[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

说明书

本发公开了一种基于k近邻重构的工业过程故障变量识别方法，属于工业过程监控与诊断技术领域。本发明只需要正常数据用于建模，当在线测量数据显示过程发生故障时，首先，计算故障数据的k近邻变量贡献并对其进行降序排列，将排序的变量逐个用于故障样本的重构过程以加速故障识别过程；最后，对重构的样本重新检测直至识别出所有故障变量。相比于现有的其他方法，本发明方法可以实现对具备非线性、非高斯等特性的工业过程故障变量识别。

技术领域

本发明属于化工过程故障变量识别领域，特别涉及一种基于k近邻重构的工业过程故障变量识别方法。

背景技术

对于过程监控和故障诊断问题，在传统的多元统计过程监控方法的框架下，主要采用贡献图和基于重构的贡献方法进行故障隔离。然而，这两种方法都存在故障干扰现象，即正常变量可能会受到故障变量的影响，使得正常变量对故障的贡献，从而导致误隔离。基于k近邻的变量贡献可以不受故障干扰的影响，但是它仅能给出故障变量大小排序，对于哪几个变量为故障变量的判别精度不高。另外，基于k近邻重构的故障变量识别方法对候选故障变量进行逐个估计并利用估计结果对故障样本完成重构，然后再对重构样本再检测实现故障识别，取得较好的识别效果和精度。但是，该方法识别速度非常慢，特别是对于变量维数较高的工业过程，无法及时给出变量识别结果，影响过程安全运行。本发明方法将解决这些问题。

发明内容

针对现有技术以上缺陷或改进需求，本发明提供一种基于k近邻重构的工业过程故障变量识别方法，在原始测量空间根据样本与近邻之间累计距离定义故障贡献指标，从而避免故障干扰问题，实现故障传感器准确地隔离。

为实现上述目的，本发明通过以下技术方案实现：一种基于k近邻重构的工业过程故障变量识别方法，包括以下步骤：

1)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，表示第i个正常采样，表示实数域；

2)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：

2.1)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；

2.2)计算x_i与其k个近邻x_j,j＝1,…,k之间的平均距离：

2.3)确定检测阈值对共n个数值按升序重新排列，并取第个作为检测阈值其中1-α表示置信水平。

3)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：

3.1)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；

3.2)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。

4)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。