[发明专利]一种基于㶲信息与增量SVDD在线早期故障检测方法

说明书

本发明提出了一种基于信息与增量SVDD的在线早期故障检测方法。基于信息与增量支持向量数据描述SVDD的在线早期故障检测方法，首先对正常工况下的过程测量数据进行标准化，得到过程训练样本集和对应的信息值；计算各个测量变量与效之间的互信息值，根据累计互信息贡献率筛选出与能效相关的特征变量；建立SVDD初始模型，对于过程的新增样本分别进行自适应更新互信息值和更新增量SVDD模型，得到正常工况下的增量SVDD状态模型；根据不同状态的测量数据得到不同状态下的模型，并用于在线早期故障检测。本发明结合了基于能量方法和基于数据驱动方法的优点，不仅能解决过程中系统参数时变特性的问题，还能有效地提取过程中的能量特征变量，提高早期故障检测的速率和精度，有效实现了早期故障的在线检测。

技术领域

本发明涉及过程早期故障在线监测领域，尤其涉及一种基于信息与增量支持向量数据描述(Support Vector Data Description，SVDD)在线早期故障检测方法。

背景技术

SVDD是基于支持域的单类分类算法，具有直观的数据描述和良好的推广性能，还可解决实际过程故障类样本难以获取得问题，已经广泛应用于故障诊断等领域。但是SVDD需要求解二次规划问题，训练复杂度较高，并且其训练复杂度与样本数成指数级关系。在SVDD故障检测研究中，为了降低SVDD计算复杂度，同时提高样本数据的有效性，通常用统计学方法进行特征降维提取出特征样本，然后使用该特征样本建立SVDD分类模型来实现故障检测。作为结合了热力学第一和第二定律的概念，可以用来更好地理解过程、量化低效率方向和区分能源品质，它是物理、化学、机械力学等多领域的普遍概念，采用的概念也能降低数据维度。基于信息的方法可以有效地减少建模工作量，增加计算效率，在模型降维的同时保留了很大程度的相似性。效是化工过程系统中整体信息的具体表现形式，而且也是过程整体能量质量的评价指标，所以基于信息提取的方法是将过程中的效提取出来，从而达到降维的效果。

然而在实际的工业生产过程中，系统过程参数会随着时间的推进而发生改变，故障特征也会随之变化，故障检测模型需要训练新增样本，此时SVDD不得不舍弃原有已经训练好的模型，需将新数据与历史数据一起重新训练，由其算法复杂度可知，随着新数据样本不断地更新，该算法的计算复杂度呈指数级增长。一旦出现大量数据样本在线训练的情况，SVDD的训练过程会浪费大量的计算时间和存储空间，导致算法无法满足系统实时更新的需求。相对于传统的批量式SVDD，增量学习技术可以继承已学到的知识，在原有模型的基础上根据新数据样本来更新模型，这不仅可以使模型知识具有可积累性，还能够应对实际过程的时变问题。同时，历史能量特征变量也已无法适用于新的过程工况和新数据，需要重新在历史数据和新数据的集合中提取能量特征变量。通常最新的测量变量数据能突显当前过程系统的特性，而越旧的历史数据所反映的系统特性与最新的系统状态相差越远。所以为了能够及时反映系统当前特性，需要对历史数据加入权重来降低历史数据的影响力，可加入遗忘因子。此外，需要根据当前系统参数的变化情况，合理调节遗忘因子。若能从样本集中有效地在线提取信息，构建能量特征样本集后再使用故障检测算法，将会明显提升早期故障检测的效率。

发明内容

本发明针对实际过程中系统参数时变特性的问题和所筛选出的能量特征难以反映过程的动态特性的问题，分别采用了增量学习算法和基于可变遗忘因子的能量特征提取方法，在自适应提取过程故障的信息的同时，还能建立不断更新的增量检测模型，进而提供一种早期故障检测方法。

一种基于信息与增量SVDD在线早期故障检测方法，包括以下步骤：

(1)收集过程的测量变量与效样本，并对其进行标准化处理，得到和Y⁰；对样本进行数据预处理，主要是采用数据标准化来进行预处理，具体实施步骤如下：

对于训练样本数据x₁,x₂,…x_N，样本x_i的标准化处理计算公式为：