[发明专利]一种基于多变量判别分析的NPDA故障分类方法及控制装置

摘要

一种基于多变量判别分析的工业过程故障分类方法及装置，首先基于邻域保持嵌入算法局部特征提取的策略，建立以训练数据集、降维维度、领近点、欧氏距离为输入量，以降维转换矩阵为输出量的最优分类函数，使得输入数据和输出数据在局部特征保留的同时同类内邻近点数据降维后更加邻近，而不同类数据比原来更加分散；再基于数据的低维潜隐变量获取构建数据回归的输入和输出特征，建立基于NPDA的故障分类模型；本发明解决了FDA降维后改变同类内样本相对距离和位置的问题，提高了FDA对训练数据分类的准确性和局部保留性。

主权项

1.一种基于多变量判别分析的工业过程故障分类方法，其特征在于，该方法基于NPDA(邻域保持嵌入判别分析算法)的特征提取和数据分类方法，建立以工业过程在线采集的实时数据为输入量，以故障类别为输出量的分类方法,其具体步骤如下：(1)利用集散控制系统，采集工业生产过程中的各种不同类别样本故障数据，组成建模用训练样本集R1：X∈R1^Dxn；其中，n为训练数据集的个数，D为样本数据集的变量个数；(2)去除数据野值点和误差较大的点，并将训练样本数据集归一化为均值为0，方差为1；针对相同类别数据，基于NPE(邻域保持嵌入)分析模型，构建数据降维目标；(3)针对不同类别的数据，采用FDA算法构建数据类间信息模型，并融合步骤(2)NPE算法的降维目标，建立双目标函数得到NPDA分类模型，以实现数据降维过程中分类特征信息提取；通过特征值分解求解NPDA模型参数，得到投影矩阵A以及降维后的得分向量Y，完成工业过程故障的整体建模和分类；(4)采集工业过程产生的新故障数据，并对其进行预处理和归一化；(5)将预处理后的故障数据输入到步骤(3)的NPDA分类模型，基于数据投影矩阵A得到新故障数据得分向量Z_new，即新采集故障数据的降维特征信息；(6)利用欧氏距离的距离度量方法，计算新采集数据的得分向量Z_new与训练样本中各个故障样本得分向量均值的距离信息，并根据最近距离的样本所对应的类别信息，判定为新样本数据的故障类型。