[发明专利]一种基于稀疏GMM的多模过程质量相关的故障诊断方法

说明书

本发明公开了一种基于稀疏GMM的多模过程质量相关的故障诊断方法，利用稀疏表示获取高质量的系数权重矩阵，并融合流形结构信息，构建稀疏高斯混合模型，使得高斯成分的概率分布沿着数据流形结构平滑变化，以及高斯成分的局部近邻样本之间相似，自动地获取高斯成分的数目，对噪音和离群点具有鲁棒性，获得质量相关的故障检测，同时依据已检测故障的受控近邻，定位故障发生的根源变量。与高斯混合模型监测方法相比，本发明方法表征了过程数据局部流形结构和数据的稀疏关系，获取了样本之间的局部相似关系，反映多模态过程的变化情况。因此，本发明所涉及的稀疏GMM方法可以取得更好的故障检测效果和准确定位故障发生的根源变量。

技术领域

本发明涉及工业过程监控技术领域，特别是一种基于稀疏GMM的多模过程质量相关的故障诊断方法。

背景技术

现代工业的过程监测对保障生产安全、提高产量等具有举足轻重的作用。随着分布式控制系统的发展，生产规模和操作复杂度急剧增加，过程采集了大量的高维数据。而且，由于生产的产品等级、产量会随市场需求及季节效应不断调整，产品成分、过程设定值、进料比例等工艺参数也会出现波动，现代的工业过程会在多个不同的操作模态之间进行切换。这些生产过程中的随机变化使得过程数据呈现非线性、多模态等特点。尽管基于数据驱动的多元统计过程控制(Multivariate Statistical Process Control,MSPC)方法在过程监测中取得了成功的应用，但是多模非线性数据的均值和协方差均发生了重大的变化，传统的MSPC方法忽视了不同过程变量之间存在的非线性和多模关系，可能导致监测结果的退化。而且，在实际生产过程中，产量和产品质量通常难以直接在线测量，需要在生产完成后进行测量。因此，构建产品变量和质量变量之间的关系模型对于质量相关的多模过程监测尤其重要。高斯混合模型(Gaussian Mixture Model,GMM)被用于多模态过程监测，利用一系列高斯成分估计多模过程中复杂的数据分布，并构建基于马氏距离和似然概率的统计指标实施过程监测。

然而，GMM假设多模过程的每个单模态呈高斯分布，实际的过程数据有可能集中分布在低维的子流形结构上。因此，每个流形的邻域样本可能分布在相同的高斯成分中，可以融合过程的流形几何信息，构建流形GMM监测模型。而且，对生产过程的产量和产品质量这些关键变量而言，难以直接在线测量，而是在生产完成后测量的。因此，构建过程变量和质量变量之间的关系模型对质量相关的故障检测与诊断尤其重要。

最近，马等(Neurcomputing,2015(285))提出鲁棒高斯混合模型(robustGaussian mixture model,RGMM)，自动获取高斯成分数，用于质量相关的故障检测与诊断。然而，多模过程中每个高斯成分内，在建模时也需要抓取近邻数据分布的相似性，充分挖掘多模态的流形鉴别能力，保持高斯内部局部几何结构特征。此外，局部流形结构中的权重矩阵在描述数据的几何结构中具有重要的作用，传统的流形学习通常采用k近邻或ε-球形方法，在给定参数的情况下确定邻域值。这些方法对数据噪音和离群点敏感。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于稀疏GMM的多模过程质量相关的故障诊断方法，本发明提出的稀疏GMM方法可以充分发现多模过程的内在变化，依据已检测到故障的受控近邻，选取与质量相关的重要的故障变量；相比传统GMM监测方法，可以获得更高的诊断精度和更强的故障鉴别能力。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于稀疏GMM的多模过程质量相关的故障诊断方法，包括以下步骤：

步骤A、建立过程变量与质量变量之间的稀疏表示模型，获得样本的稀疏重构权重矩阵S；

步骤B、构建稀疏高斯混合模型：根据稀疏表示模型获得的稀疏重构权重矩阵S中的稀疏系数，形成高斯成分周围近邻样本相似性的约束条件，自适应选择训练样本的邻域范围，获取了高斯成分相似的条件概率分布，保持了数据流形结构的局部性和稀疏性，自动地识别高斯成分数目；