[发明专利]一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法

说明书

本发明公开一种基于局部子空间‑邻域保持嵌入的复杂过程精细化故障检测方法，旨在考虑到不同类型传感器采集的数据具有不同特性以及服从不同分布的问题将原空间划分为不同局部子空间，并在此基础上构建复杂过程精细化监测模型。本发明方法首先根据不同类型传感器采集的数据是否服从高斯分布将原空间划分为四个局部子空间；其次利用NPE提取局部子空间的特征进行故障检测，并采用移动窗口策略和互信息方法测量局部子空间间相关关系；最后利用局部离群概率方法构建综合监测指标实施精细化故障检测。此外，本发明方法在考虑局部子空间划分的基础上进一步考虑了局部子空间中邻域信息的提取。可以说，本发明方法是一种全新的故障检测方法。

技术领域

本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法。

背景技术

随着传感器技术和信息科学的飞速发展，工业生产的集成化程度日渐增高，丰富的过程数据被采集和存储下来，这些数据反映了生产过程运行的状况，数据驱动的故障检测对于保障生产安全及产品质量起着至关重要的作用，因而如何在海量的过程数据中准确、充分地提取反映过程运行状态的特征信息是故障检测的关键。由于过程数据的信息是通过各种各样的传感器获取，其中所用到的传感器可分为两大类：成分传感器(例如浓度、组分等)和过程传感器(例如温度、压力等)，而成分传感器与过程传感器采集到的数据具有较大的差异，数据特性不同，因此，不宜将成分传感器数据和过程传感器数据放在一个空间建立故障检测模型。针对这一问题，根据数据来自于成分传感器或是过程传感器，将原空间划分为成分子空间和过程子空间。此外，针对实际工业过程中收集到的数据并不总是服从高斯分布的情况,采用Jarque-Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间，从而更好地关注局部信息，提高故障检测性能。

局部特征描述的是相邻数据点的空间分布，是一种重要的特征信息；局部信息的丢失必然导致算法特征提取能力的减弱，进而导致故障检测性能的降低。针对这一点，基于邻域保持嵌入NPE算法学习低维空间特征以保持原空间的邻域结构关系，在维度约简的同时保持数据的局部结构不变。在目前的科研文献与专利文件中，未有将原数据空间划分为高斯-成分子空间，高斯-过程子空间，非高斯-成分子空间和非高斯-过程子空间，并考虑数据的局部特征信息的复杂过程精细化故障检测方法。

发明内容

本发明所要解决的主要技术问题是：如何考虑到传感器采集到的数据具有不同特性以及服从不同分布问题的同时，在局部子空间内进行数据局部特征的提取，并在此基础上实施精细化故障检测。具体来讲，本发明首先根据不同类型的传感器采集到的数据具有不同特性的情况，将原空间划分为成分子空间和过程子空间；然后利用Jarque-Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间；其次，利用NPE算法在不同的局部子空间中提取特征分别建立局部子空间内部的故障检测模型，构建各局部子空间内故障检测统计量；此外，为了不仅考虑局部子空间内信息，而且考虑不同局部子空间之间信息的变化，利用移动窗策略以及互信息方法构造不同局部子空间间故障检测统计量。最后，结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(LOOP)方法构建综合故障检测统计量以准确判断过程是否发生故障。

本发明解决上述技术问题所采用的技术方案为：一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法，包括以下所示步骤：

步骤(1)：采集正常运行工况下的n个采样时刻m个传感变量数据以组成训练数据集矩阵X＝[x₁，x₂，...，x_m]∈R^n×m，其中n为训练集中样本数，m为传感器测量变量数，R为实数集；