层次变分高斯混合模型与主多项式分析的故障检测策略

摘要：针对多模态工业过程中模态数量难以确定问题，提出一种层次变分高斯混合模型(Hierarchical Variational Gaussian mixture model, HVGMM)。在此基础上，使用主多项式分析(Principal polynomial analysis, PPA)用于多模态非线性过程故障检测。首先，变分贝叶斯高斯混合模型(Variational Bayesian Gaussian mixture model, VBGMM)作为初始模型用于分解过程数据得到工作模态的初始数量，将过程按初始数量分解为多个子块；其次，应用包含多个局部模型的VBGMM将各子块分解为附属子块，并利用附属子块的均值、精度等信息对VBGMM进行重构；然后，将重构后的VBGMM作为初始模型再次用于分解原始过程数据，重复上述步骤直至重构VBGMM无法分解各子块时停止；最后，分别在各附属子块中建立局部PPA模型，并在每个局部模型中计算T2和SPE统计量进行故障检测。将该方法应用于数值例子和田纳西伊斯曼(Tennessee Eastman, TE)化工过程，并将仿真结果与主元分析(Principal Component Analysis, PCA)、PPA进行对比，验证了所提出方法的有效性。

VBGMM分解结果及HVGMM修订结果