[发明专利]一种基于k近邻重构的工业过程故障变量识别方法在审
| 申请号： | 201910476970.1 | 申请日： | 2019-06-03 |
| 公开（公告）号： | CN110308713A | 公开（公告）日： | 2019-10-08 |
| 发明（设计）人： | 周哲;杜树新;李祖欣;杜妮 | 申请（专利权）人： | 湖州师范学院 |
| 主分类号： | G05B23/02 | 分类号： | G05B23/02 |
| 代理公司： | 杭州宇信知识产权代理事务所(普通合伙) 33231 | 代理人： | 张宇娟 |
| 地址： | 313000 *** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发公开了一种基于k近邻重构的工业过程故障变量识别方法，属于工业过程监控与诊断技术领域。本发明只需要正常数据用于建模，当在线测量数据显示过程发生故障时，首先，计算故障数据的k近邻变量贡献并对其进行降序排列，将排序的变量逐个用于故障样本的重构过程以加速故障识别过程；最后，对重构的样本重新检测直至识别出所有故障变量。相比于现有的其他方法，本发明方法可以实现对具备非线性、非高斯等特性的工业过程故障变量识别。 | ||
| 搜索关键词： | 变量识别 工业过程 重构的 工业过程监控 发生故障 故障数据 故障样本 加速故障 降序排列 数据显示 在线测量 诊断技术 正常数据 非高斯 建模 重构 排序 样本 检测 | ||
【主权项】：
1.一种基于k近邻重构的工业过程故障变量识别方法，其特征在于该方法包括以下各步骤：步骤一：故障检测，收集工业过程正常运行工况的数据，根据正常数据之间的k近邻距离建立检测阈值；对于在线采集数据，计算在线数据与正常数据集的平均k近邻距离，然后与检测阈值比较，超出检测阈值则判定为故障数据；步骤二：计算k近邻变量贡献，对于步骤一判定的故障数据，将该故障数据的累积k近邻距离进行分解，将每一个分量作为变量贡献并对所有变量贡献进行降序排列；步骤三：故障变量识别，根据步骤二得到的变量贡献排序逐步对步骤一判定的故障数据进行重构，得到重构数据，回到并步骤一进行故障检测，直至所有故障变量被识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于湖州师范学院，未经湖州师范学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910476970.1/，转载请声明来源钻瓜专利网。
