基于大数据智能核独立元分析的过程故障识别方法技术

本发明专利技术提供一种基于大数据智能核独立元分析的过程故障识别方法，涉及流程工业故障诊断技术领域。该方法通过样本数据构建半监督核独立元分析算法，获得样本数据的空间转换矩阵和状态投影矩阵，再构建各个运行状态类别的生产运行状态库；对新采集的数据进行预处理后，通过获得的空间转换矩阵和状态投影矩阵进行初步故障诊断，获得的各个投影方向的置信区间求得实时工况数据的得分因子，计算FICD统计量，进行精准的故障识别。本发明专利技术将基于类别成员资格的半监督分类学习方法和核独立元分析相结合，根据状态投影矩阵和构建相应的统计量对工业过程的运行状态进行故障诊断和精准的故障识别，能有效地提升识别电熔镁炉熔炼运行状态的识别度和准确性。

Process fault identification method based on big data intelligent kernel independent component analysis

The invention provides a process fault recognition method based on big data intelligent kernel independent component analysis, which relates to the technical field of fault diagnosis in the process industry. This method constructs the semi supervised kernel independent meta analysis algorithm through the sample data, obtains the space conversion matrix and the state projection matrix of the sample data, and then constructs the production running state library of various running state categories. After the new collection of data is preprocessed, the initial space conversion matrix and the state projection matrix are obtained. The confidence interval of each projection direction is obtained by step fault diagnosis, and the score factor of the real-time working condition data is obtained, and the FICD statistics are calculated, and the accurate fault identification is carried out. The invention combines the semi supervised classification learning method based on the category membership and the nuclear independent element analysis. The fault diagnosis and accurate fault identification of the industrial process are diagnosed according to the state projection matrix and the corresponding statistics, which can effectively improve the recognition and accuracy of the running state of the melting magnesium smelting furnace. It is true.

【技术实现步骤摘要】
基于大数据智能核独立元分析的过程故障识别方法
本专利技术涉及流程工业故障诊断
，尤其涉及一种基于大数据智能核独立元分析的过程故障识别方法。
技术介绍
传统的数据集往往有物理化学等过程变量组成。基于向量的过程监测方法在多元统计方法运用的推动下蓬勃发展。然而，在监控设备大量使用后，图像和视频等维度高、数据量丰富、动态性能明显的异构矩阵数据出现使得故障诊断领域在新的应用前景中遇到了挑战。特征提取和特征选择对上述问题有巨大的帮助，然而，过于丰富且海量的数据源很难标记出每一个数据的状态信息。因此，故障诊断的建模过程面临巨大的困难。众所周知，对于所采集的数据集进行全部的标签处理将浪费大量的人力物力，同时，对于数据量巨大的现代过程工业实时地进行标签标记也是难以实现的。那么对于一个只含有少量标记数据的数据集，仅仅利用标签数据进行建模是难以准确进行分类的同时也是难以令人信服的。此外，对于处于各类重叠区域的样本数据有时候仅仅利用单一的分类假设或是狭义的分类思想往往会对数据产生错分类信息。经典的多分类问题常常会根据标记样本的分布信息然后依据一定的聚类假设对参与训练的未标记样本给出一个清晰的标签。这对于医学病例分析或是故障检测和诊断领域来说，对存在于分类边界处的未标记样本点给出清晰的标签基本上是一种武断的行为，甚至影响到对期待结果的判断，因为存在于分类边界处的未标记样本点往往是由故障点和临界稳定点组成的。传统的主元分析(principlecomponentanalysis，PCA)、偏最小二乘方法(partialleastsquare，PLS)和独立元分析(independentcomponentanalysis，ICA)等过程监测方法依靠物理化学变量建模且取得了极其理想的效果。线性判别分析(lineardiscriminantanalysis，LDA)等多元统计方法也仅仅能够处理常规的过程变量。对于构建的具有异构数据特征的大数据池，原始的过程监测方法往往很难直接移植用于故障诊断。上述的海量数据难以全部或是大范围的标记以及数据的异构特点是传统监测方法移植应用的难题。ICA方法在应用于传统的故障诊断时表现出了优越的性能，同时其充分考虑数据的高阶信息使得独立的潜空间对数据的特征信息更加敏感。ICA方法在图像处理方面也有良好的性能，其通过分析高阶统计信息充分应用图像数据的边缘分布特征。由于流程工业往往是复杂多变的，数据常常具有非线性的特征，所以利用核独立元分析(kernelICA，KICA)方法处理物理变量和图像视频数据在一起的大数据将会获得良好的检测和诊断性能。原始的KICA方法对处理传统过程变量和提取图像数据的边缘分布特征时都很敏感，但是应用已知状态比例较低的大数据建模的准确度大大降低。电熔镁炉是一种埋弧炉，通过悬于其上方的电极传输大电流产生高温电弧，在菱镁矿粉层的下方形成超高温熔池，从而实现氧化镁的制取。整个炉体通过炉壳内耐高温绝缘材料，使炉体内部形成一个几乎封闭的熔炼空间，使得碳酸镁分解成氧化镁和二氧化碳。在熔炼的过程中往往由于电流大小的不平衡或是电极位置的微小偏离，都会使得产生的二氧化碳气体排放异常产生喷炉故障；由于电极的提升位置异常或是电流过大使得漏炉故障发生。因此，为了在实际生产中及时地规避故障的发生，进行实时有效的故障诊断，准确地识别出故障，降低生产中的安全隐患是必要的。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于大数据智能核独立元分析的过程故障识别方法，将基于类别成员资格的半监督分类学习方法和核独立元分析(即kernelICA，简称KICA)方法相结合，提出基于大数据智能核独立元分析方法，即半监督KICA(即Semi-supervisedKICA，简称SSKICA)方法，应用于电熔镁炉熔炼过程故障识别，以实现准确识别电熔镁炉熔炼过程的运行状态，对喷炉故障和漏炉故障降低误报警率和漏报警率的目的。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于大数据智能核独立元分析的过程故障识别方法，包括以下步骤：步骤1：采集电熔镁炉炉内熔炼物料表层视频图像和熔炼过程的物理变量，物理变量包括电压、电流和炉壳温度，并对其中明显且已知的运行状态进行标记；步骤2：对电熔镁炉炉内熔炼物料表层视频图像进行特征提取，同时与物理变量的过程数据放在同一个数据集中作为样本数据；步骤3：对特征提取后得到的样本数据进行数据预处理，包括标准化处理和白化处理，得到处理后的样本数据Z；步骤4：构建半监督核独立元分析算法，获得样本数据的空间转换矩阵和状态投影矩阵，具体步骤如下：步骤4-1：在核独立元分析算法中引入基于类别成员资格的半监督分类方法，构建出半监督核独立元分析算法的目标函数，具体公式如下：BTB＝I其中，zi表示第i个白化样本，表示第i个白化样本的局部权值归一化重构，所述局部权值归一化重构简称LWMR；rk表示第k类的标签编码；vk(BTzi)表示第i个白化样本属于第k类的类别成员函数，B表示空间转换矩阵；f(BTzi)表示第i个白化样本的类别决策函数，表示第i个重构样本的类别决策函数；λ和λs均为正则化系数；E{·}为期望；表示第p个独立元信号的概率密度；bp表示空间转换矩阵的第p个列向量，也表示用于求解独立元信号的第p个解混向量；detB表示空间转换矩阵B的行列式值，表示类别决策函数的希尔伯特范数，C和n分别表示类别总数和样本总数；d表示空间转换矩阵B中解混向量的个数，也表示空间转换后独立元样本中独立元变量的个数；步骤4-2：根据循环迭代的思想对类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α进行求解，具体方法为：步骤4-2-1：对于固定的类别成员函数vk(BTzi)和空间转换矩阵B，优化求解获得状态投影矩阵α；步骤4-2-2：当类别决策函数f(BTzi)和空间转换矩阵B为定值时，类别成员函数vk(BTzi)变化的情况下，优化求解获得类别成员函数vk(BTzi)；步骤4-2-3：对于优化求解空间转换矩阵B，固定f(BTzi)和vk(BTzi)本次迭代获得的封闭解，然后利用自然梯度下降法优化求取空间转换矩阵B，用于构建潜在的独立元子空间；步骤4-2-4：判断目标函数|M(t)-M(t-1)|是否趋近于0，若是，则空间转换矩阵B和状态投影矩阵α求解完毕；否则，利用当前的类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α返回执行步骤4-2-1；步骤4-3：根据白化处理后的样本数据Z和求得的空间转换矩阵B，获得样本数据非线性独立元估计信号S，S＝BTZ；步骤5：将历史数据的估计信号S向状态投影空间的各个投影方向投影，根据用户所设定的置信度τ，获得建模样本在各个投影方向上的从属区间，进而构建各个运行状态类别的生产运行状态库；步骤6：实时采集电熔镁炉炉内熔炼物料表层视频图像和物理变量过程数据，得到新的测试样本数据x0new，根据步骤2和步骤3的方法对新采集的样本数据进行预处理，得到新的白化样本数据znew；步骤7：根据步骤6中处理后的数据，再通过步骤4-2-4求得的空间转换矩阵B和状态投影矩阵α进行初步的故障诊断；根据步骤5获得的各个投影方向的置信区间求得实时工况数据的得分因子sf；依据实本文档来自技高网...

【技术保护点】
1.一种基于大数据智能核独立元分析的过程故障识别方法，其特征在于：包括以下步骤：步骤1：采集电熔镁炉炉内熔炼物料表层视频图像和熔炼过程的物理变量，物理变量包括电压、电流和炉壳温度，并对其中明显且已知的运行状态进行标记；步骤2：对电熔镁炉炉内熔炼物料表层视频图像进行特征提取，同时与物理变量的过程数据放在同一个数据集中作为样本数据；步骤3：对特征提取后得到的样本数据进行数据预处理，包括标准化处理和白化处理，得到处理后的样本数据Z；步骤4：构建半监督核独立元分析算法，获得样本数据的空间转换矩阵和状态投影矩阵，具体步骤如下：步骤4‑1：在核独立元分析算法中引入基于类别成员资格的半监督分类方法，构建出半监督核独立元分析算法的目标函数，具体公式如下：

【技术特征摘要】
1.一种基于大数据智能核独立元分析的过程故障识别方法，其特征在于：包括以下步骤：步骤1：采集电熔镁炉炉内熔炼物料表层视频图像和熔炼过程的物理变量，物理变量包括电压、电流和炉壳温度，并对其中明显且已知的运行状态进行标记；步骤2：对电熔镁炉炉内熔炼物料表层视频图像进行特征提取，同时与物理变量的过程数据放在同一个数据集中作为样本数据；步骤3：对特征提取后得到的样本数据进行数据预处理，包括标准化处理和白化处理，得到处理后的样本数据Z；步骤4：构建半监督核独立元分析算法，获得样本数据的空间转换矩阵和状态投影矩阵，具体步骤如下：步骤4-1：在核独立元分析算法中引入基于类别成员资格的半监督分类方法，构建出半监督核独立元分析算法的目标函数，具体公式如下：其中，zi表示第i个白化样本，表示第i个白化样本的局部权值归一化重构，所述局部权值归一化重构简称LWMR；rk表示第k类的标签编码；vk(BTzi)表示第i个白化样本属于第k类的类别成员函数，B表示空间转换矩阵；f(BTzi)表示第i个白化样本的类别决策函数，表示第i个重构样本的类别决策函数；λ和λs均为正则化系数；E{·}为期望；表示第p个独立元信号的概率密度；bp表示空间转换矩阵的第p个列向量，也表示用于求解独立元信号的第p个解混向量；detB表示空间转换矩阵B的行列式值，表示类别决策函数的希尔伯特范数，C和n分别表示类别总数和样本总数；d表示空间转换矩阵B中解混向量的个数，也表示空间转换后独立元样本中独立元变量的个数；步骤4-2：根据循环迭代的思想对类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α进行求解，具体方法为：步骤4-2-1：对于固定的类别成员函数vk(BTzi)和空间转换矩阵B，优化求解获得状态投影矩阵α；步骤4-2-2：当类别决策函数f(BTzi)和空间转换矩阵B为定值时，类别成员函数vk(BTzi)变化的情况下，优化求解获得类别成员函数vk(BTzi)；步骤4-2-3：对于优化求解空间转换矩阵B，固定f(BTzi)和vk(BTzi)本次迭代获得的封闭解，然后利用自然梯度下降法优化求取空间转换矩阵B，用于构建潜在的独立元子空间；步骤4-2-4：判断目标函数|M(t)-M(t-1)|是否趋近于0，若是，则空间转换矩阵B和状态投影矩阵α求解完毕；否则，利用当前的类别成员函数vk(BTzi)、空间转换矩阵B和状态投影矩阵α返回执行步骤4-2-1；步骤4-3：根据白化处理后的样本数据Z和求得的空间转换矩阵B，获得样本数据非线性独立元估计信号S，S＝BTZ；步骤5：将历史数据的估计信号S向状态投影空间的各个投影方向投影，根据用户所设定的置信度τ，获得建模样本在各个投影方向上的从属区间，进而构建各个运行状态类别的生产运行状态库；步骤6：实时采集电熔镁炉炉内熔炼物料表层视频图像和物理变量过程数据，得到新的测试样本数据x0new，根据步骤2和步骤3的方法对新采集的样本数据进行预处理，得到新的白化样本数据znew；步骤7：根据步骤6中处理后的数据，再通过步骤4-2-4求得的空间转换矩阵B和状态投影矩阵α进行初步的故障诊断；根据步骤5获得的各个投影方向的置信区间求得实时工况数据的得分因子sf；依据实时工况数据在各个投影方向的得分因子，计算故障识别置信度(即faultidentificationconfidencedegree，简称FICD)统计量，然后根据获得实时工况数据的FICD统计量进行精准的故障识别；步骤8：判断实时工况数据的状态决策函数f(BTznew)的概率值，同时判断FICD统计量的数值，若状态决策函数的概率值低于0.9或者正常类别的FICD为0，则报警，否则，返回执行步骤6。2.根据权利要求1...

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