The invention discloses a multi-modal process monitoring method based on local and structural consistent manifold GMM. The multi-modal data is divided into several local data blocks by using GMM, the local tangent space of the local data blocks is analyzed, the protagonists between the local tangent spaces are calculated, the similarity relationship between the local data blocks is studied, the local and structural consistent manifold atlas is constructed, and the sub-flows are corresponded according to different modes. The structural relationship of the manifold is used to obtain the modal changes in the process, and the consistent manifold smoothing monitoring statistics are designed to implement fault detection. Compared with the general manifold GMM monitoring method, according to the data blocks corresponding to different Gauss components, the method obtains the similarity of local tangent space, integrates local and structural consistency information, constructs the graph of manifold learning, analyses the relationship among multiple submanifolds, avoids the wrong partition of overlapping data blocks, and accurately describes the multi-modal process data in low-dimensional embedded space. Geometric structure, the implementation of accurate fault detection, to achieve better monitoring results.
【技术实现步骤摘要】
基于局部和结构一致性流形GMM的多模态过程监测方法
本专利技术属于工业过程监控领域,尤其涉及一种基于局部和结构一致性流形GMM的多模态过程监测方法。
技术介绍
现代工业的过程监测对保障生产安全、提高产量等具有举足轻重的作用。随着分布式控制系统的发展,生产规模和操作复杂度急剧增加,过程采集了大量的高维数据。而且,由于生产的产品等级、产量会随市场需求及季节效应不断调整,产品成分、过程设定值、进料比例等工艺参数也会出现波动,现代的工业过程会在多个不同的操作模态之间进行切换。这些生产过程中的随机变化使得过程数据呈现非线性、多模态等特点。尽管基于数据驱动的多元统计过程控制(MultivariateStatisticalProcessControl,MSPC)方法在过程监测中取得了成功的应用,但是多模非线性数据的均值和协方差均发生了重大的变化,传统的MSPC方法忽视了不同过程变量之间存在的非线性和多模关系,可能导致监测结果的退化。而且,在实际生产过程中,产量和产品质量通常难以直接在线测量,需要在生产完成后进行测量。因此,构建产品变量和质量变量之间的关系模型对于质量相关的多模过程监测尤其重要。高斯混合模型(GaussianMixtureModel,GMM)被用于多模态过程监测,利用一系列高斯成分估计多模态过程中复杂的数据分布,并构建基于马氏距离和似然概率的统计指标实施过程监测。然而,GMM假设多模态过程的每个单模态处于明显不同的空间区域,确保所构建的监测模型精确。然而,实际的多模态过程数据会出现彼此交叉重叠,在低维的子流形分布时,这些子流形可能远离,也可能交叉重叠。GM ...
【技术保护点】
1.基于局部和结构一致性流形GMM的多模态过程监测方法,其特征在于,具体包括以下步骤:步骤A、根据高维多模态过程数据,构建GMM模型,确定GMM模型参数,获取多模态过程的高斯成分;;步骤B、根据GMM模型确定的高斯成分,构建局部和结构一致性流形的图谱;针对高维多模态过程,将流形结构的局部信息和整体结构信息融合,构建多模态过程的局部和结构一致性流形的图谱;步骤C、根据局部和结构一致性信息,构建低维流形平滑保持的嵌入空间;步骤D、设计监测统计量PT,对多模态过程样本实施故障检测。
【技术特征摘要】
1.基于局部和结构一致性流形GMM的多模态过程监测方法,其特征在于,具体包括以下步骤:步骤A、根据高维多模态过程数据,构建GMM模型,确定GMM模型参数,获取多模态过程的高斯成分;;步骤B、根据GMM模型确定的高斯成分,构建局部和结构一致性流形的图谱;针对高维多模态过程,将流形结构的局部信息和整体结构信息融合,构建多模态过程的局部和结构一致性流形的图谱;步骤C、根据局部和结构一致性信息,构建低维流形平滑保持的嵌入空间;步骤D、设计监测统计量PT,对多模态过程样本实施故障检测。2.根据权利要求1所述的基于局部和结构一致性流形GMM的多模态过程监测方法,其特征在于,所述步骤A具体如下:给定来自高维多模态过程的m维样本x∈Rm,总样本数为N,高斯成分总数为K,GMM的联合似然函数表示为:式中,参数Θ={ω1,...,ωK,θ1,...,θK},p(xj|θi)是是第i个高斯成分的密度概率,θi={μi,Σi}是高斯成分i的参数,μi是均值向量,Σi是协方差矩阵,利用期望值最大方法估计GMM的参数,在每次迭代中更新参数:式中,p(ck|xj)表示样本xj属于第k个高斯成分的后验概率。3.根据权利要求1所述的基于局部和结构一致性流形GMM的多模态过程监测方法,其特征在于,所述步骤B的子过程如下:步骤3.1,分析两个不同流形上样本之间的近似关系,求解两个对应局部切空间的主角:根据不同高斯成分的协方差矩阵,求解出对应的特征向量,并张成局部切空间;假设第k个高斯成分的协方差矩阵Σk,利用奇异值分解方法,获取前d个最大特征值对应的特征向量u1,…,ud,构成特征向量矩阵Uk,并张成局部切空间Γk;第b个高斯成分的协方差矩阵Σb,利用奇异值分解方法,获取前d个最大特征值对应的特征向量v1,…,vd,构成特征向量矩阵Vb,并张成局部切空间Γb;两个局部切空间Γk和Γb内第l对特...
【专利技术属性】
技术研发人员:卢春红,王杰华,商亮亮,文万志,
申请(专利权)人:南通大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。