基于线性评价因子的线性-非线性工业过程故障检测方法技术

本发明专利技术涉及一种基于线性评价因子的线性‑非线性工业过程故障检测方法。其步骤为：首先对训练数据和测试数据进行归一化处理；其次，定义线性评价因子LEF(xi,xj)，通过线性评价因子LEF(xi,xj)衡量变量间不同的相关性，借助线性评价因子划分出工业过程中的线性块和非线性块，能够更细致地描述局部变量的相关性；在此基础上，在不同子块分别建立PCA模型、KPCA模型，并融合所有块的信息，通过融合后的统计量判断是否发生故障，进而改善故障检测结果，提高故障检测率。

【技术实现步骤摘要】
基于线性评价因子的线性-非线性工业过程故障检测方法
本专利技术属于复杂工业过程故障检测
，涉及一种基于线性评价因子(linearevaluatingfactor，简称LEF)的线性-非线性混合工业过程故障检测方法。
技术介绍
由于现代工业系统日益大型化，工业过程的故障诊断已经成为保证现代工业系统安全稳定运行的关键技术。随着现代计算机控制技术的发展，工业过程中采集并存储了丰富的过程数据。因此，基于数据驱动的故障检测方法逐渐成为工业过程监控领域的研究热点。在线性工业过程监控，经典的方法是主元分析(PCA)方法。针对非线性工业系统的工业过程监控问题，研究人员进一步提出核主元分析(KPCA)方法。然而大多数的工业生产过程由于系统规模庞大，过程变量之间不仅存在显著的线性关系，且也存在明显的非线性关系，即呈现出线性与非线性两类关系并存的状态。一般的，PCA方法适合于线性过程的监控，但难以反映变量间的非线性关系；而KPCA能有效提取过程中的非线性关系，但是处理线性关系时却复杂繁琐，效率较低。所以，对所有过程变量建立单一的PCA或KPCA模型均不能深入挖掘过程信息，如何从复杂数据中同时提取线性和非线性特征信息成为数据驱动的故障诊断中的挑战性课题。
技术实现思路
本专利技术针对传统工业过程监控方法存在的无法准确描述复杂系统含有的线性-非线性过程信息的问题，提供一种基于线性评价因子的线性-非线性工业过程故障检测方法。该方法能够更加精确地衡量工业过程数据中的线性和非线性特征信息，提高故障检测率，进而改善故障检测结果。为了达到上述目的，本专利技术提供了一种基于线性评价因子的线性-非线性工业过程故障检测方法，含有以下步骤：(一)收集历史数据库的正常操作工况数据作为训练数据Xo，并使用均值和标准差对训练数据Xo进行归一化处理，得到归一化后的训练数据X。(二)计算两变量间的线性评价因子LEF(xi,xj)；其中，xi为第一变量，i＝1；xj为第二变量，2≤j≤m；(三)基于线性评价因子LEF(xi,xj)将训练数据X划分出线性块和非线性块；(四)针对线性块建立PCA模型，计算线性块的统计量L_T2和统计量L_SPE；针对非线性块建立KPCA模型，计算非线性块统计量NL_T2和统计量NL_SPE；(五)采用核密度估计法计算统计量L_T2、统计量L_SPE、统计量NL_T2和统计量NL_SPE的置信限L_SPEb,lim、和NL_SPElim，其中b代表第b个线性块；(六)采集测试数据xnew，利用训练数据Xo的均值和标准差对测试数据xnew进行归一化处理，得到归一化后的测试数据xt；(七)将测试数据xt按步骤(三)划分出线性块和非线性块；(八)将线性块在PCA子模型投影，并计算新的统计量L_Tt2和统计量L_SPEt，将非线性块在KPCA子模型投影，并计算新的统计量NL_Tt2和统计量NL_SPEt；(九)计算新的融合统计量Tt2和融合统计量SPEt；(十)依据融合统计量Tt2和融合统计量SPEt是否超出置信限判断测试数据xt是否发生故障。进一步的，所述步骤(一)中，利用训练数据Xo的均值和标准差通过公式(1)对训练数据Xo进行归一化处理，公式(1)的表达式为：训练数据Xo经上述公式(1)归一化处理后即可获得归一化后的训练数据X。进一步的，所述步骤(二)中，计算两变量间的线性评价因子LEF(xi,xj)的具体步骤为：首先通过公式(2)-(4)计算两变量的概率分布差异PD，公式(2)-(4)表示为：式中，p(xi)和p(xj)为两变量的概率密度；H(p(xi)，p(xj))为两变量间的Hellinger距离，用以衡量变量分布在欧式空间的差异性，其值越小说明两变量越相似；cos(p(xi)，p(xj))为两变量概率密度在方向上的差异，其值越大说明两者越相近；则两变量的线性评价因子定义为：式中，ρ(xi，xj)为皮尔逊线性相关系数，PD(xi，xj)为两变量的概率分布差异。进一步的，步骤(三)中，基于线性评价因子的线性块和非线性块划分方法为：(1)选择第一个变量xi，i＝1构成第一个变量块并初始化变量块数目L＝1；(2)按照变量顺序依次选择下一个变量xj，2≤j≤m，计算变量xj与L个块中变量的平均线性相关系数式中，b，1≤b≤L表示第b个已存在的子块，nb表示在第b个子块中变量的个数；(3)确定最大的若其值超过阈值γ，则变量xj被归入子块b中；反之，xj构成一个新的子块，即L＝L+1；(4)重复步骤(2)和(3)直到遍历所有变量，获得L个变量块，则变量个数多于1的块为线性块，而变量个数为1的块组合成一个非线性块；即历史建模数据分为其中前面B个为线性块，最后一个为非线性块。进一步的，步骤(四)中，针对线性块建立PCA模型、非线性块建立KPCA模型，并计算相应统计量的具体过程为：对于第b，1≤b≤B个线性块建立PCA模型，即通过求解公式(6)中的特征值分解问题获得线性块的负载向量pb，i；公式(6)表示为：式中，n为特征值的个数，λb，i为特征值；按照85％的CPV准则确定主元个数后获得负载矩阵Pb和特征值对角阵∑b；对于第h采样时刻的样本通过建立PCA模型计算统计量L_T2和统计量L_SPE，统计量的计算公式表示为：式中，为线性块统计量L_T2，L_SPEb(h)为线性块统计量L_SPE；对于非线性块XNL＝[xNL(1)，xNL(2)，…，xNL(n)]T，建立KPCA模型，即首先计算核矩阵K，核矩阵K中的每个元素k(i，j)的计算公式如下：式中，c为高斯核参数；通过公式(10)归一化核矩阵K，公式(10)的表达式为：式中，为归一化后的核矩阵，IK是n×n维的矩阵，它的每一个元素都为1/n；求解公式(11)中的特征值分解问题：式中，n为特征值的个数，λj为特征值；αj为特征向量；通过公式(11)获得个非零特征值以及与之对应的特征向量对于样本xNL(h)，通过式(12)提取第j非线性成分tj(h)，公式(12)表示为：式中，kx＝[k(xNL(h)，xNL(1))，k(xNL(h)，xNL(2))，…，k(xNL(h)，xNL(n))]T∈Rn为核向量；将公式(12)提取的非线性成分划分为核主成分t(h)＝[t1(h)，t2(h)，…，tp(h)]和核残差成分通过建立的KPCA模型计算统计量NL_T2和统计量NL_SPE，统计量的计算公式表示为：NL_T2(h)＝t(h)TΛ-1t(h)(13)式中，Λ为KPCA模型中的特征值对角阵，NL_T2(h)为非线性块统计量NL_T2，NL_SPE(h)为非线性块统计量NL_SPE。进一步的，步骤(六)中，利用训练数据Xo的均值和标准差通过公式(15)对测试数据xnew进行归一化处理，公式(15)的表达式如下：测试数据xnew经上述公式(15)归一化处理后即可获得归一化后的测试数据xt。进一步的，步骤(七)中，将测试数据xt按照步骤(三)划分出线性块和非线性块的方式划分到不同的子块中，即其中前面B个为线性块，最后一个为非线性块。进一步的，步骤(八)中，将步骤(七)中划分的不同子块分别在相应子模型投影并计算新的统计量的具体过程为：在第b，1≤b≤B个线性块中，通过公式(16)和公式(17)计算统本文档来自技高网...

【技术保护点】
1.一种基于线性评价因子的线性‑非线性工业过程故障检测方法，含有以下步骤：(一)收集历史数据库的正常操作工况数据作为训练数据Xo，并使用均值

【技术特征摘要】
1.一种基于线性评价因子的线性-非线性工业过程故障检测方法，含有以下步骤：(一)收集历史数据库的正常操作工况数据作为训练数据Xo，并使用均值和标准差对训练数据Xo进行归一化处理，得到归一化后的训练数据X；(二)计算两变量间的线性评价因子LEF(xi，xj)；其中，xi为第一变量，i＝1；xj为第二变量，2≤j≤m；(三)基于线性评价因子LEF(xi，xj)将训练数据X划分出线性块和非线性块；(四)针对线性块建立PCA模型，计算线性块的统计量L_T2和统计量L_SPE；针对非线性块建立KPCA模型，计算非线性块统计量NL_T2和统计量NL_SPE；(五)采用核密度估计法计算统计量L_T2、统计量L_SPE、统计量NL_T2和统计量NL_SPE的置信限L_SPEb，lim、和NL_SPElim，其中b代表第b个线性块；(六)采集测试数据xnew，利用训练数据Xo的均值和标准差对测试数据xnew进行归一化处理，得到归一化后的测试数据xt；(七)将测试数据xt按步骤(三)划分出线性块和非线性块；(八)将线性块在PCA子模型投影，并计算新的统计量L_Tt2和统计量L_SPEt，将非线性块在KPCA子模型投影，并计算新的统计量NL_Tt2和统计量NL_SPEt；(九)计算新的融合统计量Tt2和融合统计量SPEt；(十)依据融合统计量Tt2和融合统计量SPEt是否超出置信限判断测试数据xt是否发生故障。2.如权利要求1所述的基于线性评价因子的线性-非线性工业过程故障检测方法，其特征在于，所述步骤(一)中，利用训练数据Xo的均值和标准差通过公式(1)对训练数据Xo进行归一化处理，公式(1)的表达式为：训练数据Xo经上述公式(1)归一化处理后即可获得归一化后的训练数据X。3.如权利要求2所述的基于线性评价因子的线性-非线性工业过程故障检测方法，其特征在于，所述步骤(二)中，计算两变量间的线性评价因子LEF(xi，xj)的具体步骤为：首先通过公式(2)-(4)计算两变量的概率分布差异PD，公式(2)-(4)表示为：式中，p(xi)和p(xj)为两变量的概率密度；H(p(xi)，p(xj))为两变量间的Hellinger距离，用以衡量变量分布在欧式空间的差异性，其值越小说明两变量越相似；cos(p(xi)，p(xj))为两变量概率密度在方向上的差异，其值越大说明两者越相近；则两变量的线性评价因子定义为：式中，ρ(xi，xj)为皮尔逊线性相关系数，PD(xi，xj)为两变量的概率分布差异。4.如权利要求3所述的基于线性评价因子的线性-非线性工业过程故障检测方法，其特征在于，步骤(三)中，基于线性评价因子的线性块和非线性块划分方法为：(1)选择第一个变量xi，i＝1构成第一个变量块并初始化变量块数目L＝1；(2)按照变量顺序依次选择下一个变量xj，2≤j≤m，计算变量xj与L个块中变量的平均线性相关系数式中，b，1≤b≤L表示第b个已存在的子块，nb表示在第b个子块中变量的个数；(3)确定最大的若其值超过阈值γ，则变量xj被归入子块b中；反之，xj构成一个新的子块，即L＝L+1；(4)重复步骤(2)和(3)直到遍历所有变量，获得L个变量块，则变量个数多于1的块为线性块，而变量个数为1的块组合成一个非线性块；即历史建模数据分为其中前面B个为线性块，最后一个为非线性块。5.如权利要求1所述的基于线性评价因子的线性-非线性工业过程故障检测方法，其特征在于，步骤(四)中，针对线性块建立PCA模型、非线性块建立KPCA模型，并计算相应统计量的具体过程为：对于第b，1≤b≤B个线性块建立PCA模型，即通过求解公式(6)中的特征值分解问题获得线性块的负载向量pb，i；公式(6)表示为：式中，n为特征值的个数，λb，i为特征值；按照85％的CPV准则确定主元个数后获得负载矩阵Pb和特征值对角阵∑b；对于第h采样时...

【专利技术属性】
技术研发人员：邓晓刚，邓佳伟，王磊，曹玉苹，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37