[发明专利]一种基于k近邻重构的工业过程故障变量识别方法

权利要求书

1.一种基于k近邻重构的工业过程故障变量识别方法，其特征在于该方法包括以下各步骤：

步骤一：故障检测，收集工业过程正常运行工况的数据，根据正常数据之间的k近邻距离建立检测阈值；对于在线采集数据，计算在线数据与正常数据集的平均k近邻距离，然后与检测阈值比较，超出检测阈值则判定为故障数据；

步骤二：计算k近邻变量贡献，对于步骤一判定的故障数据，将该故障数据的累积k近邻距离进行分解，将每一个分量作为变量贡献并对所有变量贡献进行降序排列；

步骤三：故障变量识别，根据步骤二得到的变量贡献排序逐步对步骤一判定的故障数据进行重构，得到重构数据，回到并步骤一进行故障检测，直至所有故障变量被识别。

2.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法，其特征在于步骤一所述的故障检测过程如下：

利用多传感器数据采集系统收集工业过程正常工况运行下的监测数据，对其进行归一化构成正常数据矩阵其中，m表示监控变量的个数，n表示所总的采样数，i＝1，…，n表示第i个正常采样，表示实数域；

第1步：计算每个训练数据在正常数据矩阵X中的k近邻距离，并确定检测阈值：

从数据矩阵X中找每个采样x_i的k个近邻

d_i，j＝||x_i-x_j||₂，j＝1，…，n，j≠i (1)

其中，||·||₂表示l₂范数，即欧式距离，k表示近邻个数，x_j表示x_i的第j个近邻，d_i，j表示x_i和x_j之间的欧式距离；

计算x_i与其k个近邻x_j，j＝1，…，k之间的平均距离：

确定检测阈值对i＝1，…，n共n个数值按升序重新排列，并取第|n(1-α)|个作为检测阈值其中1-α表示置信水平；

第2步：对于工业过程在线采集测量数据首先利用X的均值和方差进行归一化处理得到然后根据以下步骤判断过程是否存在故障：

根据公式(1)从正常数据矩阵X中找在线采样数据x的k个近邻；

根据公式(2)计算x与其k个近邻之间的平均距离；比较平均距离与检测阈值之间的大小，如果平均距离大于则说明工业过程发生故障；如果平均距离小于则说明工业过程正常运行。

3.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法，其特征在于步骤二所述的计算k近邻变量贡献过程如下：

第1步：将归一化在线采样数据x的k近邻累计距离的形式改写为

其中，表示单位矩阵的第i行；

第2步：将x的k近邻累积距离分解m个分量之和，第i个分量为：

第3步：将作为变量i对故障的贡献，对所有变量贡献由大到小进行排列：

其中，υ_i∈{1，…，m}表示变量υ_i是第i个贡献最大的。

4.根据权利要求1所述的一种基于k近邻重构的工业过程故障变量识别方法，其特征在于步骤三所述的故障变量识别过程如下：

设定循环变量p＝1；

将候选故障变量υ_p加入候选变量集合υ＝{υ_i，i＝1，…，p}中。根据集合υ中的候选变量，去掉数据矩阵X以及故障数据x中对应集合υ中候选变量，得到约简的正常数据矩阵和约简的故障数据

从约简的正常数据矩阵X^(υ)中找x^(υ)的k个近邻，根据这k个近邻估计集合υ中候选故障变量的值：

其中，是归一化的权重，d_i是x^(υ)与其第i个近邻之间的欧式距离；是矩阵X^(υ)中第N_l(x^(υ))列采样数据，表示的第υ_i个分量；利用估计值替换故障数据x对应分量，得到重构样本

根据公式(2)计算重构样本的平均k近邻距离如果则集合υ中的变量被识别为故障变量；如果令p＝p+1并重复步骤2)至8)直至识别出所有故障变量。