[发明专利]基于数据邻域特征保持的工业过程故障检测方法

摘要

本发明提供了一种基于数据邻域特征保持的工业过程故障检测方法，解决的主要技术问题就是如何在建立故障检测模型的过程中全方位地考虑过程数据的距离、时间、和角度邻域特征。该发明方法首先为每个采样数据点定义与之相对应的邻域集，该邻域集包含了与该数据点在距离上、在时间上、以及在角度上相近的数据样本。然后，构造一个特征值问题以求解出投影变换向量，并在此基础上建立相应的故障检测模型。最后，利用该模型实施在线故障检测。与传统方法相比，该方法建立的故障检测模型最大程度地降低了信息丢失的风险，能取得更可靠而准确的结果。

主权项

1.一种基于数据邻域特征保持的工业过程故障检测方法，其特征在于，包括以下步骤：(1)利用工业过程的数据采集系统收集生产过程正常运行状态下的采样数据，组成训练数据集X∈R^n×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵其中，n为训练样本数，m为过程测量变量数，R为实数集，R^n×m表示n×m维的实数矩阵，为标准化后的数据样本，i＝1，2，…，n为第i个数据样本的下标号；(2)设置距离近邻个数k、时间近邻个数t、和角度近邻甄别参数δ，为数据矩阵中的每个样本计算与之相近的距离近邻、时间近邻、和角度近邻，组成邻域集，其中各参数的取值范围分别为k∈[6，12]、t∈[1，4]、和δ∈[0.6，0.7]；(3)根据邻域集构造相应的近邻特征矩阵W∈Rn×n，并计算矩阵L＝D‑W，其中，矩阵D∈Rn×n为对角矩阵，对角线上的元素为矩阵W中每一列的元素之和；(4)设置保留的潜隐成分个数d，求解出矩阵C＝XTLX前d个最小特征值所对应的特征向量p1，p2，…，pd，组成投影变换矩阵P＝[p1，p2，…，pd]∈Rm×d；(5)建立相应的故障检测模型，保存模型参数以备在线监测时调用，其中，和Q_lim分别为监测统计量T²和Q在置信度α＝99％条件下的控制限，具体计算方式如下所示：其中，F_{d，n‑d，α}表示置信度为α、自由度分别为d与n‑d的F分布所对应的值，表示自由度为h、置信度为α为卡方分布所对应的值，M和V分别为Q统计量的估计均值和估计方差；(6)收集新的过程采样数据x_new∈R^m×1，并将其进行同样的标准化处理得到(7)调用模型参数Θ对数据进行故障检测，即构建如下所示的监测统计量T²与Q：其中，Λ＝S^TS/(n‑1)，为数据矩阵经过P投影变换后的结果，将计算得到T²和Q统计量具体数值分别与控制限和Q_lim进行对比，若任何一个超出相应控制限，则当前监测的数据为故障状态；反之，则为正常，并进行下一个新数据的监测。