[发明专利]基于修改聚类半监督核主元分析的早期故障检测方法

说明书

本发明提供一种基于修改聚类半监督核主元分析的早期故障检测方法，涉及故障监测与诊断技术领域。该方法通过离线建模与在线监测，同时考虑数据的本身分布信息和数据类别标签信息，并采用修改的聚类假设，运用改进的半监督KPCA方法，先找到早期故障数据，进而进行二次建模，得到偏向于主元的分解函数，找到划分故障与正常的分界，运用该分解函数判定新采集的数据是否属于故障类数据。本发明针对于工业早期故障难以发现和判定的问题，不仅能大大降低误报警，还提高了故障检测的准确性。

技术领域

本发明涉及故障监测与诊断技术领域，尤其涉及一种基于修改聚类半监督核主元分析的早期故障检测方法。

背景技术

随着现代工业的迅速发展，现代企业中生产设备日趋大型化、连续化、高速化和自动化，设备的结构与组成十分复杂，生产规模非常庞大，各部门之间的联系也特别密切。精确的过程故障检测对提高生产质量和避免生产事故非常重要。因此，过去几年来，大量研究人员重视开发有效的过程监控技术。特别是，随着计算机和传感器技术在工业过程中的广泛应用，测量和存储了许多过程数据。测量数据包含大量的过程操作信息。实际的生产过程有线性的、非线性的、时不变的、时变的等，对于不同的生产过程所具有的特征，应选用不同的故障监测方法，这样才能有效地检测到故障。

通过采用统计分析技术，可以发现包含测量数据的信息来监控过程。已经提出了包括主成分分析(PCA)，偏最小二乘法(PLS)和独立分量分析(ICA)在内的古典多变量统计过程监测(MSPM)方法，用于过程故障诊断。针对工业过程的非线性特性，一些学者提出了核主元分析(KPCA)方法,通过非线性核函数把非线性数据映射到高维特征空间，然后在特征空间中执行线性PCA提取特征，KPCA是在高维特征空间中执行PCA，所以无需求解非线性优化问题，并且与其它非线性方法相比，在建模之前它不需要指定主元数目，但是传统KPCA方法也存在着不足之处，KPCA是一种无监督的方法，只是考虑了数据本身的分布特性，而并没有考虑数据与类别的相关联系，即建模数据中同时含有是正常和故障的数据。将故障与正常类别信息、数据本身分布特征两者结合在一起，将KPCA扩展为半监督方法对于故障检测意义重大。而这种半监督KPCA本质上是属于半监督的分类方法，其隐含了每个数据都具有一个明确的类标签。

然而在实际应用中，尤其是对于早期故障检测中，很难说明一个实例的情况具体是属于正常还是故障，数据可能同时含有两类的数据特征，将这种体现两类信息的数据定义为早期故障数据，这里需要指出的是早期故障数据并不等于故障数据，早期故障数据是正常与故障的过渡状态，这里被定义为既包含正常数据特征又具有故障数据特征的数据。这是由于故障与正常运行时界限不清晰，正常运行数据与故障数据特征差异较大，并且具有大量未标记的中间运行状态数据，故障信息与正常故障信息同时出现，有时在未发生严重后果时，难以判定是否故障已经发生，所以需要提出一种有效可行方法针对早期故障进行识别和诊断。例如对于电熔镁炉来说，喷炉是其中频繁发生严重的事故。冶炼过程中CO2气体在炉内不断累积，到达临界点后，气体仍无法排出，将造成喷炉事故，对生产质量与工人安全造成极大隐患。然而气体累积过程是在炉体内部，且是一种渐变过程，可CO2含量属于完全正常时只有冶炼过程早期，到达临界点喷炉之后气体一下子释放，中间累积过程情况难以断定，冶炼过程中可能包含正常运行信息也体现着要发生故障信息，而目前情况只能靠工人经验判断，误报漏报率极高。

通过迁移学习，提高故障诊断和分析的灵敏度，并且根据故障幅值输入调控方法来降低电熔镁炉工业生产中故障造成的损失。但是随着工业系统的发展，采集的数据也日益复杂，数据之多且维度之高已经成为了大数据统一建模并进行故障监测和诊断的一大障碍。所以如何对这样高维度的大数据进行特征提取来简化接下来的故障监测和诊断已成为当前所关注的问题。传统的特征提取方法如PCA、LDA等，已无法满足当前物理化学数据和多媒体流异构数据统一建模进行故障监测和诊断的需求。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于修改聚类半监督核主元分析的早期故障检测方法，通过采集的传统数据和多媒体流异构数据进行统一建模，先找到早期故障数据，进而找到划分故障与正常的分界。