基于相似性局部样条回归的工业过程故障诊断方法技术

本发明专利技术提供一种基于相似性局部样条回归的工业过程故障诊断方法，涉及故障监测与诊断技术领域。该方法通过采集工业过程数据，并进行部分标记和标准化处理，利用LSR方法求得预测标签，采用相似性分析方法对预测标签进行处理，对故障识别模糊的点进行标签修正，然后基于样条函数构建在线诊断模型，并采用岭回归的方法求得系数矩阵，在工业生产过程中采集新数据，通过在线诊断模型和系数矩阵求出其相应的标签，进行故障诊断。本发明专利技术解决工业生产过程中包含有大量的物理化学变量和图像声音视频等多源异构大数据的故障诊断问题，无需对所有工业生产数据进行故障识别，节约大量时间与人力，能大大降低误报警，提高故障检测的准确性和灵敏度。

An industrial process fault diagnosis method based on similarity local spline regression

【技术实现步骤摘要】
基于相似性局部样条回归的工业过程故障诊断方法
本专利技术涉及故障监测与诊断
，尤其涉及一种基于相似性局部样条回归的工业过程故障诊断方法。
技术介绍
在工业生产过程中，对工业系统的故障检测是比较关键的步骤，因为它直接关系到生产能否正常运行和生产产品的质量。过程监控的目的是监视系统运行状态。检测工业生产过程中是否发生故障，并对故障系统的异常变化幅度进行定量分析，判断故障类型、发生时间、变化幅度和影响程度，必要时，提出相应的维护与改进措施，就会大大减少企业生产过程的危险性，提高生产安全性和保障性。因此，适用于工业过程工况监控的过程监测方法得到了广泛的关注和迅速的发展。传统的故障诊断方法仅仅是对工业过程物理化学变量等监测数据的统计分析，不足以支撑全流程复杂工况下生产流程的异常工况诊断。为了解决这个问题，大量监测手段被应用于生产流程中，获得了反映生产流程的异构、动态、多源的大数据。通过工业大数据的协同建模来提高异常工况诊断的准确率和灵敏度。因此，适用于工业大数据的故障诊断方法正逐步兴起。工业大数据通常包括大量的物理化学变量和图像声音视频数据，数据的个数和维数都很大。在训练过程中，应用传统本文档来自技高网...

【技术保护点】
一种基于相似性局部样条回归的工业过程故障诊断方法，其特征在于：包括以下步骤：步骤1：采集工业过程数据，建立测量数据集X∈R

【技术特征摘要】
1.一种基于相似性局部样条回归的工业过程故障诊断方法，其特征在于：包括以下步骤：步骤1：采集工业过程数据，建立测量数据集X∈Rn×m，X＝{x1，x2，…，xn}，数据集中包含n个采样样本，每个采样样本包含m个变量，即xi＝[x1，x2，…，xm]T∈Rm×1，i＝1，2，…，n；根据有无故障及故障的具体类型将数据分为c类，并对其中l个采样样本进行类型标记，打上相应的标签，标为正常数据或故障数据，其中故障数据标记出具体的故障类型；然后对采集的所有数据进行标准化处理；步骤2：用标准化后的n个采样样本，利用LSR方法求得初步的预测标签F，如式(13)所示；F＝(M+γD)-1γDY(13)其中，F＝(F1，F2，…Fn)T∈Rn×c，每一个样本xi对应的标签Fi是一个c维行向量，向量的每一列对应一种具体的生产工况，向量Fi的每个元素值Fij的大小代表xi属于第j列所对应的工况类型的概率，元素值最大的一列所对应的工况类型即为xi对应的工况类型；M是一个全局的拉普拉斯矩阵；γ是正定系数；Y＝(Y1，Y2，…，Yn)T∈Rn×c是标记矩阵，其中的元素为j＝1，2，…，c；c是工况类型的总个数；D∈Rn×n是一个对角矩阵，其对角线上对应于已标记样本的元素为1，其余元素均为0；步骤3：针对步骤2得到的预测标签F，找到其中所属类型模糊的样本数据构成相似性分析数据集{x1′，x2′，…，xn′}，对该数据集中的样本数据应用相似性分析方法对xi′与其他故障类型已知的样本进行相似性分析，通过式(17)所示的目标函数对样本数据xi′对应的预测标签Fi′进行进一步分析修正；其中，ht(xi′)是相应的相似性处理函数，H(xi′)是对所有ht(xi′)的输出进行的整合，最后根据H(xi′)的输出对Fi′进行修正，得到修正后的标签矩阵F*＝(F′1，F′2，…F′n)T∈Rn×c；步骤4：基于样条函数构建一个在线诊断模型g(xi)，如式(18)所示，其中，βq、αj为g(xi)的模型参数；pq(xi)由一系列阶数小于s的基多项式组合而成，s是一个定值；φj(xi)是格林函数；采用岭回归的方法，求出g(xi)对应的系数矩阵T*，如式(24)所示；T*＝(UTU+θI)-1UTF(24)其中U＝[u1T，u2T，…unT]T∈Rn×(d+c)，ui＝[1，x1，x2，…，xm，φ1(xi)，φ2(xi)，…φc(xi)]∈R1×(d+c)；θ是平衡系数，I是(d+c)×(d+c)阶的单位矩阵；步骤5：在工业生产过程中，每次获得一个新的检测数据xnew时，首先根据步骤4建立的在线诊断模型g(xi)求出对应的pq(xnew)φj(xnew)，求得对应的unew＝[p1(xnew)，…，pq(xnew)，φ1(xnew)，…，φj(xnew)]，根据对应的系数矩阵T*，利用式Fnew＝unewT*求得对应的标签Fnew，进行在线故障诊断。2.根据权利要求1所述的基于相似性局部样条回归的工业过程故障诊断方法，其特征在于：所述步骤2中，利用LSR方法求得预测标签F的具体方法如下：步骤2.1：在二分类情况下，即c＝2，样本的标记为fi＝{+1，-1}；任取一个样本xi＝[x1，x2，…xm]T∈Rm及其k个近邻点其中第一个近邻点就是xi；对于每一个Ci，构建一个对应的局部样条函数gi(x)，使得函数的输出就是x的标签值，即任取x∈Ci，均有f(x)＝gi(x)；局部样条函数gi(x)的具体形式如下：其中，βiq、αiε为gi(x)的模型参数，s是一个定值，pq(x)由一组阶数小于s的基多项式组合而成，多项式的个数为φiε(x)是格林函数，当m为偶数时，格林函数φiε(x)如下式所示；当m为奇数时，格林函数φiε(x)如下式所示；步骤2.2：对于每一个局部样条函数gi(x)，构建损失函数，如下式所示，其中，fiε是对应的标签，S(gi)是惩罚项，λ是补...

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