[发明专利]一种流程工业故障定位方法、系统及电子设备

权利要求书

1.一种流程工业故障定位方法，其特征在于，包括：

获取实时数据，并对所述实时数据进行预处理得到预处理数据；具体地，采用阶跃函数对所述实时数据进行预处理得到预处理数据；

建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；

采用主成分分析模型基于所述数据组确定霍特林统计量；

设定阈值，并确定所述霍特林统计量是否超过所述阈值；

当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；

采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T²贡献图模型和硬投票分类器组；

当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障；

集成学习分类器的构建过程包括：

构建多个故障定位模型；多个所述故障定位模型为岭回归模型组、平方预测误差贡献图模型和T²贡献图模型；

采用硬投票方法基于离线数据集学习多个所述故障定位模型得到硬投票分类器组；所述硬投票分类器组用于汇总每一所述故障定位模型的分类结果，并进行分类结果个数统计，将统计个数最多的分类结果作为集成学习分类器的输出结果。

2.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述岭回归模型组的构建过程包括：

以一个测量点的测量值为因变量，以剩余n-1测量点的测量值为自变量构建n个测量点的岭回归模型；

获取离线数据，并对所述离线数据进行预处理；

采用预处理后的所述离线数据分别对n个测量点的岭回归模型进行训练得到训练好的岭回归模型；

采用预处理后的所述离线数据确定训练好的岭回归模型的R平方值；

保留R平方值大于预设值的训练好的岭回归模型，以形成所述岭回归模型组。

3.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述平方预测误差贡献图模型中采用的平方预测误差贡献图的确定公式为：

；

式中，SPE为平方预测误差，为第个变量对平方预测误差SPE的贡献值，n为变量的个数。

4.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述T²贡献图模型中的T²贡献图的确定公式为：

；

；

其中，T²表示霍特林统计量，表示第个变量对霍特林统计量T²的贡献值，表示单位矩阵的第列，表示经过标准化的样本矩阵的向量，表示的转置向量，为负载矩阵，为的转置矩阵，对角阵，表示单位矩阵的第列的转置。