应用阶数自学习自回归隐马尔可夫模型对控制过程异常数据的在线检测

摘要：

针对过程工业中强噪声环境下实时采集的控制过程海量数据难以在线精确检测的问题,提出了基于阶数自学习自回归隐马尔可夫模型(ARHMM)的工业控制过程异常数据在线检测方法.该算法采用自同归(AR)模型对时间序列进行拟合,利用隐马尔科夫模型(HMM)作为数据检测的工具,避免了传统检测方法中需要预先设定检测阈值的问题,并将传统的BDT(Brockwell-Dahlhaus-Trindade)算法改进成为对于时间和阶数均实施迭代的双重迭代结构,以实现ARHMM参数在线更新.为了减小异常数据对ARHMM参数更新的影响,本文采用先检测后更新的方式,根据检测结果采取不同的更新方法,提高了该算法的鲁棒性.模型数据仿真与应用试验结果证明,该算法具有较高的检测精度和抗干扰能力,同时具备在线检测的能力.通过与传统基于AR模型的异常数据检测方法比较,证明了该方法更适合作为过程工业控制过程数据的异常检测工具.

关键词：自回归隐马尔科夫模型、BDT、异常数据检测、在线检测

所属期刊栏目：28

分类号：TP273(自动化技术及设备)

资助基金：国家高新技术研究"863"发展计划资助项目2007AA04Z194,2007AA041401

在线出版日期：2011-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：631-638