标签；z
i
表示第i个训练样本的真实子标签；n表示样本数；表示一种优化函数，通过调整优化参数θ使得处理对象获得最大值；p()表示概率函数，表示已知训练样本的变量x
i
和观测标签前提下，训练样本满足z
i
＝c
jk
的概率；c
jk
表示第j个运行状态的第k个子类，j∈[1，j]，k∈[1，r
j
]；j表示运行
状态的数目，r
j
表示第j个运行状态的子类数目；所述训练样本的变量x
i
的运行状态的转移概率条件分布概率p(x
i
|z
i
＝c
jk
)及先验概率p(z
i
＝c
jk
)具体根据以下公式确定：p(x
i
|z
i
＝c
jk
)＝s(μ
jk
，∑
jk
，v
jk
)p(z
i
＝c
jk
)＝π
jk
其中，r
m
表示第m个运行状态的子类数目，m∈[1，j]；π
jk
表示第j个运行状态的第k个子类c
jk
的先验概率；μ
jk
、∑
jk
、v
jk
分别表示第j个运行状态的第k个子类c
jk
的均值、方差及自由度；c
mr
表示第m个运行状态的第r个子类；γ
jkmr
表示第j个运行状态的第k个子类c
jk
到第m个运行状态的第r个子类c
mr
的子标签转移概率，r∈[1，r
j
]；表示第i个训练样本的观测子标签，d表示训练样本中的变量数目，s()表示学生t分布函数，γ()表示伽马函数；设定γ
jkmr
，π
jk
，μ
jk
，∑
jk
，v
jk
为分析模型的初始化参数。7.根据权利要求6所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：所述步骤3.1中初始化后的分析模型参数集如下：θ＝{γ
jkmr
，π
jk
，μ
jk
，∑
jk
，v
jk
}；j，m∈[1，j]；k，r∈[1，r
j
]其中，θ表示初始化的分析模型参数集。8.根据权利要求7所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：步骤3.2.1中，将训练样本集输入初始化的分析模型参数集θ获得分析模型隐变量估计的更新值，所述更新值包括变量x
i
被判断为属于第j个运行状态的第k个子类的估计概率p
ijk
、真实类别为第j个运行状态的第k个子类c
jk
被观测为第m个运行状态的第r个子类c
mr
的概率p
mjkr
、隐变量u
i
的充分统计量e
ijk
(u
i
)以及隐变量u
i
的对数的充分统计量e
ijk
(logu
i
)，所述更新值具体根据以下公式确定：述更新值具体根据以下公式确定：述更新值具体根据以下公式确定：e
ijk
(logu
i
)＝ψ(a
ijk
)-logb
ijk
其中，ψ()表示对角伽马函数；s(x
i
|μ
jk
，∑
jk
，v
jk
)表示第i个训练样本的变量x
i
在均值为μ
jk
，方差为∑
jk
，自由度为v
jk
下的学生t函数；p
ijk
表示变量x
i
被判断为属于第j个运行状态
的第k个子类的估计概率；p
mjkr
表示真实类别为第j个运行状态的第k个子类c
jk
被观测为第m个运行状态的第r个子类c
mr
的概率；u
i
表示变量x
i
的隐变量；e
ijk
(u
i
)与e
ijk
(logu
i
)分别表示隐变量u
i
的充分统计量、隐变量u
i
的对数的充分统计量；式中，第一辅助变量a
ijk
及第二辅助变量b
ijk
具体通过以下公式确定：具体通过以下公式确定：其中，λ
jk
表示第j个运行状态的第k个子类c
jk
的方差∑
jk
的倒数。9.根据权利要求8所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：步骤3.2.2中，根据步骤3.2.1获得的更新值确定分析模型的更新参数具体如下：获得的更新值确定分析模型的更新参数具体如下：获得的更新值确定分析模型的更新参数具体如下：获得的更新值确定分析模型的更新参数具体如下：获得的更新值确定分析模型的更新参数具体如下：式中，η
ijk
＝e
ijk
(logu
i
)-e
ijk
(u
i
)；其中，为分析模型参数集{γ
jkmr
，π
jk
，μ
jk
，∑
jk
，v
jk
}的更新值；η
ijk
表示隐变量u
i
的对数的充分统计量与隐变量u
i
的充分统计量的差。10.根据权利要求9所述的基于学生t分布方法的工业过程运行状态监测方法，其特征在于：根据步骤3.2构建的分析模型的更新参数集以及贝叶斯法则确定待检测变量x
new
的运行状态y
new
具体如下：式中p(x
new
|z
new
＝c
jk
)及p(z
new
＝c
jk
)通过步骤3.2.2中分析模型的更新参数确定，具体公式如下：
其中，x
new
表示待检测变量；y
new
表示待检测变量x
new
的运行状态；z
new
表示待检测变量的真实子标签；表示求取使得()内函数最大的j值；p(j|x
new
)表示待检测变量x
new
属于第j个运行状态的概率；p(x
new
|z
new
＝c
jk
)表示待检测变量x
new
属于第j个运行状态的第k个子类c
jk
时的概率密度函数；p(x
new
)表示待检测变量x
new
的概率密度函数；所述待检测变量x
new
的运行状态y
new
的表达式即构建的噪声容忍学生t混合判别分析模型。
技术总结
本发明公开了一种基于学生t分布方法的工业过程运行状态监测方法。方法包括首先采集真实工业过程中的变量及变量的运行状态作为训练样本，从而组成用于建模的训练样本集；然后对训练样本集的训练样本进行归一化的预处理；再根据预处理后的训练样本集构建噪声容忍学生t混合判别分析模型；再在线收集工业过程中的待检测变量，并对待检测变量进行归一化的预处理；最后利用构建的分析模型对待检测变量进行分析获得待检测变量的运行状态完成运行状态的监测。该方法结合了学生t混合判别分析与潜在变量标签噪声模型，建立了具有两种形式的条件概率结构模型，从而应对工业过程中的随机噪声问题，能够提升随机噪声下对运行状态的监测。测。测。
技术研发人员：何雨辰 王伟俊 王云 钱丽娟 王杰
受保护的技术使用者：中国计量大学
技术研发日：2022.08.04
技术公布日：2022/9/23