一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法技术

本发明专利技术公开一种基于局部子空间

A refined fault detection method for complex processes based on local subspace neighborhood preserving embedding

【技术实现步骤摘要】
一种基于局部子空间
‑
邻域保持嵌入的复杂过程精细化故障检测方法


[0001]本专利技术涉及一种数据驱动的故障检测方法，尤其涉及一种基于局部子空间
‑
邻域保持嵌入的复杂过程精细化故障检测方法。

技术介绍

[0002]随着传感器技术和信息科学的飞速发展，工业生产的集成化程度日渐增高，丰富的过程数据被采集和存储下来，这些数据反映了生产过程运行的状况，数据驱动的故障检测对于保障生产安全及产品质量起着至关重要的作用，因而如何在海量的过程数据中准确、充分地提取反映过程运行状态的特征信息是故障检测的关键。由于过程数据的信息是通过各种各样的传感器获取，其中所用到的传感器可分为两大类：成分传感器(例如浓度、组分等)和过程传感器(例如温度、压力等)，而成分传感器与过程传感器采集到的数据具有较大的差异，数据特性不同，因此，不宜将成分传感器数据和过程传感器数据放在一个空间建立故障检测模型。针对这一问题，根据数据来自于成分传感器或是过程传感器，将原空间划分为成分子空间和过程子空间。此外，针对实际工业过程中收集到的数据并不总是服从高斯分布的情况,采用Jarque
‑
Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间，从而更好地关注局部信息，提高故障检测性能。
[0003]局部特征描述的是相邻数据点的空间分布，是一种重要的特征信息；局部信息的丢失必然导致算法特征提取能力的减弱，进而导致故障检测性能的降低。针对这一点，基于邻域保持嵌入NPE算法学习低维空间特征以保持原空间的邻域结构关系，在维度约简的同时保持数据的局部结构不变。在目前的科研文献与专利文件中，未有将原数据空间划分为高斯
‑
成分子空间，高斯
‑
过程子空间，非高斯
‑
成分子空间和非高斯
‑
过程子空间，并考虑数据的局部特征信息的复杂过程精细化故障检测方法。

技术实现思路

[0004]本专利技术所要解决的主要技术问题是：如何考虑到传感器采集到的数据具有不同特性以及服从不同分布问题的同时，在局部子空间内进行数据局部特征的提取，并在此基础上实施精细化故障检测。具体来讲，本专利技术首先根据不同类型的传感器采集到的数据具有不同特性的情况，将原空间划分为成分子空间和过程子空间；然后利用Jarque
‑
Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间；其次，利用NPE算法在不同的局部子空间中提取特征分别建立局部子空间内部的故障检测模型，构建各局部子空间内故障检测统计量；此外，为了不仅考虑局部子空间内信息，而且考虑不同局部子空间之间信息的变化，利用移动窗策略以及互信息方法构造不同局部子空间间故障检测统计量。最后，结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(LOOP)方法构建综合故障检测统计量以准确判断过程是否发生故障。
[0005]本专利技术解决上述技术问题所采用的技术方案为：一种基于局部子空间
‑
邻域保持
嵌入的复杂过程精细化故障检测方法，包括以下所示步骤：
[0006]步骤(1)：采集正常运行工况下的n个采样时刻m个传感变量数据以组成训练数据集矩阵X＝[x1，x2，...，x
m
]∈R
n
×
m
，其中n为训练集中样本数，m为传感器测量变量数，R为实数集；
[0007]步骤(2)：传感器变量x
i
∈R
n
×1(i＝1，2，...，m)可以分为成分传感器(例如浓度、组分等)以及过程传感器(例如温度、压力等)两大类，成分传感器与过程传感器采集的数据具有大的差异，数据特性不同，不宜将成分传感器数据及过程传感器数据放在一个空间建立模型，因此，根据数据来自于成分传感器或是过程传感器，将训练数据集X∈R
n
×
m
划分为成分子空间和过程子空间
[0008]步骤(3)：分别在成分子空间和过程子空间中采用Jarque
‑
Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间：高斯
‑
成分子空间，高斯
‑
过程子空间，非高斯
‑
成分子空间和非高斯
‑
过程子空间，具体的实施过程如下所示：
[0009]步骤(3.1)：对于成分子空间中的变量x
ci
，其偏度及峰度计算如下：
[0010]s(x
ci
)＝mean[(x
ci
‑
mean(x
ci
))3]/{mean[(x
ci
‑
mean(x
ci
))2]}
3/2
ꢀꢀꢀ
(1)
[0011]k(x
ci
)＝mean[(x
ci
‑
mean(x
ci
))4]/{mean[(x
ci
‑
mean(x
ci
))2]}2ꢀꢀꢀ
(2)
[0012]其中，mean()表示取均值，s()表示偏度，k()表示峰度。
[0013]步骤(3.2)：Jarque
‑
Bera统计量构建如下：
[0014]Jarque
‑
Bera(x
ci
)＝(n
‑
f){[s(x
ci
)]2+[k(x
ci
)
‑
3]2/4}/6
ꢀꢀꢀ
(3)
[0015]其中，f是自由度。
[0016]步骤(3.3)：将计算出来的值Jarque
‑
Bera(x
ci
)与预设的概率水平JB
level
进行对比，如果Jarque
‑
Bera(x
ci
)大于JB
level
，则认为服从高斯分布，将x
ci
其划分在高斯
‑
成分子空间G
c
：中；否则，将其划分在非高斯
‑
成分子空间N
c
：：中。
[0017]步骤(3.4)：同样地，对于过程子空间中的变量x
pi
也经过上述三个步骤的方法，从而得到高斯
‑
过程子空间G
p
：和非高斯
‑
过程子空间N
p
：
[0018]步骤(4)：对四个子空间的数据集采用z
‑
score方法进行预处理和归一化，使得每个子空间的各个变量均值为零，标准差为1，从而得到新的子空间为：
[0019][0020][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部子空间
‑
邻域保持嵌入的复杂过程精细化故障检测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集正常运行工况下的n个采样时刻m个传感变量数据以组成训练数据集矩阵X＝[x1,x2,
…
,x
m
]∈R
n
×
m
，其中n为训练集中样本数，m为传感器测量变量数，R为实数集；步骤(2)：传感器变量x
i
∈R
n
×1(i＝1,2,
…
,m)可以分为成分传感器(例如浓度、组分等)以及过程传感器(例如温度、压力等)两大类，成分传感器与过程传感器采集的数据具有大的差异，数据特性不同，因此，不宜将成分传感器数据及过程传感器数据放在一个空间建立模型，因此，根据数据来自于成分传感器或是过程传感器，将训练数据集X∈R
n
×
m
划分为成分子空间和过程子空间步骤(3)：分别在成分子空间和过程子空间中采用Jarque
‑
Bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间：高斯
‑
成分子空间G
c
::高斯
‑
过程子空间G
p
:非高斯
‑
成分子空间N
c
:和非高斯
‑
过程子空间N
p
:其中，步骤(4)：对四个子空间的数据集采用z
‑
score方法进行预处理和归一化，使得每个子空间的各个变量均值为零，标准差为1，从而得到新的子空间为：间的各个变量均值为零，标准差为1，从而得到新的子空间为：间的各个变量均值为零，标准差为1，从而得到新的子空间为：步骤(5)：在标准化后的四个子空间中，分别利用局部邻域嵌入算法NPE求得投影变换矩阵A
Gc
,A
Gp
,A
Nc
和A
Np
，从而将，从而将和和四个子空间中的数据分别投影到相对低维特征子空间：和在特征子空间中依据公式和分别构建T
Gc2
,T
Gp2
,T
Nc2
和T
Np2
统计量进行局部子空间内故障检测；步骤(6)：采用滑动窗和互信息测量四个局部子空间之间的关系变化，假设步骤(6)：采用滑动窗和互信息测量四个局部子空间之间的关系变化，假设中的第t个样本分别表示为将滑动窗的长度设置为2L，则每个子空间内移动窗可分别构造为移动窗中的数据表示为
根据如下公式计算局部子空间间的互信息：然后，在构造的滑动窗的基础上，根据下式构造统计量，计算四个局部子空间之间的关系变化：系变化：系变化：系变化：系变化：系变化：步骤(7)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(LOOP)方法进行综合故障检测统计量的构建。设离群概率(LOOP)方法进行综合故障检测统计量的构建。设则对于Y中的一个样本y，y的LOOP可计算为：然后，采用核密度估计(KDE)方法确定综合监测统计量的控制限LOOP
lim
。在线故障检测的实施过程如下所示：步骤(8)：收集新采样时刻的样本数据x
t
，其中下标号t表示当前最新采样时刻；步骤(9)：根据离线建模时得到的四个局部子空间划分标准对测试样本x
t
进行划分，从而得到四个局部子空间中的样本数据：x
′
Gc
,x
′
Gp
,x
′
Nc
,x
′
Np
；步骤(10)：对四个子空间的测试样本分别利用步骤(4)中得到的均值及标准差进行处理，从而得到标准化后的测试样本数据：步骤(11)：对于利用离线建模步骤(5)得到的NPE模型进行局部特征提取分别构建T
′
Gc2
，T
′
Gp2
，T
′
Nc2
和T
′
Np2
统计量；步骤(12)：对实施步骤(6)中的滑动窗和互信息，进一步计算出：M
′
GcGp
，M
′
GcNc
，M
′
GcNp
，M
′
GpNc
，M
′
GpNp
，M
′
NcNp
；步骤(13)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用步骤(7)中局部离群概率方法构建综合监测统计量LOOP(y
t
)；步骤(14)判断是否满足条件：LOOP(y
t
)＜LOOP
lim
，；若是，则当前样本为正常工况采样，返回步骤(8)继续实施对下一个样本数据的故障检测；否则，当前采样数据来自故障工况。2.根据权利要求1所述的一种基于局部子空间
‑
邻域保持嵌入的复杂过程精细化故障检测方法，其特征在于，所述步骤(3)中采用Jarque
‑
Bera测试方法检验数据的正态分布特性，从而将两个局部子空间...

【专利技术属性】
技术研发人员：宋冰，肖语堂，谢佳敏，侍洪波，陶阳，谭帅，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：