一种核灵活流形嵌入电熔镁炉故障监测方法技术

本发明专利技术涉及一种核灵活流形嵌入电熔镁炉故障监测方法，步骤为：采集各类故障数据和正常数据；进行离线建模，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型；在线监测，利用KICA监控模型进行实时在线监测，采集过程数据；如果监测到故障，则通过KFME监控模型进行故障识别；如果识别出故障，则一次故障监测过程结束；如果没有识别出故障，则分析未诊断出的故障数据并进行标记，转至训练KFME故障诊断模型步骤。本发明专利技术方法利用少量的标记数据和大量未标记数据来实现对于过程监测模型的建立，模型更加准确，能很好的实现数据降维及保留原始数据信息，提高故障诊断模型的准确率和抗干扰能力，实现了对未知故障的监测。

Fault monitoring method for nuclear flexible manifold embedded electric melting magnesium furnace

The invention relates to a flexible nuclear manifold fused magnesium furnace fault monitoring method, which comprises the following steps: all kinds of fault data acquisition and data; off-line modeling, according to the collected data acquisition KICA monitoring model, KFME training model of fault diagnosis; on-line monitoring, real-time online monitoring using KICA monitoring model, the process of data acquisition; if the fault monitoring, fault identification by KFME monitoring model; if the fault is a fault monitoring process, if there is no end; identify the fault analysis, without a diagnosis of fault data and mark, to the training model for KFME fault diagnosis steps. A small amount of labeled data and unlabeled data to realize the process of establishing the monitoring model with the method of the invention, the model is more accurate, can achieve a good data reduction and keep the original data information, to improve the accuracy of fault diagnosis model and anti-interference ability, realizes the monitoring of the unknown fault.

【技术实现步骤摘要】
一种核灵活流形嵌入电熔镁炉故障监测方法
本专利技术涉及一种电熔镁炉故障监测与诊断技术，具体地说是一种核灵活流形嵌入电熔镁炉故障监测方法。
技术介绍
在我国，氧化镁的生产过程自动化程度差，生产过程复杂，生产过程中具有非线性、非高斯、强耦合等特性，容易发生故障，从而造成巨大的经济损失，急需一种有效的过程监测方法对生产状况进行预测，减少故障发生率，降低经济损失。近几年来，随着计算机和自动化的发展，生产过程中的数据能够得以保存，且生产的安全性也越来越受到重视。利用大量历史数据的一类基于数据驱动的过程监控方法得到了广泛的关注，并且成为了过程监控领域中的一个研究热点。在生产过程中，经验丰富的工人能够保证生产安全进行且获得高质量的产品，然而，这样的生产效果，一般的工人却很难实现，由此如何利用老工人的经验知识来实现工业生产监控，成为了重要的研究方向。近年来，大量高维的数据已能够通过可靠的数据采集系统所获得，然而在利用数据实现故障检测时，数据多且维数大成为了影响过程监测效果的重要因素，因此在利用数据进行过程监控时，约简数据维数成为了一个很重要的问题，其直接影响着实际过程监控的效果。在过去几年里，很多过程监控算法被提出，而这些算法都没有充分利用老工人的经验知识来实现实际工业的过程监控。
技术实现思路
针对现有技术中氧化镁的生产过程监控算法没有充分利用老工人的经验知识等不足，本专利技术要解决的问题是提供一种结合了老工人的经验知识、利用少量的标记数据和大量未标记数据来实现对于过程监测模型建立的核灵活流形嵌入电熔镁炉故障监测方法。为解决上述技术问题，本专利技术采用的技术方案是：本专利技术一种核灵活流形嵌入电熔镁炉故障监测方法，包括以下步骤：采集各类故障数据和正常数据；进行离线建模，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型；在线监测，利用KICA监控模型进行实时在线监测，采集过程数据；如果监测到故障，则通过KFME监控模型进行故障识别；如果识别出故障，则一次故障监测过程结束。如果没有识别出故障，则分析未诊断出的故障数据并进行标记，转至训练KFME故障诊断模型步骤。根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型包括以下步骤：1)对收集到的故障状态下的故障数据和正常状态下的正常数据进行中心化和标准化处理，得到原始数据；2)将上述原始数据映射到特征空间，将特征空间原始数据中的正常数据做为样本数据；3)利用样本数据通过核独立元方法的基本原理建立KICA模型；4)映射到特征空间的样本数据经过KICA模型处理后的数据作为KFME方法的建模数据；5)基于知识分析的核灵活流形嵌入算法的基本原理进行建模，得到KFME模型。根据核独立元方法的基本原理建立KICA模型步骤如下：31)对映射到特征空间的样本数据中正常数据进行中心化和标准化处理，得到标准化后的核矩阵32)在标准化后的核矩阵中计算特征值和特征向量，提取d个最大的特征值以及对应的特征向量，其提取的特征值的数目根据下述标准确定：其中λi为特征值，i为特征值编号；33)对于特征空间的正常数据，计算白化矩阵并将映射的数据进行白化，得到被白化的数据；34)根据负熵公式J(y)＝[E{G(y)}-E{G(v)}]2将被白化的数据进行处理,从而确定出过渡矩阵Cn，进一步确定非线性成分。根据基于知识分析的核灵活流形嵌入算法的基本原理进行建模步骤如下：51)根据特征向量y和训练数据Xw∈Rf×n，获得特征矩阵Y∈Rn×c；52)根据特征矩阵Y∈Rn×c构造近邻图并计算图拉普拉斯矩阵L＝D-S，其中，D为特征矩阵Y∈Rn×c的对角矩阵，S为特征矩阵Y∈Rn×c的对称矩阵，对角矩阵D的对角元素Dii为特征矩阵S中每列元素之和；53)使用非线性映射函数Φ(·)将训练数据投影到高维特征空间；54)根据高维特征空间中数据的特征，选择核函数；55)计算上述核函数的值；56)根据训练数据计算故障预测矩阵Fw，获得投影矩阵W和偏差项b；57)根据在线数据，计算故障检测矩阵Ft，得到在线监控矩阵Ft。对称矩阵S中元素Sii'采用如下方式计算：如果xi是xi'的m个近邻点，则Sii'＝exp(-||xi-xi'||2/t)，否则Sii'＝0，其中，t为经验值，xi'为历史数据，i'＝1，2，…，n。所述特征空间为4维及4维以上的高维特征空间。本专利技术具有以下有益效果及优点：1.本专利技术方法能够很好地利用少量的标记数据和大量未标记数据来实现对于过程监测模型的建立，这使得此模型更加准确，监控效果得以提高。2.本专利技术方法使用KICA处理后的数据来对KFME建模，不仅能够降低程序的运算成本而且能够提高KFME方法的故障诊断效果，能很好的实现数据降维及保留原始数据信息，提高故障诊断模型的准确率，实现有效的故障诊断，不仅高了算法的抗干扰能力，而且实现了对未知故障的监测。附图说明图1为本专利技术方法流程图；图2为本专利技术中涉及的电熔镁炉结构示意图；图3A为0.5％标记数据进行预测模型的建模的诊断结果图示；图3B为1％标记数据进行预测模型的建模的诊断结果图示；图3C为1.5％标记数据进行预测模型的建模的实验结果图示；图4A为0.5％数据进行预测模型的建模的诊断结果图示；图4B为1％标记数据进行预测模型的建模的诊断结果图示；图4C为1.5％标记数据进行预测模型的建模的实验结果图示；图5为应用本专利技术方法对连续出现故障1和故障2的诊断结果图。具体实施方式下面结合说明书附图对本专利技术作进一步阐述。如图1所示，本专利技术一种核灵活流形嵌入电熔镁炉故障监测方法，包括以下步骤：采集各类故障数据和正常数据；进行离线建模，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型；在线监测，利用KICA监控模型进行实时在线监测，采集过程数据；如果监测到故障，则通过KICA监控模型进行故障识别；如果识别出故障，则一次故障监测过程结束。如果没有识别出故障，则分析未诊断出的故障数据并进行标记，转至训练KFME故障诊断模型步骤。其中，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型包括以下步骤：1)对收集到的故障状态下的数据和正常状态下的数据进行中心化和标准化处理，得到原始数据；2)将上述原始数据映射到特征空间，将特征空间原始数据中的正常状态下的数据做为样本数据；3)利用样本数据通过核独立元方法的基本原理建立KICA模型；4)映射到特征空间的样本数据经过KICA模型处理后的数据作为KFME方法的建模数据；5)基于知识分析的核灵活流形嵌入算法的基本原理进行建模，得到KFME模型。步骤2)中，样本数据被表示为xk∈Rm,k＝1,…,n，通过使用非线性映射函数把数据映射到特征空间，计算核矩阵K∈Rn×n；步骤3)利用样本数据通过核独立元方法的基本原理建立KICA模型包括以下步骤：31)对映射到特征空间的样本数据中的正常状态下的数据进行中心化和标准化处理，得到标准化后的核矩阵32)在标准化后的核矩阵中计算特征值和特征向量，提取d个最大的特征值以及对应的特征向量，其提取的特征值的数目根据下述标准确定：其中λi为特征值，i为特征值编号；33)对于特征空间的正常状态下的数据，计算白化矩阵并将映射的数据进行白化，得到被白化的数据；34)根据负熵公式J本文档来自技高网...

【技术保护点】
一种核灵活流形嵌入电熔镁炉故障监测方法，其特征在于包括以下步骤：采集各类故障数据和正常数据；进行离线建模，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型；在线监测，利用KICA监控模型进行实时在线监测，采集过程数据；如果监测到故障，则通过KFME监控模型进行故障识别；如果识别出故障，则一次故障监测过程结束；如果没有识别出故障，则分析未诊断出的故障数据并进行标记，转至训练KFME故障诊断模型步骤。

【技术特征摘要】
1.一种核灵活流形嵌入电熔镁炉故障监测方法，其特征在于包括以下步骤：采集各类故障数据和正常数据；进行离线建模，根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型；在线监测，利用KICA监控模型进行实时在线监测，采集过程数据；如果监测到故障，则通过KFME监控模型进行故障识别；如果识别出故障，则一次故障监测过程结束；如果没有识别出故障，则分析未诊断出的故障数据并进行标记，转至训练KFME故障诊断模型步骤。2.按权利要求1所述的核灵活流形嵌入电熔镁炉故障监测方法，其特征在于根据采集到的数据获取KICA监控模型，训练KFME故障诊断模型包括以下步骤：1)对收集到的故障状态下的故障数据和正常状态下的正常数据进行中心化和标准化处理，得到原始数据；2)将上述原始数据映射到特征空间，将特征空间原始数据中的正常数据做为样本数据；3)利用样本数据通过核独立元方法的基本原理建立KICA模型；4)映射到特征空间的样本数据经过KICA模型处理后的数据作为KFME方法的建模数据；5)基于知识分析的核灵活流形嵌入算法的基本原理进行建模，得到KFME模型。3.按权利要求1所述的核灵活流形嵌入电熔镁炉故障监测方法，其特征在于：根据核独立元方法的基本原理建立KICA模型步骤如下：31)对映射到特征空间的样本数据中正常数据进行中心化和标准化处理，得到标准化后的核矩阵32)在标准化后的核矩阵中计算特征值和特征向量，提取d个最大的特征值以及对应的特征向量，其提取的特征值的数目根据下述标准确定：

【专利技术属性】
技术研发人员：张颖伟，杨旭，高陶，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21