基于集成核局部保持投影的连续过程故障检测方法技术

基于集成核局部保持投影的连续过程故障检测方法，涉及一种关于核参数选择的连续过程故障检测方法，包括将正常状态下的历史数据作为建模数据的训练集，利用高斯核函数对建模数据进行核变换，运用EKLPP方法进行非线性连续过程建模和故障检测。首先对训练数据矩阵进行标准化处理。运用KLPP方法将其转换成核矩阵代替待检测数据，利用Bayesian决策将各检测结果转化成发生故障的概率形式，根据集成统计量是否超过控制限来判断该时刻数据是否正常。如果集成统计量超过控制限，则该时刻数据是故障的。如果测试表明系统出现故障，需要工作人员查明情况，排除险情。本发明专利技术有效地解决了对于不同的故障，适用的参数也会不同的问题。

【技术实现步骤摘要】

本专利技术涉及一种非线性过程故障检测方法，特别是涉及一种处理不同故障核参数选择的局部故障检测方法。
技术介绍
化工生产过程作为工业生产的重要领域之一，越来越体现出非线性的特点，传统的全局故障检测方法只能保留原始数据的全局信息，破坏其局部结构，如何有效的提取出生产过程中原始数据的局部信息对非线性过程进行监视成为故障检测技术研究的重要内容。核局部保持投影方法对于处理保持非线性数据的局部结构问题有着明显的优势。但是，人们在利用传统的核局部保持投影方法处理数据时通常会使用高斯核函数，这使得该方法的性能受到核参数c的影响。目前为止，如何进行核参数的选择并没有确定的依据，通常都是利用经验法进行选取。但是很显然，故障检测的性能取决于核参数的选择。如果故障已知，那么选取适合该故障的核参数进行故障检测就可以得到最佳检测结果。但是生产过程中的故障通常不是唯一的，由此选择的核参数并不一定适用于所有故障，对于不同的故障，适用的参数会明显不同。因此，找到一种有效的方法对核参数进行合理地选择显得尤为重要。
技术实现思路
本专利技术的目的在于提供一种基于集成核局部保持投影(EnsembleKernelLocalityPreservingProjections，EKLPP)的连续过程故障检测方法。该方法能有效的提取工业生产过程中原始非线性数据的局部结构信息，通过选取具有不同参数的高斯核函数建立多个核局部保持投影(KernelLocalityPreservingProjections，KLPP)模型进行故障检测，利用Bayesian决策将各模型的检测结果转换成发生故障的概率形式，再通过集成学习法将各检测结果进行组合，有效的解决了核参数选择的问题。本专利技术的目的是通过以下技术方案实现的：基于集成核局部保持投影的连续过程故障检测方法，所述方法包括以下过程：应用传统的KLPP方法进行故障检测通常会受到核参数c的影响，集成核局部保持投影方法的目的就是选取适用于不同故障的核参数。首先，收集正常生产操作条件下的历史数据集作为训练样本，对训练样本进行标准化处理。然后，选取具有不同核参数的高斯核函数对标准化后的数据矩阵进行核变换，得到训练数据的核矩阵。用训练数据求得的每个核矩阵替换原始数据分别在核空间进行LPP投影，得到投影矩阵，建立一系列的子KLPP模型。最后，计算各子模型的SPE统计量和T2统计量，利用核密度估计确定各子模型两个统计量的控制限。待检测批次在进行标准化处理和核变换后，分别投影到不同的子模型上得到多个检测结果。再利用Bayesian决策将各个检测结果转化成发生故障的概率形式。最后，通过集成学习法将各检测结果进行组合，并通过将其与控制限α进行比较来进行故障检测。所述的基于集成核局部保持投影的连续过程故障检测方法，所述建模过程包括正常状态模型和故障检测模型。对于工业过程中的数据选取具有不同核参数的高斯核函数进行核变换，利用变换后的核矩阵代替原始建模数据。运用LPP建立多个模型，并计算不同模型的统计量及统计量的控制限。所述的基于集成核局部保持投影的连续过程故障检测方法，所述故障检测模型将新来时刻数据预处理后运用不同的核函数进行变换，将变换后的数据投影到不同的子KLPP模型上计算其统计量检测结果，利用Bayesian决策和集成学习法对各检测结果进行处理，与控制限α比较进行故障检测。本专利技术的优点与效果是：1.本专利技术能有效的对原始数据进行非线性特征提取和降维。由于连续过程的生产特点，大部分数据都具有非线性。运用集成核局部保持投影方法对非线性数据进行处理，首先通过非线性映射将原始数据投影到高维空间，然后再利用局部保持投影方法进行信息提取和降维。2.本专利技术有效地保持了原始数据的局部结构，提高了有效信息的利用率。传统的全局算法通常会造成数据邻域结构的破坏，本专利技术的方法属于局部算法。通过选取合适的投影方向使得降维后的样本之间能够较好地保持原样本的邻接信息矩阵。简单来说，对于原样本集中相邻的样本在投影后仍然相邻，与原样本集距离较远的样本在投影后仍保持较远的距离，有效地保持了原始数据的局部结构。3.本专利技术解决了传统KLPP方法在处理不同故障时的核参数选择问题。通过选取具有不同核参数的高斯核函数建立多个子模型进行故障检测，利用Bayesian决策将各检测结果转化成发生故障的概率形式，通过集成学习法将各检测结果进行组合，有效地解决了对于不同的故障，适用的参数也会不同的问题。附图说明图1为本专利技术的核心算法流程图。具体实施方式下面结合实施例对本专利技术进行详细说明。本专利技术是运用高斯核函数对连续过程数据进行预处理，提取原始数据的非线性信息。在预处理的基础上，利用局部保持投影保持原始数据的局部结构。通过选取具有不同核参数的高斯核函数解决参数选择影响故障检测结果的问题，建立多个子模型，利用Bayesian决策和集成学习法将各检测结果组合后进行连续过程故障检测。本技术解决了传统KLPP方法在处理不同故障时的核参数选择相同的问题。基于集成核局部保持投影的故障检测技术：为了进行过程故障检测，需要利用已知的正常数据建模，然后对新来的数据进行检测。本专利技术将采集到的正常历史数据作为建模数据的训练集，利用EKLPP方法进行建模和故障检测。将训练集进行预处理以后，构造核中心化矩阵，运用KLPP方法进行提取建模数据的非线性局部信息。选取一系列具有不同核参数的高斯核函数建立多个KLPP子模型，并计算各模型的统计量及其控制限。对于新来的时刻样本进行预处理后，运用KLPP方法对其进行核变换，将变换后的矩阵投影到各子模型上，利用Bayesian决策将各检测结果转化成发生故障的概率形式，通过集成学习法将各检测结果进行组合，根据集成统计量是否超过建模的控制限来判断该时刻的数据是否正常。软件系统：为了能够实现故障检测，本专利技术采用MathWorks公司的MALTAB软件编程开发，对工业过程中采集到的连续过程数据进行检测，当待测数据的统计量超过控制限时，则该时刻数据是故障的，即系统出现故障，需要工作人员及时查明情况，排除险情。本专利技术由以下两部分组成：正常状态模型和故障检测模型。对工业过程中的正常历史数据，通过KLPP提取原始数据的非线性局部信息。选取一系列具有不同核参数的高斯核函数进行核变换，利用变换后的数据代替原始建模数据，运用KLPP方法建立多个子模型，利用核密度估计确定每个子模型两个统计量的控制限。对于新来时刻数据，在进行预处理后，先利用KLPP提取非线性局部信息得到核变换矩阵，将核变换矩阵投影到各子模型上得到统计量检测结果，利用Bayesian决策将各检测结果转化成发生故障的概率形式，通过集成学习法将各检测结果进行组合，并将其与控制限α进行比较，根据集成统计量是否超过控制限来判断该时刻数据是否正常。如果集成统计量超过控制限，则该时刻数据是故障的；否则是正常的，实现了基于集成核局部保持投影的连续过程故障检测。本专利技术利用核局部保持投影提取非线性数据的局部信息，最大化的利用数据的有效信息。与此同时，解决了传统KLPP方法在处理不同故障时的核参数选择问题，提高了非线性过程故障检测的精确度。本文档来自技高网...

【技术保护点】
基于集成核局部保持投影的连续过程故障检测方法，其特征在于，所述方法包括以下过程：将在生产过程中采集到的正常数据作为建模数据的训练集，对训练数据进行标准化处理，利用KLPP方法提取建模数据的非线性局部信息；选取一系列具有不同核参数的高斯核函数，运用KLPP方法建立多个子模型，并计算各模型的统计量以及统计量的控制限；对新来的时刻样本进行预处理后，运用KLPP方法将其转换成核矩阵代替待检测数据，并投影到各个子模型上，利用Bayesian决策将各检测结果转化成发生故障的概率形式，通过集成学习法将各检测结果进行组合，并将其与控制限α进行比较，根据集成统计量是否超过控制限来判断该时刻数据是否正常；如果集成统计量超过控制限，则该时刻数据是故障的；否则是正常的；如果测试表明系统出现故障，则需要工作人员及时查明情况，排除险情。

【技术特征摘要】
1.基于集成核局部保持投影的连续过程故障检测方法，其特征在于，所述方法包括以下过程：将在生产过程中采集到的正常数据作为建模数据的训练集，对训练数据进行标准化处理，利用KLPP方法提取建模数据的非线性局部信息；选取一系列具有不同核参数的高斯核函数，运用KLPP方法建立多个子模型，并计算各模型的统计量以及统计量的控制限；对新来的时刻样本进行预处理后，运用KLPP方法将其转换成核矩阵代替待检测数据，并投影到各个子模型上，利用Bayesian决策将各检测结果转化成发生故障的概率形式，通过集成学习法将各检测结果进行组合，并将其与控制限α进行比较，根据集成统计量是否超过控制限来判断该时刻数据是否正常；如果集成统计量超过控制限，则该时刻数据是故障的；否则...

【专利技术属性】
技术研发人员：郭金玉，王鑫，李元，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：辽宁;21