[发明专利]基于丛流形核线性判别分析的工业过程故障监测方法

说明书

本发明提供一种基于丛流形核线性判别分析的工业过程故障监测方法，涉及故障监测与诊断技术领域。该方法在电熔炉运行时采集同一时刻的电流数据和图像数据并作向量化处理，得到的样本矩阵，用基于从流形核线性判别分析方法建模并求出模型的特征矩阵，利用特征矩阵对电熔镁炉过程进行故障诊断，根据新样本的投影离各类别数据投影中心的距离判断新样本数据是否为正常数据。本发明主要解决数据的非线性和带标签样本过少及故障有多类的问题，在对多类别数据进行故障诊断时有效降低了误报率，且对故障所属类别判定的准确率有明显提高。

技术领域

本发明涉及故障监测与诊断技术领域，尤其涉及一种基于丛流形核线性判别分析的工业过程故障监测方法。

背景技术

大结晶电熔镁是用纯天然轻烧镁粉经超高温电熔烧制而成的。由于理化性能稳定等特点，大晶体电熔镁成为一种优良的高温电气绝缘材料，主要应用于冶金、化工、电器、航天和国防等工业领域。超高温冶金产品是中国工业发展的重大需求。与低温工业流程相比，超高温冶炼流程更加复杂，且生产条件差、安全防护措施少，气、液、固的同时存在使得喷炉、爆炸等灾难性事故极易发生

随着现代工业的迅速发展，现代企业中生产设备日趋大型化、连续化、高速化和自动化，设备的结构与组成十分复杂，生产规模非常庞大，各部门之间的联系也特别密切。实际的电熔镁生产过程是非常复杂的非线性过程。针对非线性的过程，一般采用核方法把低维数据映射到高维特征空间使其线性可分，或者采用一些流形学习方法对其进行降维。

由于电熔镁过程的特殊性，在该过程中能监测到的传统物理变量十分有限，如果仅利用电流变量进行建模会造成信息提取不充分从而导致模型对电熔镁过程故障诊断效果不佳。因此除传统的电流变量外还需要额外对电熔镁过程中产生的图像数据进行监测。但是已有的研究成果局限于把物理变量数据和多媒体异构数据分开建模分别诊断，其做法忽视了大数据之间必然的联系，失去了大数据固有的优势。

由于图像数据的特殊性且电熔镁过程图像具有多类别的特点，获取大量图像数据的标签是十分困难的。如果建模样本过少会导致所得模型过拟合且泛化能力减弱。解决标记样本不足的问题，一般采用半监督的方法，但传统半监督的方法没有考虑样本多类别的特点，对多样本数据建模时容易出现误分类的问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于丛流形核线性判别分析的工业过程故障监测方法，实现在数据是非线性和多类别的情况下降低误报警率的目的。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于丛流形核线性判别分析的工业过程故障监测方法，包括以下步骤：

步骤1：在电熔镁炉运行时采集若干组样本数据，这些样本数据有三个类别,分别是正常数据、喷炉数据、漏炉数据，对前N个采样样本，利用人工先验经验对其中l个样本做上类别标记，剩下u个未标记样本；具体采集方法为：

在电熔镁的工业过程中利用摄像头采集电熔镁炉炉面图像数据，且在同一时刻采集电熔镁炉的三个电极的电流数据I＝[I₁,I₂,I₃]；对图像数据中的每幅图片分别计算其0°、45°、90°和135°四个方向的灰度共生矩阵，对每个灰度共生矩阵分别计算其对比度、相关性、能量、同质性、熵五个特征值，每一幅图片得到一个20维的向量P＝[p₁,p₂,…,p₂₀]；将I和P组合起来得到N个采样样本的最终建模矩阵为X＝[x₁,x₂,…,x_l,x_l+1,…,x_l+u]，其中l+u＝N，x_i＝[p_i1,p_i2,…,p_i20,I_i1,I_i2,I_i3]，i＝1,2,…,N；