[发明专利]基于多分类器和D-S证据融合的工业过程故障检测方法

权利要求书

1.一种基于多分类器和D-S证据融合的工业过程故障检测方法，其特征在于，包括以下步骤：

（1）利用系统收集过程正常运行的数据组成建模用的训练样本集：X=[x₁;x₂;…;x_n]。其中X∈R^n×m，n为训练样本总数，m为过程变量数，R为实数集，R^n×m表示X满足n×m的二维分布；将这些数据存入历史数据库；

（2）从数据库中调用正常数据，采用独立重复采样方法对数据矩阵进行重排处理，得到数据矩阵集

（3）对数据集进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为

（4）调用不同的分类器方法，选择分类器的个数为G，包括无监督方法和有监督方法，在新的数据矩阵集下建立不同的分类器模型，对无监督模型构造相应的T²和SPE统计量的检测统计限；对有监督模型构造相应的标签指标；

（5）将建模数据和各个模型参数存入历史数据库和实时数据库中备用；

（6）收集新的过程数据，并对其进行预处理和归一化；

（7）分别采用不同的分类器模型对其进行监测，即建立统计量T²和SPE以及标签，这样每一种方法都可以得到一个关于正常或者故障的决策；

（8）通过D-S证据理论，利用每一种方法对不同故障检出率的先验知识，计算当前监测数据在所有分类器方法下的综合检出率，并做出最后决策。

2.根据权利要求1所述基于多分类器和D-S证据融合的工业过程故障检测方法，其特征在于，所述步骤4具体为：选择G为6种不同的多分类器方法，具体包括无监督方法：主元分析（PCA）、核主元分析（KPCA）、独立主元分析（ICA）；有监督方法：费舍尔判据（FDA）、k-近邻（KNN）、神经网络（BP-ANN）；

（a）对于无监督的方法，具体实现步骤如下所示：

（1）通过PCA分析，可以得到数据矩阵的协方差矩阵Σ∈R^n×n、酉矩阵U∈R^n×m、特征值构成的对角矩阵D∈R^m×m如下所示：

Σ=X=X=T/(n-1)Σ=UDUTD=diag(λi),i=1,...,mU=[u1,u2,...,um]---(1)]]>

其中，表示新的数据矩阵集，Σ表示协方差矩阵，U表示酉矩阵，n表示训练样本数，m为变量数，T为矩阵的转置，D表示特征值λ_i构成的对角矩阵，且其对角元素是按照由大到小的顺序排列的，diag(·)表示将括号中的量按对角线排列，u_m表示第m个构成U的列向量；

然后在其基础上得到负荷矩阵P∈R^m×k、残差负荷矩阵主元成分t∈R^n×k、残差矩阵如下所示：

P=[u1,u2,...,uk]P‾=[uk+1,uk+2,...,um]t=X=PC‾=P‾P‾T---(2)]]>

其中k为提取的主元个数，主要是利用累计方差贡献率（>80%）计算得到的；然后构造T²统计量并利用F分布给出监测统计限对残差矩阵建立SPE统计量并计算其相应的监测统计限SPE_lim；

（2）通过KPCA分析，利用径向基核函数，将原始数据通过高维映射，得到高维空间的特征值，特征向量和得分，并利用累计方差贡献率（>80%）计算得到主元个数d，得到相应的负荷矩阵、主元如上述的PCA方法；

同样构造T²统计量并利用F分布给出监测统计限对残差矩阵建立SPE统计量并计算其相应的监测统计限SPE_lim；

（3）通过ICA分析，可以得到该数据矩阵的独立成分矩阵S∈R^r×n，混合矩阵A∈R^m×r，分离矩阵W∈R^r×m以及残差矩阵如下：

X==AS+E=S=WX=E==X=-AS---(3)]]>

其中，r为选取的独立成分个数。然后，构造I²统计量并利用核密度估计方法给出其相应的监测统计限对残差矩阵建立SPE统计量并计算其相应的监测统计限SPE_lim；

（b）对于有监督方法，具体实现步骤如下所示：

（1）通过费舍尔判据方法，找出各类之间最合适的投影方向，并确定每一类的中心点的位置；

（2）通过K-近邻方法，设定5个近邻点，给建模数据加上类别标签；

（3）通过神经网络方法，选择包含三个隐层节点的两层BP网络，隐层选择tansig函数，输出层选择purelin函数，训练网络模型。