基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法技术

本发明专利技术公开了一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，属于工业过程监控与诊断技术领域。本发明专利技术通过相似性分析方法的引入大大提高了KPCA在大样本情况下的计算效率，并且利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力，对工业过程的故障进行分类。因此与其它现有的方法相比，由于充分考虑了工业数据的非线性特性以及海量数据的特点，本发明专利技术方法不仅可以降低计算的复杂度，而且可以更有效处理过程的非线性特征，从而对于非线性工业故障诊断具有更高的准确率。

【技术实现步骤摘要】

本专利技术属于工业过程监控与故障诊断领域，特别涉及一种基于改进的KPCA和隐 马尔科夫模型的工业故障诊断方法。
技术介绍
随着工业过程复杂性的增长，工业过程监测和诊断的有效性对于保障生产过程安 全、维持产品质量和优化产品利益变得日益重要。 对于过程监控和故障诊断问题，传统的方法大多采用多元统计过程监控技术 (MultivariableStatisticalProcessMonitoring,MSPM)，其中以主元分析（Principal ComponentAnalysis,PCA)、偏最小二乘（PartialLeastSquares,PLS)和独立成分分析 (IndependentComponentAnalysis,ICA)为代表等方法已在工业过程监控中得到了成功 的应用。传统的PCA、ICA等方法均假设过程变量间的关系是线性的，但是实际中测量变 量难以满足这个假设条件，常呈现强烈的非线性特性。尽管核方法的引入，如核扣八，核 PCA(KerneIPCA)等方法被提出用于解决变量间的非线性，但是，上述方法具有以下缺点， 原始数据从输入空间映射到高维特征空间后变得冗余，而且核矩阵是一个以样本数目为大 小的方阵。随着样本数目的增多，计算量不断增大，而在工业过程，样本数目往往是巨大的， 因此用原始的KPCA来提取变量间的非线性关系是困难的，由此，可能会引起故障诊断发生 错误。
技术实现思路
本专利技术的目的在针对现有技术的不足，提供一种基于改进的KPCA和隐马尔科夫 模型的工业故障诊断方法，通过相似性分析方法的引入大大提高了KPCA在大样本情况下 的计算效率，并且利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类 能力。因此，本方法在工业过程具有强非线性以及存在海量数据的情况下，可以实现有效地 故障诊断。 一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，该方法的步骤如 下： 步骤一：离线建模，对工业过程采集的离线数据，在原空间进行相似性分析，去除 相似样本，得到数据集D1，引入核函数巾将数据集D1投影到高维特征空间，同样在特征 空间进行数据的相似性分析，去除相似样本，得到数据集D2,根据数据集D2中数据计算相 应的核矩阵以及核主元，将得到的核主元作为隐马尔科夫模型（HMM)的观测序列，训练隐 马尔科夫模型； 步骤二：在线诊断，对在线采集的数据在原空间进行相似性分析，去除相似样本， 同样在特征空间进行数据的相似性分析，去除相似样本，计算相应的核矩阵以及核主元，即 得到相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型。 步骤一所述的离线建模过程如下： 1)工业过程采集的第i个时刻监测数据M=[各，毛，…，足f，i= 1，…，U， 其中^表示样本个数； 2)在原输入空间进行相似性分析，去除相似样本，得到数据集Q1, 2. 1)初始时只有2个数据点，即W1 = {名..?」} = ，新数据点根据以下提出 的相似性指数公式进行相似性的判断，【主权项】1. 一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，其特征在于，该方法 的步骤如下： 步骤一：离线建模，对工业过程采集的离线数据，在原空间进行相似性分析，去除相似 样本，得到数据集〇1，引入核函数4将数据集口1投影到高维特征空间，同样在特征空间 进行数据的相似性分析，去除相似样本，得到数据集Q2,根据数据集Q2中数据计算相应的 核矩阵W及核主元，将得到的核主元作为隐马尔科夫模型（HMM)的观测序列，训练隐马尔 科夫模型； 步骤二：在线诊断，对在线采集的数据在原空间进行相似性分析，去除相似样本，同样 在特征空间进行数据的相似性分析，去除相似样本，计算相应的核矩阵W及核主元，即得到 相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型。2. 根据权利要求1所述的方法，其特征在于，步骤一所述的离线建模过程如下： 1) 工业过程采集的第i个时刻监测数据风二防為，…，兩,,f，*二1，柄< ^1)，其中n;表示样本个数； 2) 在原输入空间进行相似性分析，去除相似样本，得到数据集口1， 2. 1)初始时只有2个数据点，即A^i二位?馬}二，新数据点根据W下提出的相 似性指数公式进行相似性的判断，(1) 其中X。。，表示新数据点；2.。如果导<7^，新数据点被引入，否则该样本点被舍弃，即Ni=Nw，其中丫。是预 先设定好的一个足够小的值，满足〇 < >/^ < 1 ; 2. 3)对原始输入空间进行相似性分析之后，被保留的数据点个数为ni，所W我们获得 了数据集Qi; 3) 引入核函数4将数据集投影到高维特征空间，在特征空间进行相似性分析，去 除相似样本，得到数据集Q2， 3. 1)特征空间中相似性指数公式定义如下：3. 2)如果< ?^，新数据点被引入，否则该样本点被舍弃，其中丫1是预先设定好的 一个足够小的值，满足0 < < 1; 3. 3)对特征空间进行相似性分析之后，被保留的数据点个数为ri2,所W我们获得了数 据集口2; 4) 对数据集Q2,计算核矩阵KW及核主元， 4.1)计算核矩阵 K。' = < 巫（X，巫（xj)〉=K(X。xj) (3) 其中使用径向基核函数r为常数； 4.2)对核矩阵K进行中屯、化处理， K=K-\J<-K\-\\"K\" (4) 其中4. 3)计算主成分tk(5) 5)将得到的核主元作为隐马尔科夫模型的观测序列0,训练隐马尔科夫模型，得到其 参数 ^ = (A,B, 31，M,脚； 其中，A是隐含状态转移概率矩阵，描述了HMM模型中各个状态之间的转移概率，见下 式做~（7)式中，"V、'/简记为au，表示在t时刻，状态为Si的条件下，在t+1时刻状态是SJ的概 率. B是观测值概率密度矩阵，见下式其中0是观测向量，Cj.m是隐含状态j的第m个混合成分的混合系数，H是对数凹或楠 圆对称密度，y是隐含状态Sj.的第m个混合成分的均值向量，U是隐含状态Sj.的第m个 混合成分的协方差矩阵，Cj.m满足随机约束：Cjm、yJm、Uj.m的重估是该样的；C的重估值是HMM在隐含状态Sj.带有第k个混合成分 的次数的期望除WHMM处于隐含状态Sj.的次数的期望，y的重估值是由第k个混合成分 说明的观测矢量的部分期望值，Uj.m是由第k个混合成分说明的观测矢量的部分协方差，见 公式（11)~（13)，n是初始状态概率矩阵，N是隐含状态的数目，M是每个隐含状态下的高斯混合成分的 数目。3. 根据权利要求2所述的方法，其特征在于，步骤二所述的在线诊断程如下： a) 在线采集工业过程的数据； b) 在原空间进行相似性分析，去除相似样本，得到数据集〇1，引入核函数4将数据集 Q1投影到高维特征空间，同样在高维特征空间进行数据的相似性分析，去除相似样本，得 到数据集〇2,根据数据集中数据计算相应的核矩阵W及核主元； C)W核主元作为观测序列，选择最匹配的HMM模型，从而判断故障类型。4. 根据权利要求1所述的方法，其特征在于，所述的工业过程具有非线性。5. 根据权利要求1所述的方法，其特征在于，所述本文档来自技高网...

【技术保护点】
一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，其特征在于，该方法的步骤如下：步骤一：离线建模，对工业过程采集的离线数据，在原空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元，将得到的核主元作为隐马尔科夫模型(HMM)的观测序列，训练隐马尔科夫模型；步骤二：在线诊断，对在线采集的数据在原空间进行相似性分析，去除相似样本，同样在特征空间进行数据的相似性分析，去除相似样本，计算相应的核矩阵以及核主元，即得到相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨春节，王琳，孙优贤，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33