[发明专利]基于层次密度峰值聚类和最相似模态的故障监测方法

说明书

本发明涉及一种基于层次密度峰值聚类和最相似模态的故障监测方法，对工业过程历史正常数据进行模态划分，获取层次模态信息；利用层次模态信息对工业过程历史正常数据建立故障监测模型；将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测。本发明利用已有的工业数据资源，考虑了复杂工业过程的多模态性和多模态动态性和不确定性，克服现有多模态故障监测方法依赖先验的模态信息，采用固定的模态划分及模型等局限，这对于及时发现工业过程的异常工况、保证生产安全、提高产品质量具有重要意义。

技术领域

本发明涉及故障监测与诊断技术领域，具体地说是一种基于层次密度峰值聚类和最相似模态的故障监测方法。

背景技术

故障监测的目的是及时发现工业过程的异常工况、保证生产安全、提高产品质量。工业过程的操作条件通常因原材料，制造参数，产品规格等因素的改变而改变，从而产生多种操作模态。不同的模态具有相似的，各自特定的特性及持续时间。一个模态被定义为具有相似统计特性和一定持续时间的过程。此外，两个相邻的模态间还可能存在逐渐改变的过渡过程。因此，研究有效可行的多模态过程故障监测方法具有重要意义。

多元统计故障监测方法如主成分分析，偏最小二乘引起了广泛关注。然而，工业过程具有动态，非线性和多模态特性，因此传统的多元统计故障监测方法无法直接用于监测实际工业过程。因此，应该研究更好的多模态过程故障监测方法。目前，在现有的多模态过程故障监测算法中，针对不同模态建立局部模型的多模型方法未考虑模态间的全局相关性，影响故障监测的准确性；很多方法根据模态先验知识进行模态划分或采用固定的模态划分及模型，未考虑多模态动态性和不确定性，采用这些方法对实际工业过程进行故障监测时适应性低。

密度峰值聚类是一种用于识别任意形状类簇的基于密度的聚类算法。在故障监测中，基于层次密度峰值聚类的模态划分方法可以获取复杂工业过程的层次模态信息，不需要模态先验知识。因而，采用层次模态信息建立故障监测模型是很有意义的。

发明内容

针对现有技术的不足，本发明提供一种基于层次密度峰值聚类和最相似模态的故障监测方法，考虑了复杂工业过程的多模态性和多模态动态性和不确定性，克服现有多模态故障监测方法依赖先验模态信息的问题。

本发明为实现上述目的所采用的技术方案是：

一种基于层次密度峰值聚类和最相似模态的故障监测方法，包括以下步骤：

步骤1：对工业过程历史正常数据进行模态划分，获取层次模态信息；

步骤2：利用层次模态信息对工业过程历史正常数据建立故障监测模型；

步骤3：将待监测的工业过程数据，得到最相似模态，输入到所述故障监测模型，进行故障监测。

所述模态划分包括以下过程：

步骤1：搜集工业过程历史正常数据并对其进行标准化处理；

步骤2：对标准化处理后数据进行层次密度峰值聚类，得到初始层次模态信息；

步骤3：根据模态连续特性调整初始层次模态信息，得到层次模态信息。

所述层次密度峰值聚类包括以下过程：

步骤1：计算标准化处理后数据X＝{x₁,x₂,…,x_N}各数据点之间的测地距离d_geo(x_i,x_j)；

步骤2：选取不同的百分比参数P，得到截止距离计算公共近邻个数CNN(x_i,x_j)，获取混合测地距离d_hybgeo(x_i,x_j)；