基于时空结构保持的非线性动态过程故障检测方法和系统技术方案

本发明专利技术公开了一种基于时空结构保持的非线性动态过程故障检测方法和系统，属于工业过程异常监测领域。包括：提出一种基于稀疏表示的方法，解决局部全局保持投影中自动确定邻域关系的问题；在空间结构模型构建中，设计局部相似性度量的新指标，有效抑制离群点对建模的影响；构建空间结构保持和慢特征分析的混合模型，全面提取了复杂过程的非线性和动态特征，并形成了相应的监测框架。本发明专利技术解决了现有非线性动态过程监测方法因特征提取不全面、离群点干扰考虑不足和参数确定自动性弱，导致故障检测准确度和灵敏度不高的问题。检测准确度和灵敏度不高的问题。检测准确度和灵敏度不高的问题。

【技术实现步骤摘要】
基于时空结构保持的非线性动态过程故障检测方法和系统


[0001]本专利技术属于工业制造过程的非线性动态过程监控
，更具体地，涉及一种基于时空结构保持的非线性动态过程故障检测方法和系统。

技术介绍

[0002]实际工业过程中，由于变量间复杂的耦合关系，导致大量过程变量间呈现出非线性特征。目前大量的多元统计分析方法，例如主成分分析、独立成分分析等，都不能处理过程的非线性特征。流行学习方法被广泛应用于非线性过程特征提取，例如局部保持投影、ISO特征映射、局部线性嵌入、拉普拉斯映射等，但这些方法都只能保持过程的局部特征，没有考虑到全局信息，这可能导致方差信息的丢失。近年来，局部全局保持方法被提出，该类方法可以保留数据集的全局和局部结构，得到的特征可以保证局部相似度大的数据结构更加紧密，全局数据结构更加分散，更有利于反映过程潜在特征。但该类方法的局部邻居个数是人为设定的，不能体现不同采样的特征差异，不利于建立精确模型。同时，实际过程数据中一般掺杂着离群点，对模型构建存在干扰。在空间结构保持中，采用传统欧式距离来表示局部结构信息无法抵御离群点的干扰，所以目前的方法存在鲁棒性不强的问题。
[0003]此外，实际工业过程中控制回路的存在，采集到的数据具有时序相关性(即动态性)。在特征提取的过程中，同时保持过程空间上的特征和时间上的特征，将更有利于精确模型的建立。但改进的流行学习方法中很少考虑过程的动态性。近年来，有研究提出了一种新的动态数据分析技术，称为慢特征分析，用于从过程数据中提取相互独立的慢变化特征，可以提取来自不同生产条件的原始数据的动态特征。将空间结构模型与慢特征分析模型进行融合，有望有效提取非线性动态过程的特征。
[0004]针对上述几个问题，本专利技术提出了自动确定局部邻居方法，构建了新型的局部相似性度量指标，提高模型的鲁棒性；开发空间结构模型与慢特征分析模型有效融合模型，形成时空结构保持过程监测方法，有效提高了模型精度和故障检测灵敏度和准确度。

技术实现思路

[0005]针对相关技术的缺陷，本专利技术的目的在于提供一种基于时空结构保持的非线性动态过程故障检测方法和系统，旨在解决现有非线性动态过程监测方法因特征提取不全面、离群点干扰考虑不足和参数确定自动性弱，导致故障检测准确度和灵敏度不高的问题。通过构建局部全局保持和慢特征分析的混合模型，全面提取了复杂过程的非线性和动态特征，形成了相应的监测框架。其中，提出稀疏表示的方法解决局部全局保持投影中自动确定邻域关系的方法；设计局部相似性度量的新指标，有效抑制离群点对建模的影响，增强方法和系统的鲁棒性。最终，提高了非线性动态过程故障检测的准确度和灵敏度。
[0006]本专利技术一方面提供了一种基于时空信息保持的非线性动态过程故障检测方法，包括以下步骤：
[0007]步骤一，构建离线空间结构保持模型，包括实现方式如下：
[0008]S1.获取正常非线性动态过程的离线数据集X，确定离线数据集中每个采样的局部邻居，形成局部邻居集合Φ；
[0009]S2.利用邻居集合Φ和核秩阶距离，考虑到离群点的影响，获得局部权重矩阵W
L
，保证后续提取的特征满足局部结构保持和对离群点的鲁棒性；
[0010]S3.利用局部邻居Φ和欧式距离，构建全局结构保持的权重矩阵W
G
；
[0011]S4.结合S2中的局部权重矩阵W
L
和S3中的全局权重矩阵W
G
，将局部和全局信息进行融合，形成空间上局部全局结构保持的模型，即离线空间结构保持模型；
[0012]S5.确定离线空间结构保持模型中的相关参数；
[0013]步骤二，将反映过程时间动态特性的慢特征分析模型与空间结构保持模型进行融合，构建离线时空结构保持监测模型并计算投影矩阵P，同时结合投影矩阵P计算检验统计量和控制限；
[0014]步骤三，对获取的实时数据进行在线监测，计算在线数据的检验统计量和控制限来判断是否发生故障。
[0015]进一步的，所述步骤S1包括：
[0016](1.3)获取非线性动态过程数据，组成原始数据集其中N代表采样个数，M代表变量的个数；
[0017](1.4)对原始数据建立稀疏表示模型，完备字典选择为原始数据本身，那么优化问题为：
[0018][0019]s.t.diag(S)＝0
[0020]式中，S表示线性组合所对应的系数矩阵，λ表示惩罚因子；保证了每个采样x
i
都可以由相应的S
i
重构，i＝1,2,...,N；‖
·
‖1表示l1范数，保证了S尽可能稀疏；
[0021](1.3)根据S判断x
i
中每个采样的邻居，形成邻居的集合Φ。
[0022]进一步的，所述步骤S2中局部权重矩阵W
L
计算步骤为：
[0023](2.1)计算采样x
i
与集合Φ中的邻居x
j
的高斯核距离为：
[0024][0025]其中，j＝1,2,...,N,σ1代表核参数，d(x
i
,x
j
)表示两个采样之间的欧式距离，计算公式如下：
[0026][0027](2.2)计算采样对之间的距离等级为：
[0028][0029]其中表示x
j
在x
i
邻居中的排序，表示x
i
在x
j
邻居中的排序；由于S是非对称的，所以当两个采样的邻居关系是单向时，邻居等级不存在的O的值取为最多邻居采样邻居的个数；
[0030](2.3)局部权重矩阵W
L
设计为：
[0031][0032]进一步的，所述步骤S3中全局权重矩阵W
G
设计为：
[0033][0034]其中σ2为核参数。
[0035]进一步的，所述步骤S4中空间上局部全局结构保持模型设计为：
[0036][0037]s.t.P
T
XX
T
P＝I
[0038]其中R
ij
＝ηW
Li,j
‑
(1
‑
η)W
Gi,j
，H
ij
＝∑
j
R
i,j
，P为投影矩阵，η为平衡局部和全局结构保持所占比重的参数，I表示规格为M
×
M的单位矩阵。
[0039]进一步的，S5中相关参数包括平衡参数和核参数，其中平衡参数的计算方式如下：
[0040]首先，计算W
L
和W
G
所对应的拉普拉斯矩阵L
L
和L
G
：
[0041]L
L
＝D
L
‑
W
L
[0042]L
G...

【技术保护点】

【技术特征摘要】
1.一种基于时空结构保持的非线性动态过程故障检测方法，其特征在于，包括以下步骤：步骤一，构建离线空间结构保持模型，包括实现方式如下：S1.获取正常非线性动态过程的离线数据集X，确定离线数据集中每个采样的局部邻居，形成局部邻居集合Φ；S2.利用邻居集合Φ和核秩阶距离，考虑到离群点的影响，获得局部权重矩阵W
L
，保证后续提取的特征满足局部结构保持和对离群点的鲁棒性；S3.利用局部邻居Φ和欧式距离，构建全局结构保持的权重矩阵W
G
；S4.结合S2中的局部权重矩阵W
L
和S3中的全局权重矩阵W
G
，将局部和全局信息进行融合，形成空间上局部全局结构保持的模型，即离线空间结构保持模型；S5.确定离线空间结构保持模型中的相关参数；步骤二，将反映过程时间动态特性的慢特征分析模型与空间结构保持模型进行融合，构建离线时空结构保持监测模型并计算投影矩阵P，同时结合投影矩阵P计算检验统计量和控制限；步骤三，对获取的实时数据进行在线监测，计算在线数据的检验统计量和控制限来判断是否发生故障。2.如权利要求1所述的基于时空结构保持的非线性动态过程故障检测方法，其特征在于：所述步骤S1包括：(1.1)获取非线性动态过程数据，组成原始数据集其中N代表采样个数，M代表变量的个数；(1.2)对原始数据建立稀疏表示模型，完备字典选择为原始数据本身，那么优化问题为：s.t.diag(S)＝0式中，S表示线性组合所对应的系数矩阵，λ表示惩罚因子；保证了每个采样x
i
都可以由相应的S
i
重构，i＝1,2,...,N；‖
·
‖1表示l1范数，保证了S尽可能稀疏；(1.3)根据S判断x
i
中每个采样的邻居，形成邻居的集合Φ。3.如权利要求2所述的基于时空结构保持的非线性动态过程故障检测方法，其特征在于：所述步骤S2中局部权重矩阵W
L
计算步骤为：(2.1)计算采样x
i
与集合Φ中的邻居x
j
的高斯核距离为：其中，j＝1，2，...，N，σ1代表核参数，d(x
i
，x
j
)表示两个采样之间的欧式距离，计算公式如下：(2.2)计算采样对之间的距离等级为：
其中表示x
j
在x
i
邻居中的排序，表示x
i
在x
j
邻居中的排序；由于S是非对称的，所以当两个采样的邻居关系是单向时，邻居等级不存在的O的值取为最多邻居采样邻居的个数；(2.3)局部权重矩阵W
L
设计为：4.如权利要求3所述的基于时空结构保持的非线性动态过程故障检测方法，其特征在于：所述步骤S3中全局权重矩阵W
G
设计为：其中σ2为核参数。5.如权利要求4所述的基于时空结构保持的非线性动态过程故障检测方法，其特征在于：所述步骤S4中空间上局部全局结构保持模型设计为：s.t.P
T
XX
T
p＝I其中R
ij
＝ηW
Li，j
‑
(1
‑
η)W
Gi，j
，H
ij
＝∑
j
R
i，j
，P为投影矩阵，η为平衡局部和全局结构保持所占比重的参数，I表示规格为M
×
M的单位矩阵。6.如权利要求5所述的基于时空结构保持的非线性动态过程故障检测方法，其特征在于：S5中相关参数包括平衡参数和核参数，其中平衡参数的计算方式如下：首先，计算W
L
和W
G
所对应的拉普拉斯矩阵L
L
和L
G
：L
L
＝D
L
‑
W
L
L
G
＝D
G
‑
W
G
其中D
Li，j
＝∑
j
W
Li，j
和D
Gi，j
＝∑
j
W
Gi，j
都为对角矩阵；然后，计算L
L
和L
G
的谱半径，分别为：的谱半径，分别为：其中和分别表示L
L
和L
...

【专利技术属性】
技术研发人员：王兆静，颜小运，李震威，王杨，杨非，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：