基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法技术

本发明专利技术涉及一种基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，属于工业过程时序异常检测技术领域，包括：采用慢特征分析方法对工业时序数据进行特征分解，划分为快慢变化部分；基于库普曼理论分别将快慢特征映射至线性可观测的库普曼高维空间，构建深度预测模型以实现对特征序列的逐步预测；结合预测结果与实际值之间的偏差，构造近似服从加权卡方分布的SPE统计量，并据此设定异常检测的SPE控制限；引入KL散度度量当前工况与正常工况之间的分布差异，根据其大小自适应更新SPE控制限；在模型在线部署阶段，通过实时计算SPE值并与控制限进行比对，实现非平稳工况下的异常快速识别与动态预警。

【技术实现步骤摘要】

本专利技术属于工业过程时序异常检测，涉及一种基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法。

技术介绍

1、随着工业制造领域智能化水平的提升，生产过程中实时生成的海量时间序列数据为异常检测带来了新的机遇与挑战。通过深入挖掘这些数据，可及时识别异常模式，保障生产过程的安全与稳定。然而，由于实际工业环境复杂、工况多变，如何在海量非平稳时间序列中快速、准确地检测异常，已成为工业智能化的关键研究方向。异常检测的核心目标是识别与正常模式显著不同的异常模式。传统方法主要依赖于统计分析技术，通过均值、方差等指标判断异常，但因工业数据具有高维性、动态性和非平稳性，传统方法在应对复杂动态变化时存在局限性。现有异常检测方法可分为三类：一类是基于统计分析的方法(如3σ法、箱线图)，依赖正态分布假设，难以适应非线性与非平稳特性；第二类是基于聚类的机器学习方法(如dbscan、k-means)，通过聚类正常数据，判定少量偏离群体的数据点为异常，但对复杂非平稳数据效果不佳；第三类是基于深度学习的方法，通过学习正常工况数据模式进行预测或重构，依据误差判断异常，这类方法虽本文档来自技高网...

【技术保护点】

1.一种基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：步骤1中，将正常运行工况的数据按照7：2：1的比例分为训练集、测试集和验证集；设工业时序数据有J个测量变量和K个采样点，则形成一个K×J矩阵；用Xn(Nn×J)和Xa(Na×J)分别描述正常运行工况数据集和变工况运行数据集；Nn和Na分别代表正常数据集和变工况运行数据集的样本个数；对数据集Xn和Xa采用如下最大最小值归一化：

3.根据权利要求1所述的基于慢特征分解与库...

【技术特征摘要】

1.一种基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：步骤1中，将正常运行工况的数据按照7：2：1的比例分为训练集、测试集和验证集；设工业时序数据有j个测量变量和k个采样点，则形成一个k×j矩阵；用xn(nn×j)和xa(na×j)分别描述正常运行工况数据集和变工况运行数据集；nn和na分别代表正常数据集和变工况运行数据集的样本个数；对数据集xn和xa采用如下最大最小值归一化：

3.根据权利要求1所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：步骤2中，所述基于慢特征分析的特征工程，具体包括以下步骤：

4.根据权利要求1所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：步骤3具体包括以下步骤：

5.根据权利要求4所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：步骤3.2所述的利用扩展动态模态分解edmd方法，通过最小二乘法计算得到适应快速动态变化的局部库普曼算子kfast，具体包括：

6.根据权利要求4所述的基于慢特征分解与库普曼高维空间预测的非平稳工业过程异常检测方法，其特征在于：在基于sfa-koopa的深度预测神经网络训练过程中，encod...

【专利技术属性】
技术研发人员：秦岩，尹杉，刘江，
申请(专利权)人：重庆大学，
类型：发明
国别省市：