(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210628602.6 (22)申请日 2022.06.06 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 张伟　何桢　何曙光　牛占文　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 程毓英 (51)Int.Cl. G06F 30/20(2020.01) G06F 16/215(2019.01) G06F 16/2458(2019.01) G06F 17/18(2006.01) G06F 119/08(2020.01) G06F 119/12(2020.01) (54)发明名称 一种面向工业母 线的在线监控方法 (57)摘要 本发明涉及一种面向工业母线的在线监控 方法， 包括如下步骤： 历史数据收集： 获取并存储 工业母线运行过程历史数据， 包括工业母线采集 的温度历史数据、 每日环境温度历史数据、 每日 产量历史数据； 数据预处理， 形成历史数据表； 历 史数据清洗； 构建工业母线运行状态的变系数函 数型混合效应模型： 响应变量为工业母线温度， 协变量为车间环境温度与日产量； 工业母线状态 在线监控的函数混合效应模型的参数估计； 工业 母线运行状态监控设计 。 权利要求书2页 说明书7页 附图1页 CN 114936466 A 2022.08.23 CN 114936466 A 1.一种面向工业母线的在线监控方法， 包括如下步骤： (1)历史数据收集： 获取并存储工业母线运行过程历史数据， 包括工业母线采集的温度 历史数据、 每日环境温度历史数据、 每日产量历史数据； 设所收集的工业母线运行过程历史数据样本大小为N， 每天的工业母线温度数据和环 境温度数据， 是依时间t的连续平滑曲线， 而每日的日产量数据为标量型数据； 令第i天第 时刻的工业母线温度为 第i天第 时刻的车间环境温度为 第i 天的日产量数据为x2i， i＝1，…， N； (2)数据预处理： 使用粗糙度惩罚的样条平滑方法， 将工业母线温度数据 每日 环境温度数据 分别进行数据拟合预处理， 使之能够对其进行等间隔采样， 达到数 据对齐的目的； 对工业母线温度数据的拟合曲线 按小时等间隔采样， 得到yi(t0)，…， yi(t23)； 对x1i(t)进行等间隔采样， 得到x1i(t0)，…， x1i(t23)； 基于预处 理数据后的数据， 形成历史数据表； (3)历史数据清洗： 删除日产量为空的数据及相应的车间环境温度数据和工业母线温 度数据； (4)构建工业母线运行状态的变系数函数型混合效应模型： 响应变量为工业母线温度， 协变量为车间环境温度与日产量， 其中， 工业母线温度和车间环境温度为关于时间t的函数 型变量， 日产量为标量型变量， 两个协变量对工业母线温度的影响系数是随时间t变化的时 间函数， 构建工业母线运行状态的变系数函数 型混合效应模型： yi(tj)＝γ0(tj)+x1i(tj)γ1(tj)+x2iγ2(tj)+vi(tj)+ εi(tj)#(1) 其中， 固定效应为γ0(tj)、 x1i(tj)γ1(tj)、 x2iγ2(tj)， 随机效应为vi(tj)， 误差项为εi (tj)， i＝1,…,n， n为历史数据样本容量， j＝0, …,23， yi(tj)为第i天第tj时刻的工业母线 温度， γ0(tj)为截距项， x1i(tj)为“环境温度 ”协变量在第i天第tj时刻的值， γ1(tj)表示在 tj时刻时环境温度对 工业母线温度的影响程度， x2i为“日产量”协变量在第i天的值， γ2(tj) 表示在tj时刻时日产量对工业母线温度的影 响程度， vi(tj)是随机效应， εi(tj)为第i天第tj 时刻的工业母线温度的误差项， εi(t)～N(0,R)， vi(t)～GP(0,Γ)； 令x2i(tj)＝x2i， Xi(tj)＝(1,x1i(tj),x2i(tj))T， γ(tj)＝(γ0(tj),γ1(tj),γ2(tj))T， 将 式(1)写成向量的形式： yi(t)＝xi(t)Tγ(t)+vi(t)+ εi(t)#(2) (5)工业母线状态在线监控的函数混合效应模型的参数估计 1)参数化转换： 使用三次B样条对γk(t)， k＝0， 1， 2和vi(t)进行参数化转换： γk(t)＝ Φkp(t)Tαk， vi(t)＝Ψq(t)Tbi， 其中Φkp(t)＝[φk1(t),…,φkp(t)]T， αk＝[αk1,…, αkp]T， Ψq (t)＝[ ψ1(t),…, ψq(t)]T， p和q是预先给定的B样条基的数量， 将式(2)转换为参数化的线 性 函数： yi＝XiTα +ZiTbi+ εi#(3) 其中， Xi＝(Xi1T,…,Xi23T)， Xij＝[Φ0p(tj)T,x1i(tj)Φ1p(tj)T,x2i(tj)Φ2p(tj)T]T， yi＝权　利　要　求　书 1/2 页 2 CN 114936466 A 2(yi1,…,yi23)T， yij＝yi(tj)， Zi＝(Zi1T,…,Zi23T)， Zij＝Ψq(tj)， bi＝ [bi1,…,biq]T， bi～N(0,D)； 2)构建带有惩罚项的广义 log似然目标函数： 其中， λv和 λr是惩罚参数， Gv和Gr分别是对应Ψq(t)和Φkp(t)的粗糙度惩罚矩阵； 3)估计模型参数值： 最小化式(4)， 得到α 的估计值 以及bi的估计值 其 中 ，X ＝ ( X1,…,Xn)T，y ＝ ( y1,…,yn)T， 对于R和D， 事先不 可知， 使用既定的最大期望 EM算法得到其估计值 和 从而得到误差项 εi的估计值 (6)工业母线运行状态监控设计 1)工业母线监控统计量计算： 设计 基于残差的监控统计量 2)工业母线运行状态监控的控制限UCL计算： 预先给定工业母线运行受控状态下的平 均运行长度ARL0， 使用既定的蒙特卡洛 仿真方法， 得到控制限； 其中， 蒙特卡洛 仿真步骤为： a)取M为重复模拟的次数， 预 先取UCL的经验值 为L； b)在第j次仿真模拟中， 当1≤j≤M时， 通过以下方法计算运行长度RL(j)： 当n≥1时， 生 成工业母线温度、 日均环境温度以及日产量的仿真数据， 计算 的值， 如果 则令RL (j)＝n+1， 反之， 则令RL(j)＝ n， 并终止第j次循环， 转入到j+1步； c)完成M次循环后， 计算ARL， 即RL(j)求和后的均值， 若ARL＝ARL0， 则令UCL＝L， 否则调 整a的值， 继续进行仿真模拟； 3)工业母线运行状态异常监控： 在当前时刻i， 实时采集当前时刻的工业母线温度 数据 当日的车间环境温度数据 和当日产量 数据x2i， 根据步骤(2)对数据预处 理和对齐， 根据步骤(5)计算 根据步骤(6)计算监控统计量 对 是否超出UCL做出推 断， 若 则发出报警信号， 提醒设备维护人员对设备进行巡检和维护。 2.根据权利要求1所述的方法， 其特 征在于， ARL0＝200。 3.根据权利要求1所述的方法， 其特 征在于， M＝10 000。权　利　要　求　书 2/2 页 3 CN 114936466 A 3