一种基于权重近邻规则的工业过程监控方法技术

一种基于权重近邻规则的工业过程监控方法，涉及一种工业过程监控方法，所述采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常；该方法使用近邻距离作为权重的近邻规则技术对工业和制药生产过程进行监控和故障诊断，尤其适用于工业生产过程和制药生产过程的监控。

An Industrial Process Monitoring Method Based on Weighted Nearest Neighbor Rule

【技术实现步骤摘要】
一种基于权重近邻规则的工业过程监控方法
本专利技术涉及一种工业过程监控方法，特别是涉及一种基于权重近邻规则的工业过程监控方法。
技术介绍
现代工业中，产品生产广泛采用间歇生产过程。间歇生产过程具有批次不等长、多工序、分布非高斯等特点。为保证生产质量和提高生产效率，间歇过程的故障检测方法逐渐成为研究热点。多元统计控制通过主元分析(PrincipalComponentAnalysis,PCA)应用T2和SPE统计量进行故障检测，该方法在间歇过程中已经得到广泛应用[1-8]。同时PCA方法也是数据压缩和信息提取的有效工具[9],但其在具有多工序、分布非高斯、非线性、多模态等特点间歇生产过程中应用是相对困难的。针对非线性问题，出现了核主元分析方法(KernelPrincipalComponentAnalysis,kPCA)[10-11]。kPCA对多工况下的故障检测仍然存在困难。针对间歇过程的非线性和多工况等特征，He等提出了基于k近邻(kNearestNeighbor，kNN)的故障检测方法，并成功应用在半导体蚀刻工艺过程中[12]。kNN方法通过局部距离信息统计，能够有效降低非线性和多工况的影响，提高过程故障检测效率。但是该方法由于需要频繁计算高维样本间距离，增大了系统的计算负载和存储负担。随后，He等提出PCA和kNN相结合的故障检测方法（PC-kNN）[13]。PC-kNN方法能够有效降低距离计算的复杂度，提高系统监控的及时性。此外还有大量的有关kNN改进算法被用于故障监视。如将kNN与扩散映射相结合的故障监视[14]；基于在线升级主样本建模的批次过程kNN故障检测方法[15]；基于GMM的马氏距离kNN故障检测[16]等等。此类方法都没有考虑工况结构差异明显的问题。多工况间歇过程中，除工况中心不同外，其各工况结构特征相似时，PC-kNN能够给出较好的监控结果。但是针对工况方差差异明显时，PC-kNN的监控性能明显降低。方差差异制约系统控制限的确定，kNN的控制限往往被方差大的工况所决定。当故障点分布在方差小的工况附近，但已经偏离正常轨迹，此时kNN检测结果出现误报。针对多工况数据特征，本文提出一种基于PC-wkNN(principalcomponentandweightedkNearestNeighbor)故障检测方法。在主元空间以训练样本的第k近邻与其局部近邻平均距离倒数为权重，构建加权距离统计量D，根据t分布确定统计量D的控制限。加权距离D可以有效降低工况中心漂移和方差差异明显的影响，提高间歇过程故障检测效率。本文通过两个模拟实例及青霉素发酵仿真实验，将PC-wkNN与PCA、FD-kNN、PC-kNN方法作比较分析,进一步证明了本文方法的有效性。［1］WiseBM,GallagherNB,ButlerSW,etal.Acomparisonofprincipalcomponentanalysis,multiwayprincipalcomponentanalysis,trilineardecompositionandparallelfactoranalysisforfaultdetectioninasemiconductoretchprocess[J].JournalofChemometrics,1999,13(3-4):379-396［2］CherryGA,QinSJ.MultiblockPrincipalComponentAnalysisBasedonaCombinedIndexforSemiconductorFaultDetectionandDiagnosis[J].IEEETransactionsonSemiconductorManufacturing,2006,19(2):159-172.［3］GeZ,SongZ.SemiconductorManufacturingProcessMonitoringBasedonAdaptiveSubstatisticalPCA[J].IEEETransactionsonSemiconductorManufacturing,2010,23(1):99-108.［4］ChengZ,YuanL.Studyonthefault-detectionmethodinbatchprocessbasedonstatisticalpatternanalysis[J].ChineseJournalofScientificInstrument,2013,34(9):2103-2110［5］SangWC,LeeC,LeeJM,etal.FaultdetectionandidentificationofnonlinearprocessesbasedonkernelPCA[J].Chemometrics&IntelligentLaboratorySystems,2005,75(1):55-67.［6］GeZ,YangC,SongZ.ImprovedkernelPCA-basedmonitoringapproachfornonlinearprocesses[J].ChemicalEngineeringScience,2009,64(9):2245-2255.［7］GeZ,SongZ.MixtureBayesianregularizationmethodofPPCAformultimodeprocessmonitoring[J].AIChEJournal,2010,56(11):2838–2849.［8］ZhaoC,YaoY,GaoF,etal.Statisticalanalysisandonlinemonitoringformultimodeprocesseswithbetween-modetransitions[J].ChemicalEngineeringScience,2010,65(22):5961-5975.［9］FreemanJ.AUser’sGuidetoPrincipalComponents[M].Wiley-Interscience,2003:641-641.[10]AlcalaCF,QinSJ.Reconstruction-BasedContributionforProcessMonitoringwithKernelPrincipalComponentAnalysis[J].2010,49(17):7022-7027.[11]JiaM,ChuF,WangF,etal.On-linebatchprocessmonitoringusingbatchdynamickernelprincipalcomponentanalysis[J].Chemometrics&IntelligentLaboratorySystems,2010,101(2):110-122.［12］HeQP,WangJ.FaultDetectionUsingthek-NearestNeighborRuleforSemiconductorManufacturingProcesses[J].IEEETransactionsonSemiconductorManufacturing,本文档来自技高网...

【技术保护点】
1.一种基于权重近邻规则的工业过程监控方法，其特征在于，所述方法采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障；否则为正常；基于权重近邻规则的工业过程监控步骤：a离线建模1）使用PCA把训练数据

【技术特征摘要】
1.一种基于权重近邻规则的工业过程监控方法，其特征在于，所述方法采集正常生产的监控数据作为训练数据，对在训练数据集中，寻找每个样本的前k近邻样本，并计算其到k近邻样本的距离，以训练样本的第k近邻的局部近邻平均距离倒数为权重，构建加权距离D，最后计算每个样本到其k近邻样本的加权距离的平方和作为监控指标，通过训练样本的统计量使用核密度估计方法确定统计量的控制限；使用此监控指标对在线生产过程进行监控，当在线新样本的监控指标大于控制限，则其为故障...

【专利技术属性】
技术研发人员：冯立伟，谢彦红，李元，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：辽宁,21