[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

说明书

技术领域

本发明属于工业过程控制领域，特别涉及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。

背景技术

近年来，工业生产过程的监测问题越来越得到工业界和学术界的广泛重视。一方面，实际的工业过程因为其过程复杂，操作变量多，存在非线性、非高斯、动态性等阶段，在单一假设下，运用某一种方法，其监测效果有很大的局限。另一方面，如果不对过程进行很好的监测，并对可能发生的故障进行诊断，有可能会发生操作事故，轻者影响产品的质量，重者将会造成生命和财产的损失。因此，找到更好的过程监测方法、并进行及时正确地预报已经成为工业生产过程的研究热点和迫切需要解决的问题之一。

传统的工业过程监测方法除了基于机理模型的方法外，大多采用多元统计分析方法，比如主元分析方法（PCA）和偏最小二乘方法（PLS）等。在机理模型难以获取的情况下，基于数据驱动的多元统计分析方法已经成为工业过程监测的主流方法。但是，传统的多元统计分析方法都存在一些基本的假设条件，比如主元分析方法（PCA）的假设条件是数据服从独立同分布，且假设过程服从线性的高斯分布，但实际过程却相对复杂，过程可能是一部分线性、一部分非线性或者一部分非高斯的结合。而想找到一种适用于各种环境的方法是不可能的。相比之下，将多种不同假设条件下的方法进行集成，即信息融合方法在处理复杂工业过程的监控和故障诊断方面有其自身的优势，本发明采用该方法替代原有的单一多元统计分析方法对过程进行监控。另外，为了提高融合的效果，在增加分类器多样性上，可以先对训练数据进行重复采样预处理。传统的监测方法假设过程运行在单一条件下，已经无法满足实际工业过程的监测要求。即使对过程的不同工作条件分别进行建模，也无法达到满意的监测效果。因为对新的过程数据进行监测时，需要结合过程知识对该数据的工作条件进行判断，并选取相应的监测模型，这就大大增强了监测方法对过程知识的依赖性，不利于工业过程的自动化实施。

发明内容

本发明的目的在于针对现有方法的假设局限，提供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。

本发明的目的是通过以下技术方案来实现的：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，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X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。

本发明的有益效果是：本发明通过对每一个过程数据分别进行不同分类器方法下的分析和建模。然后，引入D-S证据方法对不同方法下的监测信息进行集成和综合，获得最后的监测结果。相比目前的其它过程监测方法，本发明不仅可以大大提高工业过程的监测效果，减少延迟诊断时间，增加诊断的准确性，而且在很大程度上改善了监测方法对过程知识的依赖性，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。

附图说明

图1是TE过程的正常数据散点图；

图2是无监督方法对TE过程对故障1数据的监测结果图；

图3是有监督方法对TE过程对故障1数据的监测结果图。

具体实施方式