[发明专利]基于改进KECA的故障检测方法、电子设备及可读存储介质

说明书

本发明公开了一种基于改进KECA的故障检测方法、电子设备及可读存储介质，方法包括下列步骤：根据数据集以及不定核函数确定核矩阵；根据瑞利熵贡献大小对核矩阵中的元素进行排序，并确定得分矩阵；确定所述得分矩阵的核空间映射，并根据所述核空间矩阵得到核空间向量；确定所述核空间向量与核空间平均向量确定CS统计量；当所述CS统计量超过控制限时，发送故障发生提示信息。本发明按照瑞利熵熵值大小选取特征值及特征向量以减少计算量，选择基于不定核函数方法进行核函数分解提升故障检出率对核函数参数的鲁棒性，在特征提取阶段引入FastICA算法，以最大化特征提取能力，以及采用CS统计量以更好表述不同概率密度分布之间的相似性，提高了故障检测能力。

技术领域

本发明涉及故障检测领域，尤其涉及一种基于改进KECA的故障检测方法、电子设备及可读存储介质。

背景技术

复杂工业生产过程工艺复杂且常伴随高温高压等极端条件，原材料及产品具有易燃易爆、有毒有害等特点，并且生产装置呈现大型化和连续化。如果工业过程的设备在生产过程中发生了细微故障，而未能及时发现和排除，可能会出现生产过程运行停滞，影响产品质量，无法保障人民的生命安全和社会的财产安全，加剧环境污染与危害等问题。近年来，在复杂工业过程监控中形成了多元统计过程监控，其基本思想是通过构造一组维数较低的不相关的隐变量来概括高维数据所携带的信息。常见的多元统计过程监控方法有主元分析(Principal Component Analysis，PCA)、偏最小二乘算法(Partial Least Squares，PLS)、独立主元分析(Independent Component Analysis，ICA)以及处理非线性数据的KPCA等方法。其中KPCA算法是PCA的非线性增强算法，通过引入核理论的思想实现了利用PCA处理非线性数据的问题。KECA是通过引入信息上来对KPCA进行改造得到的，主要以原始输入数据的信息熵作为主要指标，而不是特征数据的方差，KECA算法在特征提取的过程中着重于特征值及对应的特征向量对原始特征数据集的瑞利熵的最大贡献率。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于改进KECA的故障检测方法，旨在提高故障检测能力。

为了实现上述目的，本发明提供一种基于改进KECA的故障检测方法，所述基于改进KECA的故障检测方法包括以下步骤：

根据数据集以及不定核函数确定核矩阵；

根据瑞利熵贡献大小对核矩阵中的元素进行排序，并确定得分矩阵；

确定所述得分矩阵的核空间映射，并根据所述核空间矩阵得到核空间向量；

根据所述核空间向量与核空间平均向量确定CS统计量；

当所述CS统计量超过控制限时，发送故障发生提示信息。

进一步的，所述确定所述得分矩阵的核空间映射的步骤之后，还包括：

对所述核空间映射进行白化处理；

确定旋转矩阵，根据所述旋转矩阵以及白化处理后的核空间映射确定核空间向量。

进一步的，所述根据数据集以及不定核函数确定核矩阵的步骤包括：

根据KECA算法离心模型中的均值以及方差对数据进行标准化处理；

根据标准化处理后的数据以及不定核函数确定核矩阵。

进一步的，所述根据瑞利熵贡献大小对核矩阵中的元素进行排序，并确定得分矩阵的步骤之前，还包括：

确定所述核矩阵的特征值和特征向量；

确定所述数据集对应的密度函数，并根据所述密度函数确定所述数据集的瑞利熵计算公式；