一种基于序列相关局部保持投影算法的故障监测方法技术

本发明专利技术公开一种基于序列相关局部保持投影算法的故障监测方法，旨在推理出一种全新的数据特征挖掘算法，并基于此算法实施故障监测。具体来讲，本发明专利技术方法首先将时序相关性最大化与局部近邻结构保持最小化合并成一个目标函数；其次，在求解的过程进一步保证各投影变换向量之间的相互正交特性；最后，利用提取的潜在特征以及模型误差实施故障监测。与传统方法相比：本发明专利技术方法中涉及的序列相关局部保持投影算法是一种全新的特征提取算法，它在投影变换的过程中同时考虑了自相关性特征与局部近邻特征，并且保证了投影变换向量的正交特性，能够更全面地挖掘训练数据中潜藏的有用信息。因此，本发明专利技术方法是一种更为优选的故障监测方法。

【技术实现步骤摘要】
一种基于序列相关局部保持投影算法的故障监测方法
本专利技术涉及一种数据驱动的故障监测方法，尤其涉及一种基于序列相关局部保持投影算法的故障监测方法。
技术介绍
对工业过程对象的运行状态进行实时监测是保证生产安全运行与维持产品质量稳定性的直接保障，工业过程对象综合自动化体系的设计离不开故障监测系统。当前，工业发展已进入以“大数据”为代表的信息化建设阶段，利用采样数据来监测过程运行状态是否发生故障测，早已成为工业自动化领域的研究热门之一。通常来讲，数据驱动的故障监测方法的核心思想在于：如何对过程正常数据进行有效地挖掘以提取能反应过程运行状态的潜在有用信息。由于现代工业过程规模的复杂化趋势，挖掘采样数据的单一特征往往无法体现出的现代工业过程对象的复杂特性。可以说，如何全面挖掘出过程数据中潜藏的有用信息，并建立更适于监测现代工业过程对象的故障监测模型，一直以来都是该研究领域所面临的主要问题。在各式各样的特征提取算法中，提取训练数据的时序相关动态特征与近邻局部结构特征是较为常见的。其中，时序相关动态特征的提取一般是通过自回归模型或增广矩阵的思路来实本文档来自技高网...

【技术保护点】
1.一种基于序列相关局部保持投影算法的故障监测方法，其特征在于，包括以下步骤：/n首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；/n步骤(1)：在生产过程正常运行状态下，按照采样时间先后依次采集n个样本数据组成矩阵X∈R

【技术特征摘要】
1.一种基于序列相关局部保持投影算法的故障监测方法，其特征在于，包括以下步骤：
首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；
步骤(1)：在生产过程正常运行状态下，按照采样时间先后依次采集n个样本数据组成矩阵X∈Rn×m，并计算矩阵X中各行向量的均值向量μ与标准差向量δ，其中m为测量变量的总个数、R为实数集，Rn×m表示n×m维的实数矩阵；
步骤(2)：利用均值向量μ与标准差向量δ对矩阵X中各行向量实施标准化处理，从而得到矩阵其中为标准化处理后的数据向量，i＝1，2，…，n，上标号T表示矩阵或向量的转置；
步骤(3)：设置自相关阶数为d，按照如下所示公式①分别构造Future矩阵XF与Past矩阵XP：



步骤(4)：设置投影变换向量个数为A与近邻阶数为k，根据如下所示步骤(4.1)至步骤(4.5)求解得到A个投影变换向量p1，p2，…，pA后，即可建立模型：其中得分矩阵载荷矩阵P＝[p1，p2，…，pA]、误差矩阵
步骤(4.1)：根据如下所示公式②计算毗邻矩阵W中第i行第j列元素Wij：



上式中，i＝1，2，…，n、j＝1，2，…，n；
步骤(4.2)：计算矩阵L＝D-W，其中对角矩阵D∈Rn×n对角线上的元素为毗邻矩阵W中各列向量之和，并初始化a＝1与初始化βa为任意一个d×1维的实数向量；
步骤(4.3)：根据公式计算矩阵G后，判断是否满足条件：a＜2？若是，则求解特征值问题：最大特征值λ所对应的特征向量pa；若否，则求解特征值问题：最大特征值所对应的特征向量pa；其中，Im表示m×m维的单位矩阵、符号表示Kronecker乘法、A(a-1)＝[p1，p2，…，pa-1]、
步骤(4.4)：对pa实施归一化处理并求解特征值问题Hβa＝ηβa...

【专利技术属性】
技术研发人员：唐俊苗，童楚东，史旭华，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33