[发明专利]基于局部和结构一致性流形GMM的多模态过程监测方法

说明书

本发明公开了基于局部和结构一致性流形GMM的多模态过程监测方法，利用GMM将多模数据划分成多个局部数据块，分析局部数据块的局部切空间，计算局部切空间之间的主角，研究局部数据块之间的相似关系，构建局部和结构一致性流形图谱，根据不同模态对应子流形的结构关系获取过程模态变化情况，设计一致性流形平滑的监测统计量，实施故障检测。与一般的流形GMM监测方法相比，本发明根据不同高斯成分对应的数据块，获取局部切空间的相似度，并融合局部和结构一致性信息，构建流形学习的图谱，分析多个子流形之间的关系，避免了交叉重叠数据块的错误划分，准确描述多模态过程数据在低维嵌入空间的几何结构，实施精确的故障检测，达到更好的监测效果。

技术领域

本发明属于工业过程监控领域，尤其涉及一种基于局部和结构一致性流形GMM的多模态过程监测方法。

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态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假设多模态过程的每个单模态处于明显不同的空间区域，确保所构建的监测模型精确。然而，实际的多模态过程数据会出现彼此交叉重叠，在低维的子流形分布时，这些子流形可能远离，也可能交叉重叠。GMM对这类过程数据难以精准分割，容易在交叉区域造成故障的误报或漏报，因此，在建模时应该融合模态变迁之间的数据信息，每个子流形的近邻样本可能分布在相同的高斯成分中，构建流形GMM监测模型。

局部保持投影(Locality Preserving Projection,LPP)利用近邻之间的欧氏距离作为流形图谱的邻接矩阵，以图谱嵌入的方式挖掘数据中的结构信息。但是，根据欧氏距离构建的图谱很容易将不同子流形或交叉重叠流形中的彼此靠近的样本误认为近邻，这将构建不精确的监测模型。因此，需要融合多模数据中的几何结构信息，建立准确的流形学习图谱。根据局部切空间是非线性流形的局部几何结构的逼近，相同子流形的样本有相似的局部切空间，而来自不同子流形的样本之间具有不同的切空间，这是结构一致性属性。同时，约束样本的局部近邻关系，相同模态下远离的样本在低维空间彼此远离，确保局部和结构一致性流形。

鉴于局部切空间的优势，融合局部和结构一致性流形，提出基于局部和结构一致性流形GMM的多模态过程监测方法，保持高斯成分的子流形样本之间的局部和结构一致性，强化GMM模型学习性能，提升模型的故障检测能力。

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局部和结构一致性流形GMM的多模态过程监测方法，针对高维多模态过程的低维流形结构复杂性，利用高斯混合模型将多模态过程数据划分成多个数据块，每个数据块对应一个高斯成分，根据不同的高斯成分构建不同的局部切空间，利用两个局部切空间的主角，分析局部切空间的相似度，构建局部和结构一致性的图谱，形成多模态过程的局部和结构一致性流形平滑子空间，在子空间内设计监测统计量，实施故障检测。

本发明为解决上述技术问题采用以下技术方案：