[发明专利]基于双向二维稀疏正交判别分析的工业过程故障诊断方法

说明书

本发明提出基于双向二维稀疏正交判别分析的工业过程故障诊断方法，包括：采集数据并且对数据进行标准化处理；对图像数据进行特征选择；结合物理变量对已知类别的数据进行降维回归；建立分类器在线对工业过程进行故障检测与诊断；本发明提供的基于双向二维稀疏正交判别分析的工业过程故障诊断方法，使用包含物理变量数据和图像视频数据的异构数据进行建模，不仅利用了物理变量数据和图像视频数据二者数据本身的信息，而且很好的利用了二者之间的联系使得构建出来的模型效果更好。对图像特征进行了有效的选择，使得处理数据的能力和速度有了很大的提升，在线监测过程中可以更快速的进行故障诊断，提高故障检测速率的同时也提高了故障检测的准确性。

技术领域

本发明属于故障监测与诊断技术领域，具体涉及一种基于双向二维稀疏正交判别分析的工业过程故障诊断方法。

背景技术

随着工业过程自动化程度的提高以及高精尖设备在工业过程中所占的比例越来越大，工业过程的复杂度越高发生故障的概率就越大。传统的工业过程故障诊断方法单独的使用物理变量数据进行建模或者仅使用图像视频数据进行建模，基于这两种建模的工业过程故障诊断方法准确率较低。本发明将物理变量和图像视频数据综合起来进行建模，二者综合起来得到的数据称为异构数据，基于异构数据建模的故障诊断方法准确率较高。

双向二维线性判别分析方法(bidirectional two-dimensional lineardiscriminant analysis,BTLDA)是一种全监督的处理图像数据的方法，BTLDA首先计算横向投影矩阵，之后计算纵向投影矩阵，最终通过横向投影矩阵和纵向投影矩阵将图片数据投影到低维空间。图像数据维数过大，不管是建模过程还是在线监测过程中都很难处理维数过大的图像数据，尤其是在线监测过程中，需要快速给出准确的检测结果，图像数据维数过大会造成工业过程故障检测阶段难以及时给出正确的诊断结果。传统的故障检测方法忽视了物理变量和图像视频数据之间的关系，如何利用好二者之间的联系是提高故障检测准确率的重要方式。

发明内容

针对现有技术的缺陷，本发明提供一种基于双向二维稀疏正交判别分析的工业过程故障诊断方法，降低工业生产故障监测过程中的误报警率。

基于双向二维稀疏正交判别分析(bidirectional two-dimensional sparseorthogonal discriminant analysis，BTSODA)的工业过程故障诊断方法，包含以下步骤：

步骤1：采集数据并且对数据进行标准化处理：采集工业过程中的数据，得到图像视频数据和对应时刻的物理变量数据，并且对采集到的数据进行标准化处理；

步骤2：对图像数据进行特征选择，首先通过二维稀疏正交判别分析方法计算图像数据的横向投影矩阵，之后通过二维稀疏正交判别分析方法计算图像数据的纵向投影矩阵，最后通过选择特征的行标号和列标号完成图像数据的特征选择，具体方法为：

步骤2.1：通过二维稀疏正交判别分析方法计算图像数据的横向投影矩阵，具体方法为：

通过将步骤1采集的图像数据进行灰度化以及标准化处理得到建模矩阵数据A，矩阵数据A_i表示第i个矩阵数据并且维数为m×n，i＝1,...,N，N为矩阵数据个数，类间散度矩阵表示为：

类内散度矩阵表示为：

其中，r表示类别号，表示第r类数据均值，表示总体数据均值，c为所有数据所属的类别个数，C_r为第r类数据，c_r个为第r类数据包含的数据个数。

矩阵数据A在行方向上的特征矩阵Y₁可以表示为：

Y₁＝AX