一种多模态工业过程模态辨识与故障分类方法技术

本发明专利技术公开了一种多模态工业过程模态辨识与故障分类方法，包括：采集来自不同模态下的工业过程历史正常数据和故障数据；对不同的模态进行离线分类；采集待检测的工业过程数据；根据标准欧氏距离计算待检测样本的两个特征量：点的局部密度和到高局部密度点的最小距离；根据两个特征量的分布情况，在线判断待检测样本所属的模态；本发明专利技术通过采集来自不同模态下的故障历史数据；对不同的故障进行离线分类；采集待检测的故障样本；在线判断待检测样本的故障类型；可以在不需要先验知识的条件下，辨识出数据的模态和故障类型，并且在聚类时不需要指定聚类中心和聚类数目，大大降低了计算量。

【技术实现步骤摘要】
一种多模态工业过程模态辨识与故障分类方法
本专利技术属于多模态工业过程模态辨识与故障分类领域，更具体地，涉及一种多模态工业过程模态辨识与故障分类方法。
技术介绍
对于一个大型工业系统，由于生产策略和生产环境的改变，往往呈现出多模态、多故障的特点。对于不同的模态需要建立不同的模型，因此在建模之前对多模态工业过程进行模态辨识和故障分类具有重要的意义。目前使用最广泛的模态辨识和分类方法是基于数据驱动的方法。其主要方法有两种，一种是基于纯数学的聚类算法，一种是基于PCA(PrincipalComponentAnalysis)或PLS(PartialLeastSquare)模型之间的相似度进行模态辨识。传统的聚类算法主要是k-means聚类算法以及k-means的衍生算法。基于k-means的聚类方法是一种有监督的聚类算法，需要预设聚类数目并初始化聚类中心，而初始化的聚类中心是根据数据的均值计算的，所以k-means聚类对异常数据比较敏感，聚类结果往往不够精确。基于PCA或PLS模型之间的相似度进行模态辨识的方法，需要先对每一个样本建立模型，计算模型之间的相似度，再采用聚类算法聚类，然后将每一个簇的样本组合起来再建模，步骤繁杂，且依然需要聚类算法的介入。这两种方法都存在着一定的缺陷，需要人为设定聚类数目，计算繁杂，聚类结果不够精确。在实际的工业过程中，我们往往不能预先知道有几个模态在交替运行，并且当一个新的样本出现时，我们需要以较短的时间来判断它所属的运行状态，所以需要设计一个无监督的、时间复杂度较小的聚类算法。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种多模态工业过程模态辨识与故障分类方法，由此解决目前基于纯数学的聚类算法以及基于PCA或PLS模型之间的相似度进行模态辨识而存在的需要人为设定聚类数目，计算繁杂，聚类结果不够精确的技术问题。为实现上述目的，本专利技术提供了一种多模态工业过程模态辨识与故障分类方法，包括：(1)收集待检测样本数据作为待检测样本点，计算所述待检测样本点与历史训练样本集之间的标准欧氏距离；(2)基于所述待检测样本点与历史训练样本集之间的标准欧氏距离计算所述待检测样本点的局部密度和到高局部密度点的最小距离；(3)将所述待检测样本点的局部密度放到所述历史训练样本集的降序排列的局部密度集合中，重新进行降序排列得到新局部密度集合；(4)根据所述新局部密度集合，若所述待检测样本点到比所述待检测样本点的局部密度更高的目标历史样本点的最小距离等于所述待检测样本点到所述目标历史样本点的标准欧氏距离，则所述待检测样本点与所述目标历史样本点属于同一个类簇，然后由所属的类簇判断所述待检测样本点所属的模态和故障类型。优选地，在步骤(1)之前，所述方法还包括：(11)采集历史训练样本集，其中，所述历史训练样本集由来自不同模态的正常数据和故障数据组成；(12)计算所述历史训练样本集中各历史样本点之间的标准欧氏距离；(13)根据所述历史训练样本集中各历史样本点之间的标准欧氏距离以及调节参数计算截断距离，并由所述截断距离得到所述历史训练样本集中每一个历史样本点的局部密度和到高局部密度点的最小距离，并将所述历史训练样本集的各局部密度按照降序排列；(14)选择历史样本点的局部密度和历史样本点到高局部密度点的最小距离都相对较大的点作为聚类中心；(15)对于不含所述聚类中心的剩余历史样本点，如果第一剩余历史样本点到比所述第一剩余历史样本点局部密度更高的第二剩余历史样本点的最小距离等于所述第一剩余历史样本点到所述第二剩余历史样本点的标准欧氏距离，则所述第一剩余历史样本点与所述第二剩余历史样本点属于同一类簇，以得到不同模态和不同故障的分类结果。优选地，步骤(12)包括：对所述历史训练样本集X∈RN×J中的每一行，由得到历史样本点i与历史样本点j之间的标准欧氏距离，其中，N为所述历史训练样本集中的样本总数，J为变量个数，sk是标准差，xik表示第i行第k列的样本数据，xjk表示第j行第k列的样本数据。优选地，步骤(13)包括：(13.1)将所述历史训练样本集中各历史样本点之间的标准欧氏距离dij(i＜j)按照降序排列成序列sda(d1,d2,...,dM)，其中，(13.2)由dc＝sda[round(N×(N-1)×p)]计算截断距离，其中，round表示四舍五入，p为调节参数；(13.3)确定目标截断距离dc'，以使每个历史样本点的邻居数为所有历史样本点的1％-2％；(13.4)根据所述目标截断距离dc'，由βi＝∑jχ(dij-dc')计算每一个历史样本点i的局部密度βi，并对各历史样本点的局部密度进行降序排列{β1,β2,...,βN}，其中，(13.5)由计算历史样本点i到比历史样本点i局部密度更高的点的最小距离。优选地，步骤(15)包括：对于不含聚类中心的任意剩余历史样本点k，若δk＝djk，则历史样本点k属于历史样本点j所属的类，其表示在比历史样本点k的局部密度δk更大的所有历史样本点中，历史样本点j与历史样本点k距离最近。优选地，步骤(4)包括：根据新局部密度集合(β1,β2,…,βi,βnew,βj，…,βN)，在比βnew更大的样本点(β1,β2,…,βi)中，找到δnew＝dmnew，则所述待检测样本点属于历史样本点m所属的类簇，其中，βnew表示所述待检测样本点的局部密度，δnew表示所述待检测样本点到高局部密度点的最小距离，dmnew表示所述待检测样本点与历史样本点m之间的标准欧式距离。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术可以有效地进行离线模态划分和故障划分，并在线检测出样本的模态和故障类型；(2)本专利技术中的方法是一种无监督的方法，不需要预先设定聚类个数，不需要初始化聚类中心；(3)本专利技术的方法计算量小，容易实现。附图说明图1是本专利技术提供的一种多模态工业过程模态辨识与故障分类方法的流程示意图；图2是本专利技术提供的另一种多模态工业过程模态辨识与故障分类方法的流程示意图；图3是TennesseeEastman过程的示意图；图4是TennesseeEastman过程的6种操作模式对应的模态；图5是用于离线模态划分的验证样本序列；图6(a)和图6(b)分别是本专利技术方法和k-means方法模态辨识的结果示意图；图7是用于离线故障分类的验证样本序列1；图8(a)和图8(b)分别是本专利技术方法和k-means方法对模态1的故障1分类的结果示意图；图9是用于离线故障分类的验证样本序列2；图10(a)和图10(b)分别是本专利技术方法和k-means方法对模态1的故障2分类的结果示意图；图11是用于离线故障分类的验证样本序列3；图12(a)和图12(b)分别是本专利技术方法和k-means方法对模态3的故障1分类的结果示意图；图13是用于在线模态辨识的验证样本序列；图14(a)和图14(b)分别是使用本专利技术方法对来自模态1和模态3的数据在线模态辨识结果示意图；图15是用于在线故障分类的验证样本序列；图16(a)和图16(b)分别是本专利技术方法与k-means的数据分配方法对模态1的故障1的结果示意图；图17(a)和图17(b)分别是本专利技术方法与k-means的本文档来自技高网...

【技术保护点】
1.一种多模态工业过程模态辨识与故障分类方法，其特征在于，包括：(1)收集待检测样本数据作为待检测样本点，计算所述待检测样本点与历史训练样本集之间的标准欧氏距离；(2)基于所述待检测样本点与历史训练样本集之间的标准欧氏距离计算所述待检测样本点的局部密度和到高局部密度点的最小距离；(3)将所述待检测样本点的局部密度放到所述历史训练样本集的降序排列的局部密度集合中，重新进行降序排列得到新局部密度集合；(4)根据所述新局部密度集合，若所述待检测样本点到比所述待检测样本点的局部密度更高的目标历史样本点的最小距离等于所述待检测样本点到所述目标历史样本点的标准欧氏距离，则所述待检测样本点与所述目标历史样本点属于同一个类簇，然后由所属的类簇判断所述待检测样本点所属的模态和故障类型。

【技术特征摘要】
1.一种多模态工业过程模态辨识与故障分类方法，其特征在于，包括：(1)收集待检测样本数据作为待检测样本点，计算所述待检测样本点与历史训练样本集之间的标准欧氏距离；(2)基于所述待检测样本点与历史训练样本集之间的标准欧氏距离计算所述待检测样本点的局部密度和到高局部密度点的最小距离；(3)将所述待检测样本点的局部密度放到所述历史训练样本集的降序排列的局部密度集合中，重新进行降序排列得到新局部密度集合；(4)根据所述新局部密度集合，若所述待检测样本点到比所述待检测样本点的局部密度更高的目标历史样本点的最小距离等于所述待检测样本点到所述目标历史样本点的标准欧氏距离，则所述待检测样本点与所述目标历史样本点属于同一个类簇，然后由所属的类簇判断所述待检测样本点所属的模态和故障类型。2.根据权利要求1所述的方法，其特征在于，在步骤(1)之前，所述方法还包括：(11)采集历史训练样本集，其中，所述历史训练样本集由来自不同模态的正常数据和故障数据组成；(12)计算所述历史训练样本集中各历史样本点之间的标准欧氏距离；(13)根据所述历史训练样本集中各历史样本点之间的标准欧氏距离以及调节参数计算截断距离，并由所述截断距离得到所述历史训练样本集中每一个历史样本点的局部密度和到高局部密度点的最小距离，并将所述历史训练样本集的各局部密度按照降序排列；(14)选择历史样本点的局部密度和历史样本点到高局部密度点的最小距离都相对较大的点作为聚类中心；(15)对于不含所述聚类中心的剩余历史样本点，如果第一剩余历史样本点到比所述第一剩余历史样本点局部密度更高的第二剩余历史样本点的最小距离等于所述第一剩余历史样本点到所述第二剩余历史样本点的标准欧氏距离，则所述第一剩余历史样本点与所述第二剩余历史样本点属于同一类簇，以得到不同模态和不同故障的分类结果。3.根据权利要求2所述的方法，其特征在于，步骤(1...

【专利技术属性】
技术研发人员：郑英，严浩兰，汪上晓，张洪，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42