一种基于数据依赖核判别分析的工业过程可视化监控方法技术

本发明专利技术公开一种基于数据依赖核判别分析的聚乙烯过程可视化监控方法，该方法首先收集工业过程的正常工况数据与异常工况数据，建立类内紧密度与类间分离度，并基于t分布相似度与KL散度构建空间结构约束项，进而建立数据依赖核判别分析优化函数，然后利用内点法计算得到模型数值解，并利用狄洛尼三角剖分建立可视化过程监控模型。相比传统算法，本发明专利技术可以大大提高过程监控的准确率，并可为过程操作人员提供更为直观的系统运行状态与异常轨迹。提供更为直观的系统运行状态与异常轨迹。提供更为直观的系统运行状态与异常轨迹。

【技术实现步骤摘要】
一种基于数据依赖核判别分析的工业过程可视化监控方法


[0001]本专利技术属于工业过程控制领域，特别涉及一种基于数据依赖核判别分析的工业过程可视化监控方法。

技术介绍

[0002]过程监测是一类保障工业过程安全、提高产品质量、减少能耗污染的技术。由于分布式控制系统的大量应用，如今可以很轻易地收集大量的过程数据，数据驱动的过程监测技术由于其易于部署实现、良好的泛化能力以及依赖过程知识等特点，受到越来越广泛的关注。人类天生暴露于各种各样的视觉刺激中；相比于其他信息，视觉信息更加直观，内容更加丰富，操作人员更容易理解。因此，过程的可视化工作具有着迫切的现实需求，它不仅可以为过程操作者与科研人员提供更加清晰易懂的过程运行状态，而且更可以在异常发生时，准确而清晰地描绘异常运行轨迹，以方便过程操作人员做出正确的应对策略。本专利主要着眼于可视化过程监测问题。
[0003]传统的工业过程监测研究领域主要着眼于故障检测、故障诊断、故障隔离等。由于相应的技术限制，可视化过程监测极少被提及与关注。可视化过程监测技术不仅可以清晰地呈现过程运行状态，更可以帮助操本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据依赖核判别分析的工业过程可视化监控方法，其特征在于，该方法包括以下步骤：步骤一：收集工业过程的正常工况下的数据和多种异常工况下的数据，得到建模用的训练样本集其中x
i
∈R
P
，P为原始空间维度，N为训练样本总数，c
i
∈{1
…
C}代表x
i
的类别信息；步骤二：对训练样本集进行预处理和归一化；步骤三：分别构建核判别分析部分优化函数Γ
Dis
和几何结构惩罚项Γ
Geo
；步骤四：构建t分布数据依赖核判别分析模型的目标函数Γ：其中，为调节S
W
与S
B
间数量级差距的系数；步骤五：引入数据依赖核函数，通过优化算法计算得到t分布数据依赖核判别分析模型的数值解；步骤六：根据α
*
计算得到建模数据所对应的可视化低维表示步骤七：基于与建立可视化监控统计量DT
‑
CVR；步骤八：收集新的过程数据并对其进行与建模数据相同的预处理和归一化，得到x
new
；步骤九：将x
new
代入优化后的t分布数据依赖核判别分析模型，计算得到其可视化低维表示f(x
new
)；步骤十：利用DT
‑
CVR统计量与f(x
new
)，判断工业过程的运行状态；若运行在异常工况，则将异常工况下搜集的采样点所对应的低维表示按照时序关系连接起来，即可得到过程的异常轨迹。2.根据权利要求1所述的基于数据依赖核判别分析的工业过程可视化监控方法，其特征在于，所述核判别分析部分优化函数Γ
Dis
的计算公式如下：其中，S
W
为类内紧密度，S
B
为类间分离度，η∈[0,1]为调节S
W
与S
B
重要性的系数；重要性的系数；其中，f(x
i
)∈R
Q
为训练样本x
i
所对应的可视化低维表示，Q为低维空间维度，f(
·
)为映射函数；为类内权重矩阵，为类间权重矩阵
其中，knn(x
i
)为建模点x
i
的k近邻集合，knn
W
(x
i
)为类内k近邻集合，knn
B
(x
i
)为类间k近邻集合；knn
W
(x
i
)＝{x
j
|x
j
∈knn(x
i
)andc
i
＝c
j
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)knn
B
(x
i
)＝{x
j
|x
j
∈knn(x
i
)andc
i
≠c
j
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)。3.根据权利要求1所述的基于数据依赖核判别分析的工业过程可视化监控方法，其特征在于，所述几何结构惩罚项Γ
Geo
的计算公式如下：其中，P,Q∈R
N
×
N
，矩阵P的第i行第j列个元素为p
ij
，矩阵Q的第i行第j列个元素为q
ij
；KL(P||Q)表示矩阵P和Q的KL散度；p
ij
＝(p
i|j
+p
j|i

【专利技术属性】
技术研发人员：魏驰航，宋执环，文成林，
申请(专利权)人：浙江大学，
类型：发明
国别省市：