[发明专利]基于全局-局部信息聚类的多模态过程模态划分方法

说明书

本发明公开了基于全局‑局部信息聚类的多模态过程模态划分方法。首先，采用高斯混合模型(GMM)实现第1步划分，提取过程数据的全局信息并获得多模态过程稳定模态的划分结果；然后采用一种改进的密度峰值聚类(DPC)算法，即基于局部密度关系搜索的DPC算法(LDRSDPC)，充分挖掘过程变量之间的局部信息；构造了一种新的聚类中心判别标准，能够自动和精确地找到过渡模态的起止边界。最后综合分析两步划分结果,将多模态工业过程划分为若干个不同的稳定模态和过渡模态。本发明提出了一种分层模态识别策略，包括全局粗划分和局部细划分，充分挖掘和利用原始过程数据的全局特征和局部特征，同时全局划分为局部划分缩小了数据空间，提高了划分的效率和准确率。

技术领域

本发明涉及基于数据驱动的过程监控技术领域，特别是涉及一种针对多模态工业过程多模态特性提出的一种基于全局-局部信息聚类的多模态过程模态划分方法。本发明利用高斯混合模型实现第1步划分，提取过程数据的全局信息；之后采用基于局部密度关系搜索的密度峰值聚类算法提取表征多模态过程数据的局部信息实现第2步划分，综合分析两步划分结果最终将生产过程划分为不同的稳定模态和过渡模态。

背景技术

可靠的工业过程监测对于现代工业的可持续发展和持久盈利至关重要。由于市场需求的变化、产品原材料的波动、外界环境的影响、过程本身固有特性的变化等，导致工业过程在不同的工作点工作。简而言之，一个生产过程运行于多个生产模态，在不同的生产模态下，过程特性具有较大的差异。当前，工业过程通常具有多模态的特性，历史数据在不同的生产模态下具有不同的分布特征。

在这种情况下，传统的多元统计过程监测方法(例如主成分分析、偏最小二乘等)不能直接应用于多模态过程建模。如果使用整个过程数据建立单一模型，势必出现大量的故障误报和漏报。因此，许多国内外专家针对多模态建模问题进行了大量研究，一种较为常见的多模态建模方法是为每个生产模态分别构建子模型。而多模型建模方法对模态划分的准确性有很高的要求，其划分结果直接影响到后续建立的多个子模型的监控性能。因此，有必要首先区分和识别生产样本所属的模态。Xie等提出了一种基于模糊C均值(Fuzzy C-means,FCM)的多模态识别方法，FCM是K-means的拓展，通过FCM得到的隶属度信息划分过程为多个稳定模态。Lou等提出了一种基于隐半马尔可夫的模态划分方法，Jiang等提出了基于高斯混合模型(Gaussian Mixture Model,GMM)的多模态划分方法。Yan提出了VBGMM和典型相关分析方法，最大限度地发挥了VBGMM在自动模式识别和CCA在局部故障检测中的优势。以上方法均没有考虑到对过渡模态的识别，仅仅可以获得过程变量的全局信息，不能很好地反应过渡模态的特性。相比各个稳定模态下的运行状态，模态之间的过渡状态具有复杂的动态特性，对生产效率的影响较大，因此准确识别过渡模态的边界对生产和后续分析具有重大的意义。密度峰值聚类(Density Peaks Clustering,DPC)是由Rodriguez和Laio在2014年提出的，它可以通过计算数据集中每个样本点的相对密度来处理非球形分布数据的聚类问题。由于工业过程中稳定模态的持续时间较长，它可能对应于特征空间中更大的集群，并且稳定模态对应的局部密度值更高。另一方面，多模态过程数据分布具有多峰的特征，DPC算法的局部密度指标能够更好地刻画过程数据的局部特征。这样，DPC算法就可以有效地应用于多模态过程中过渡模态的识别。Liu等提出了SNN-DPC算法用于改进局部密度和距离度量，并消除人为确定截止距离的影响。Liu等通过引入K近邻约束自适应地计算截止距离和局部密度。针对现有算法在稀疏区域容易被忽略的问题，Guo等将局部密度重新定义为相邻点之间的距离约束。上述研究工作都侧重于设计新的局部密度和来改进传统的DPC算法，对DPC算法聚类中心确定准则的改进工作很少。由于多模态过程数据具有多峰的特性，稳定模态的持续时间较长，导致稳定模态具有多个局部密度峰值，而这些局部密度峰值点很可能就是该模态下的聚类中心。如果我们仍使用传统DPC算法的决策图确定聚类中心，我们会发现很多满足条件的聚类中心，而无法确定这些聚类中心的归属。因此，传统DPC算法确定聚类中心的规则很难应用于多模态过程数据集。

发明内容