[发明专利]基于贝叶斯核慢特征分析的非线性工业过程故障检测方法

摘要

本发明涉及一种基于贝叶斯核慢特征分析的非线性工业过程故障检测方法，对训练数据和测试数据进行归一化处理后，在传统核慢特征分析方法的基础上采用不同类型的核函数，并且给各个核函数设置不同的核参数，建立一系列基本KSFA模型。利用基本KSFA模型从归一化后的训练数据和归一化后的测试数据中更加充分的提取非线性慢特征，并应用这些基本KSFA模型分别监控过程。本发明提供的非线性工业过程故障检测方法引入贝叶斯推理，将一系列基本KSFA模型对测试数据的监控结果以概率的形式进行加权组合，最终得到多个模型的集成监控结果，进而改善故障检测结果，提高故障检测率。

主权项

1.一种基于贝叶斯核慢特征分析的非线性工业过程故障检测方法，其特征在于，含有以下步骤：(一)收集历史数据库的正常操作工况数据作为训练数据Xo，并使用均值mean(Xo)和标准差std(Xo)对训练数据Xo进行归一化处理，得到归一化后的训练数据X；(二)选择高斯核G(x,y)和多项式核P(x,y)分别作为KSFA算法的核函数，并且给这两类核函数设置一系列不同的核参数，高斯核参数为ci,i＝1,2,…,ng，ng为高斯核参数的个数，多项式核参数为dj,j＝1,2,…,np，np为多项式核参数的个数；(三)针对归一化后的训练数据X，建立基于每一种核函数的基本KSFA模型，利用基本KSFA模型从归一化后的训练数据X中提取非线性慢特征；(四)根据每个基本KSFA模型的非线性慢特征，计算归一化后的训练数据X对应的监控统计量T²和SPE后，基于给定的置信水平α确定T²和SPE的控制限和(五)采集测试数据xto，利用训练数据Xo的均值mean(Xo)和标准差std(Xo)对测试数据xto进行归一化处理，得到归一化后的测试数据xt；(六)基于已建立的每个基本KSFA模型，提取归一化后的测试数据xt的非线性慢特征；(七)针对每个基本KSFA模型所提取的非线性慢特征，计算归一化后的测试数据xt的监控统计量T2和SPE，并根据贝叶斯推理规则计算归一化后的测试数据xt是故障数据的概率；(八)根据加权组合计算出最终的监控统计量ET2和ESPE，依据ET2和ESPE是否超出置信水平α判断归一化后的测试数据xt是否是故障数据。