[发明专利]基于大数据智能核独立元分析的过程故障识别方法

说明书

本发明提供一种基于大数据智能核独立元分析的过程故障识别方法，涉及流程工业故障诊断技术领域。该方法通过样本数据构建半监督核独立元分析算法，获得样本数据的空间转换矩阵和状态投影矩阵，再构建各个运行状态类别的生产运行状态库；对新采集的数据进行预处理后，通过获得的空间转换矩阵和状态投影矩阵进行初步故障诊断，获得的各个投影方向的置信区间求得实时工况数据的得分因子，计算FICD统计量，进行精准的故障识别。本发明将基于类别成员资格的半监督分类学习方法和核独立元分析相结合，根据状态投影矩阵和构建相应的统计量对工业过程的运行状态进行故障诊断和精准的故障识别，能有效地提升识别电熔镁炉熔炼运行状态的识别度和准确性。

技术领域

本发明涉及流程工业故障诊断技术领域，尤其涉及一种基于大数据智能核独立元分析的过程故障识别方法。

背景技术

传统的数据集往往有物理化学等过程变量组成。基于向量的过程监测方法在多元统计方法运用的推动下蓬勃发展。然而，在监控设备大量使用后，图像和视频等维度高、数据量丰富、动态性能明显的异构矩阵数据出现使得故障诊断领域在新的应用前景中遇到了挑战。

特征提取和特征选择对上述问题有巨大的帮助，然而，过于丰富且海量的数据源很难标记出每一个数据的状态信息。因此，故障诊断的建模过程面临巨大的困难。众所周知，对于所采集的数据集进行全部的标签处理将浪费大量的人力物力，同时，对于数据量巨大的现代过程工业实时地进行标签标记也是难以实现的。那么对于一个只含有少量标记数据的数据集，仅仅利用标签数据进行建模是难以准确进行分类的同时也是难以令人信服的。

此外，对于处于各类重叠区域的样本数据有时候仅仅利用单一的分类假设或是狭义的分类思想往往会对数据产生错分类信息。经典的多分类问题常常会根据标记样本的分布信息然后依据一定的聚类假设对参与训练的未标记样本给出一个清晰的标签。这对于医学病例分析或是故障检测和诊断领域来说，对存在于分类边界处的未标记样本点给出清晰的标签基本上是一种武断的行为，甚至影响到对期待结果的判断，因为存在于分类边界处的未标记样本点往往是由故障点和临界稳定点组成的。

传统的主元分析(principle component analysis，PCA)、偏最小二乘方法(partial least square，PLS)和独立元分析(independent component analysis，ICA)等过程监测方法依靠物理化学变量建模且取得了极其理想的效果。线性判别分析(lineardiscriminant analysis，LDA)等多元统计方法也仅仅能够处理常规的过程变量。对于构建的具有异构数据特征的大数据池，原始的过程监测方法往往很难直接移植用于故障诊断。上述的海量数据难以全部或是大范围的标记以及数据的异构特点是传统监测方法移植应用的难题。ICA方法在应用于传统的故障诊断时表现出了优越的性能，同时其充分考虑数据的高阶信息使得独立的潜空间对数据的特征信息更加敏感。ICA方法在图像处理方面也有良好的性能，其通过分析高阶统计信息充分应用图像数据的边缘分布特征。由于流程工业往往是复杂多变的，数据常常具有非线性的特征，所以利用核独立元分析(kernel ICA，KICA)方法处理物理变量和图像视频数据在一起的大数据将会获得良好的检测和诊断性能。原始的KICA方法对处理传统过程变量和提取图像数据的边缘分布特征时都很敏感，但是应用已知状态比例较低的大数据建模的准确度大大降低。

电熔镁炉是一种埋弧炉，通过悬于其上方的电极传输大电流产生高温电弧，在菱镁矿粉层的下方形成超高温熔池，从而实现氧化镁的制取。整个炉体通过炉壳内耐高温绝缘材料，使炉体内部形成一个几乎封闭的熔炼空间，使得碳酸镁分解成氧化镁和二氧化碳。在熔炼的过程中往往由于电流大小的不平衡或是电极位置的微小偏离，都会使得产生的二氧化碳气体排放异常产生喷炉故障；由于电极的提升位置异常或是电流过大使得漏炉故障发生。因此，为了在实际生产中及时地规避故障的发生，进行实时有效的故障诊断，准确地识别出故障，降低生产中的安全隐患是必要的。

发明内容