[发明专利]基于Daubechies小波变换和弹性网的故障检测方法

说明书

技术领域

本发明涉及智能信息处理领域，尤其是涉及一种基于Daubechies小波变换和弹性网的故障检测方法。

背景技术

随着现代工业及科学技术的迅速发展，系统的能力和现代化水平日益提高。为了实现更多的功能和更好的满足人们的需求，项目的投资和规模也越来越大，系统的复杂性也越来越高。但是这样使得故障发生的机率增大了很多，关键部位一旦发生故障，将会造成巨大的财产损失和人员伤亡。所以如何将故障及时的检测出来并加以排除显得尤为重要。近年来，随着计算机技术的飞速发展和分布式控制系统(DCS)在工业过程中的广泛应用，大量的过程数据被采集并存储下来。因此，如何从海量数据中挖掘出隐藏的有用信息，将其应用于生产安全和产品质量控制，已经成为及需解决的问题。在这种工程技术背景下，基于数据的多元统计方法受到了广泛的关注，而且被成功应用于过程建模、监控和控制领域。

过程监控的四个步骤是故障检测、故障识别、故障诊断和过程恢复。故障检测，通俗地讲，就是确定故障是否发生了。及时进行检测可以对将会出现的问题提出有价值的报警，通过采取相应的措施，避免严重的过程颠覆。

故障检测的方法主要有基于解析冗余度、基于数据驱动和基于先验知识的这三种方法。解析法是基于工业模型的，但必须有详尽的解析模型可以利用；基于知识的方法使用定性的模型来获得过程监控的量度；基于先验知识的方法对先验知识的要求度比较高。

传统的基于数据驱动的方法主要有主元分析法(PCA)、费舍尔判别分析(FDA)，部分最小二乘(PLS)等，广泛的应用在实际的生产过程监控中。但是上述方法过于依赖于过程数据的方差分析，由于真实连续过程数据的噪声往往具有高度的非高斯、非线性特性，这些基于方差分析的数据降维检测方法难免使得某些重要特征遗漏或缺失，进而在检测过程中出现错误。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于Daubechies小波变换和弹性网的故障检测方法，将数据的全部特征都作为判断数据正常与否的特征，提高了故障检测的精度。

本发明的目的可以通过以下技术方案来实现：

一种基于Daubechies小波变换和弹性网的故障检测方法，应用于连续化工过程，包括以下步骤：

1)从田纳西-伊斯曼工业过程模型中获得正常数据和故障数据，将正常数据作为训练数据，将故障数据作为测试数据，并对获得的测试数据进行标准化处理；

2)对训练数据进行Daubechies小波变换，压缩数据，对小波变换后的训练数据分别将每一组数据作为主元列向量，与训练数据矩阵做弹性网回归，分别求出不同的最小估计值；

3)通过概率密度估计方法，求得最佳的值作为阈值；

4)对测试数据依次进行Daubechies小波变换和弹性网回归，将每一组数据求得的值与阈值相比较，判断每组数据是否存在故障：

若求得的值大于阈值，则所对应的一组数据存在故障；若求得的值小于阈值，则所对应的一组数据正常。

步骤1)中，所述的标准化处理采用Z-score标准化方法，计算公式为：

X*=X-μσ]]>

式中，X＝{x₁，x₂，...，x_n}为数据矩阵，X^*表示标准化处理后的数据矩阵，μ为训练数据的均值，σ为训练数据的标准差，μ和σ计算公式为：

μ=1nΣi=1nxi]]>