[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

摘要

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。

主权项

1.一种基于大数据智能核独立元分析的过程故障识别方法，其特征在于：包括以下步骤：步骤1：采集电熔镁炉炉内熔炼物料表层视频图像和熔炼过程的物理变量，物理变量包括电压、电流和炉壳温度，并对其中明显且已知的运行状态进行标记；步骤2：对电熔镁炉炉内熔炼物料表层视频图像进行特征提取，同时与物理变量的过程数据放在同一个数据集中作为样本数据；步骤3：对特征提取后得到的样本数据进行数据预处理，包括标准化处理和白化处理，得到处理后的样本数据Z；步骤4：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，具体步骤如下：步骤4‑1：在核独立元分析算法中引入基于类别成员资格的半监督分类方法，构建出半监督核独立元分析算法的目标函数，具体公式如下：其中，z_i表示第i个白化样本，表示第i个白化样本的局部权值归一化重构，所述局部权值归一化重构简称LWMR；r_k表示第k类的标签编码；v_k(B^Tz_i)表示第i个白化样本属于第k类的类别成员函数，B表示空间转换矩阵；f(B^Tz_i)表示第i个白化样本的类别决策函数，表示第i个重构样本的类别决策函数；λ和λ_s均为正则化系数；E{·}为期望；表示第p个独立元信号的概率密度；b_p表示空间转换矩阵的第p个列向量，也表示用于求解独立元信号的第p个解混向量；det B表示空间转换矩阵B的行列式值，表示类别决策函数的希尔伯特范数，C和n分别表示类别总数和样本总数；d表示空间转换矩阵B中解混向量的个数，也表示空间转换后独立元样本中独立元变量的个数；步骤4‑2：根据循环迭代的思想对类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α进行求解，具体方法为：步骤4‑2‑1：对于固定的类别成员函数vk(BTzi)和空间转换矩阵B，优化求解获得状态投影矩阵α；步骤4‑2‑2：当类别决策函数f(BTzi)和空间转换矩阵B为定值时，类别成员函数vk(BTzi)变化的情况下，优化求解获得类别成员函数vk(BTzi)；步骤4‑2‑3：对于优化求解空间转换矩阵B，固定f(BTzi)和vk(BTzi)本次迭代获得的封闭解，然后利用自然梯度下降法优化求取空间转换矩阵B，用于构建潜在的独立元子空间；步骤4‑2‑4：判断目标函数|M(t)‑M(t‑1)|是否趋近于0，若是，则空间转换矩阵B和状态投影矩阵α求解完毕；否则，利用当前的类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α返回执行步骤4‑2‑1；步骤4‑3：根据白化处理后的样本数据Z和求得的空间转换矩阵B，获得样本数据非线性独立元估计信号S，S＝BTZ；步骤5：将历史数据的估计信号S向状态投影空间的各个投影方向投影，根据用户所设定的置信度τ，获得建模样本在各个投影方向上的从属区间，进而构建各个运行状态类别的生产运行状态库；步骤6：实时采集电熔镁炉炉内熔炼物料表层视频图像和物理变量过程数据，得到新的测试样本数据x0new，根据步骤2和步骤3的方法对新采集的样本数据进行预处理，得到新的白化样本数据znew；步骤7：根据步骤6中处理后的数据，再通过步骤4‑2‑4求得的空间转换矩阵B和状态投影矩阵α进行初步的故障诊断；根据步骤5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sf；依据实时工况数据在各个投影方向的得分因子，计算故障识别置信度(即fault identification confidence degree，简称FICD)统计量，然后根据获得实时工况数据的FICD统计量进行精准的故障识别；步骤8：判断实时工况数据的状态决策函数f(BTznew)的概率值，同时判断FICD统计量的数值，若状态决策函数的概率值低于0.9或者正常类别的FICD为0，则报警，否则，返回执行步骤6。