[发明专利]一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法

说明书

本发明提供了一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法，主要包括如下步骤：(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据；(2)将采集到的三维训练数据展开为二维数据并进行标准化处理；(3)建立基于扩散距离改进的邻域保持嵌入模型，求取映射变换矩阵；(4)建立正常数据下霍特林统计模型T²和平方预测误差统计模型SPE的统计量，并求取其控制限；(5)采集在线的间歇过程数据，构成测试数据，按步骤(2)方法对其展开并标准化处理；(6)将预处理后的测试数据通过步骤(3)得到的映射变换矩阵进行投影；(7)求取测试数据的霍特林统计模型T²和平方预测误差统计模型SPE的统计量，判断有无故障发生。

技术领域

本发明属于工业过程监控技术领域，涉及一种基于扩散距离改进 的邻域保持嵌入的间歇过程故障检测方法。

背景技术

间歇化工过程在现代工业中占有相当大的比重，尤其是医药和食 品行业，近年来，随着市场对多规格、高质量产品需求的增加，间歇 生产过程正向高效、大型和集成化方向发展，从而对间歇生产过程的 安全性和可靠性要求越来越高。与连续生产过程相比，间歇生产过程 由于频繁的变化产品和工艺操作条件以及经常处于不稳定状态而具 有较强的非线性、多模态、非高斯等特征。为保障间歇生产过程的生 产安全和产品质量，需要对间歇过程建立故障检测模型，从而降低故 障的发生率，减少不合格产品，达到保障安全性和产品质量的目的。

对间歇过程的数据进行准确有效地特征提取是利用多元统计方 法进行故障检测的关键。对原始数据进行特征提取时，保持其局部结 构不变可以保留有用信息，从而提高特征提取能力。研究表明，高维 数据存在嵌入在其中的低维流形结构，低维流形结构表征了高维数据 的本质特征。近年来，基于流行学习的维度约简算法引起了广大的关 注和研究，Roweis于2002年提出了局部线性嵌入(locally linear embedding,LLE)，同年，Tenenbaum提出了等距映(isometric feature mapping,ISOMAP)，He等于2005年提出的基于LLE的线性扩展算法 即邻域保持嵌入(neighborhood preserving embedding,NPE)。NPE算 法一经提出就受到人们的极大重视，并将其成功应用于生物医学、人 脸识别等领域，而且近几年来基于NPE的改进算法被引入到间歇过程 的故障诊断领域。

虽然NPE算法能够通过线性重构样本点提取高维数据的低维特征 结构，但是间歇过程具有多模态特性，数据分布复杂，采用欧式距离 寻找近邻很难获得样本间全面的相似特性，这直接影响特征提取的有 效性，从而降低故障检测率，进而降低故障诊断的准确性。

发明内容

本发明针对邻域保持嵌入(NPE)算法只通过欧氏距离挑选近邻 点带来的特征提取不充分，导致故障检测效果不佳的问题，提供一种 基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法。该方法 通过用带有距离贡献权重的扩散距离为样本挑选近邻点，将样本近邻 点的局部特性考虑在内，能够对原始数据集进行更好的学习和特征提 取，从而提高故障检测率。

为此，本发明采用如下技术方案：

一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方 法，包括如下步骤：

(1)采集多个批次正常工况下的间歇过程数据，构成三维训练 数据；

(2)将采集到的三维训练数据展开为二维数据并进行标准化处 理；

(3)建立基于扩散距离改进的邻域保持嵌入模型，求取映射变 换矩阵；

(4)建立正常数据下霍特林统计模型T²和平方预测误差统计模 型SPE的统计量，并求取其控制限；

(5)采集在线的间歇过程数据，构成测试数据集，按步骤(2) 方法对其展开并标准化处理；