基于多分类器和D-S证据融合的工业过程故障检测方法技术

本发明专利技术公开了一种基于多分类器和Dempster-Shafer（D-S）证据融合的工业过程故障检测方法，该方法首先根据对工业过程的正常数据进行独立重复采样，然后对新的训练模型数据应用多个分类器方法，建立相应的分类器模型；然后通过D-S证据理论对多个分类器决策进行集成和综合，获得最后的监测结果。相比目前的其它方法，本发明专利技术可以大大提高工业过程的监测效果，减小延迟检测时间，很大程度上改善了监测性能，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于多分类器和Dempster-Shafer（D-S）证据融合的工业过程故障检测方法，该方法首先根据对工业过程的正常数据进行独立重复采样，然后对新的训练模型数据应用多个分类器方法，建立相应的分类器模型；然后通过D-S证据理论对多个分类器决策进行集成和综合，获得最后的监测结果。相比目前的其它方法，本专利技术可以大大提高工业过程的监测效果，减小延迟检测时间，很大程度上改善了监测性能，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。【专利说明】基于多分类器和D-S证据融合的工业过程故障检测方法
本专利技术属于工业过程控制领域，特别涉及一种基于多分类器和D-S证据融合的工业过程故障检测方法。
技术介绍
近年来，工业生产过程的监测问题越来越得到工业界和学术界的广泛重视。一方面，实际的工业过程因为其过程复杂，操作变量多，存在非线性、非高斯、动态性等阶段，在单一假设下，运用某一种方法，其监测效果有很大的局限。另一方面，如果不对过程进行很好的监测，并对可能发生的故障进行诊断，有可能会发生操作事故，轻者影响产品的质量，重者将会造成生命和财产的损失。因此，找到更好的过程监测方法、并进行及时正确地预报已经成为工业生产过程的研究热点和迫切需要解决的问题之一。传统的工业过程监测方法除了基于机理模型的方法外，大多采用多元统计分析方法，比如主元分析方法(PCA)和偏最小二乘方法(PLS)等。在机理模型难以获取的情况下，基于数据驱动的多元统计分析方法已经成为工业过程监测的主流方法。但是，传统的多元统计分析方法都存在一些基本的假设条件，比如主元分析方法(PCA)的假设条件是数据服从独立同分布，且假设过程服从线性的高斯分布，但实际过程却相对复杂，过程可能是一部分线性、一部分非线性或者一部分非高斯的结合。而想找到一种适用于各种环境的方法是不可能的。相比之下，将多种不同假设条件下的方法进行集成，即信息融合方法在处理复杂工业过程的监控和故障诊断方面有其自身的优势，本专利技术采用该方法替代原有的单一多元统计分析方法对过程进行监控。另外，为了提高融合的效果，在增加分类器多样性上，可以先对训练数据进行重复采样预处理。传统的监测方法假设过程运行在单一条件下，已经无法满足实际工业过程的监测要求。即使对过程的不同工作条件分别进行建模，也无法达到满意的监测效果。因为对新的过程数据进行监测时，需要结合过程知识对该数据的工作条件进行判断，并选取相应的监测模型，这就大大增强了监测方法对过程知识的依赖性，不利于工业过程的自动化实施。
技术实现思路
本专利技术的目的在于针对现有方法的假设局限，提供一种基于多分类器和D-S证据融合的工业过程故障检测方法。本专利技术的目的是通过以下技术方案来实现的:一种基于多分类器和D-S证据融合的工业过程故障检测方法，包括以下步骤:(I)利用系统收集过程正常运行的数据组成建模用的训练样本集:X=。其中X e Rnxm,η为训练样本总数，m为过程变量数，R为实数集，Rnxm表示X满足nXm的二维分布；将这些数据存入历史数据库；(2)从数据库中调用正常数据，采用独立重复采样方法对数据矩阵进行重排处理，得到数据矩阵集又e W ;(3)对数据集X进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为；e R'.；(4)调用不同的分类器方法，选择分类器的个数为G，包括无监督方法和有监督方法，在新的数据矩阵集交下建立不同的分类器模型，对无监督模型构造相应的T2和SPE统计量的检测统计限；对有监督模型构造相应的标签指标；(5)将建模数据和各个模型参数存入历史数据库和实时数据库中备用；(6)收集新的过程数据，并对其进行预处理和归一化；(7)分别采用不同的分类器模型对其进行监测，即建立统计量T2和SPE以及标签，这样每一种方法都可以得到一个关于正常或者故障的决策；(8)通过D-S证据理论，利用每一种方法对不同故障检出率的先验知识，计算当前监测数据在所有分类器方法下的综合检出率，并做出最后决策。本专利技术的有益效果是:本专利技术通过对每一个过程数据分别进行不同分类器方法下的分析和建模。然后，引入D-S证据方法对不同方法下的监测信息进行集成和综合，获得最后的监测结果。相比目前的其它过程监测方法，本专利技术不仅可以大大提高工业过程的监测效果，减少延迟诊断时间，增加诊断的准确性，而且在很大程度上改善了监测方法对过程知识的依赖性，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。【专利附图】【附图说明】图1是TE过程的正常数据散点图；图2是无监督方法对TE过程对故障I数据的监测结果图；图3是有监督方法对TE过程对故障I数据的监测结果图。【具体实施方式】本专利技术针对工业过程的监测问题，首先利用集散控制系统收集正常工作状态下的数据，然后对数据进行多样性处理，即进行独立重复采样，得到新的训练数据集，在此基础上，分别调用不同的分类器方法，建立相应的分类器模型，并对无监督的方法建立两个监测统计量T2和SPE及其对应的统计限T1^和SPElim,对有监督的方法建立标签类别。把所有的过程模型参数存入数据库中备用。对新的批次数据进行监测的时候，首先利用不同的分类器监测模型对其进行监测，获取相应的监测结果。然后通过D-S证据理论得到该数据的状态最终决策。本专利技术一种基于多分类器和D-S证据融合的工业过程故障检测方法，包括以下步骤: 第一步:利用集散控制系统收集工业过程正常状态下的数据组成建模用的训练样本集:X=。其中X e RnXm，n为样本总数，m为过程变量数。将这些数据存入历史数据库。第二步:从数据库中调用正常数据，采用独立重复采样方法对数据矩阵进行重排处理，得到数据矩阵集又e Rlixm。为了增加数据的多样性，以提高最终的融合效果，利用独立重复采样的方法，对数据进行处理，在统计意义下，大概率的数据被采到的可能性大，那么就可以利用该方法滤掉一部分小概率的样本，即一部分的无用信息。第三步:对数据隼又进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为；e ZTm。在历史数据库中对采集到的过程数据进行预处理，剔除野值点和明显的粗糙误差数据，为了使得过程数据的尺度不会影响到监测的结果，对不同变量的数据分别进行归一化处理，即各个变量的均值为零，方差为I。这样，不同过程变量的数据就处在相同的尺度之下，既而不会影响到后续的监控效果。第四步:调用不同的分类器方法，包括无监督方法和有监督方法，在新的数据矩阵集；下建立不同的分类器模型，对无监督模型构造相应的T2和SPE统计量的检测统计限；对有监督模型构造相应的标签指标；a)对于无监督方法，具体的实现步骤如下所示:I)通过PCA分析，可以得到数据矩阵的协方差矩阵Σ e Rnxn、酉矩阵U e Rnxn、特征值构成的对角矩阵D e Rnixni如下所示:【权利要求】1.一种基于多分类器和D-S证据融合的工业过程故障检测方法，其特征在于，包括以下步骤: (1)利用系统收集过程正常运行的数据组成建模用的训练样本集:X=。其中X e Rnxm, η为训练样本总数，m为过程变量数，R为实数集，Rnxm表示X满足nXm的二维分布；将这本文档来自技高网...

【技术保护点】
一种基于多分类器和D‑S证据融合的工业过程故障检测方法，其特征在于，包括以下步骤：（1）利用系统收集过程正常运行的数据组成建模用的训练样本集：X=[x1;x2;…;xn]。其中X∈Rn×m，n为训练样本总数，m为过程变量数，R为实数集，Rn×m表示X满足n×m的二维分布；将这些数据存入历史数据库；（2）从数据库中调用正常数据，采用独立重复采样方法对数据矩阵进行重排处理，得到数据矩阵集（3）对数据集进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为（4）调用不同的分类器方法，选择分类器的个数为G，包括无监督方法和有监督方法，在新的数据矩阵集下建立不同的分类器模型，对无监督模型构造相应的T2和SPE统计量的检测统计限；对有监督模型构造相应的标签指标；（5）将建模数据和各个模型参数存入历史数据库和实时数据库中备用；（6）收集新的过程数据，并对其进行预处理和归一化；（7）分别采用不同的分类器模型对其进行监测，即建立统计量T2和SPE以及标签，这样每一种方法都可以得到一个关于正常或者故障的决策；（8）通过D‑S证据理论，利用每一种方法对不同故障检出率的先验知识，计算当前监测数据在所有分类器方法下的综合检出率，并做出最后决策。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张富元，葛志强，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33