[发明专利]基于数据邻域特征与非邻域特征保持的工业过程故障检测方法

摘要

本发明提供了一种基于数据邻域特征与非邻域特征保持的工业过程故障检测方法，解决的主要技术问题就是如何在建立故障检测模型的过程中，全方位地考虑过程数据的距离、时间、和角度邻域特征，以及非邻域特征。该发明方法首先为每个采样数据点找出与之相对应的，在距离上、在时间上、以及在角度上相近的数据样本，以组成邻域集。而其他不相近的样本则用来组成非邻域集。然后，通过一个广义特征值问题求解出投影变换向量，并在此基础上建立相应的故障检测模型。最后，利用该模型实施在线故障检测。与传统方法相比，该方法建立的故障检测模型可以取得更可靠而准确的结果。

主权项

1.一种基于数据邻域特征与非邻域特征保持的工业过程故障检测方法，其特征在于，包括以下步骤：(1)采集生产过程正常运行状态下的数据，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵，为标准化后的数据样本，i＝1，2，…，n为第i个数据样本的下标号；(2)设置距离近邻个数k、时间近邻个数t、和角度近邻甄别参数δ，为数据矩阵中的每个样本计算与之相近的距离近邻、时间近邻、和角度近邻，组成邻域集，而与之不相近的其他数据样本则组成非邻域集，其中各参数的取值范围分别为k∈[6，12]、t∈[1，4]、和δ∈[0.6，0.7]，具体的实施细节如下所示：首先，从数据矩阵中找出与第i个数据样本距离最近的k个数据样本，具体的实施方式如下所示：①针对第i个样本计算矩阵中除以外的其他样本与之间的欧式距离D_ij，即：其中，j＝1，2，…，n且j≠i，|| ||表示计算向量的长度；②对这些计算出来的距离按大小进行升序排列，并记录前k最小距离所对应的样本标号；其次，根据采样时间先后次序，从数据矩阵中找出位于第i个数据样本采样时间的前后各t个数据样本，并记录样本标号；再次，从数据矩阵中找出与第i个样本角度相近的数据样本，并记录样本标号，具体的实施方式如下所示：①针对第i个样本计算矩阵中除以外的其他样本与之间的角度余弦值cosθ_ij，即：②根据角度近邻甄别参数δ，选择满足甄别条件|cosθij|＞δ所对应的样本，并记录样本标号；然后，将所有记录的样本标号合在一起并删除重复的样本标号，组成对应于第i个样本的邻域集，与此同时，矩阵中未被选择的样本所对应的标号则组成对应于第i个样本的非邻域集；最后，重复上述操作直至得到所有n个数据样本所对应的邻域集与非邻域集；(3)根据邻域集，构造相应的邻域特征矩阵W∈Rn×n，并计算矩阵L＝D‑W，同样的，构造相应的非邻域特征矩阵H∈Rn×n，并计算矩阵G＝N‑H，其中，矩阵D∈Rn×n与N∈Rn×n都为对角矩阵，对角线上的元素分别为矩阵W与矩阵H中每一列的元素之和，矩阵W与H具体的构造方式如下所示：首先，初始化矩阵W0为一个n×n维的单位矩阵；其次，根据第i个样本所对应的邻域集将矩阵W₀中的第i行相应元素更新为1，并重复此操作直至更新完W₀中所有n行的元素，得到新矩阵W₁；然后，根据第i个样本所对应的邻域集将上步骤中得到的矩阵W₁中的第i列相应元素更新为1，并重复此操作直至更新完W₁中所有n列的元素，得到近邻特征矩阵W；最后，直接利用矩阵W构造出矩阵H＝E‑W，其中，E∈Rn×n为一个n×n维的全1矩阵；(4)求解如下所示的广义特征值问题：XTGX＝λXTLX  (3)上式中，λ表示特征值，然后保留前d(d＜m)个最大特征值所对应的特征向量p1，p2，…，pd，组成投影变换矩阵P＝[p1，p2，…，pd]∈Rm×d；(5)建立相应的故障检测模型，保存模型参数以备在线监测时调用，其中，Λ＝S^TS/(n‑1)，为数据矩阵投影变换后的结果，控制限和Q_lim的计算方式如下所示：其中，置信度α＝99％，F_{d，n‑d，α}表示置信度为α、自由度分别为d与n‑d的F分布所对应的值，表示自由度为h、置信度为α为卡方分布所对应的值，M和V分别为Q统计量的估计均值和估计方差；(6)收集新的过程采样数据x_new∈R^m×1，并对其进行同样的标准化处理得到(7)调用模型参数Θ对数据进行故障检测，即构建监测统计量T²与Q：并将T²和Q统计量具体数值分别与控制限和Q_lim进行对比，若任何一个超出相应控制限，则当前监测的数据为故障状态；反之，则为正常，并进行下一个新数据的监测。