[发明专利]一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法

说明书

本发明提供了一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法，包括如下步骤：(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据X；(2)将采集到的三维训练数据X展开为二维数据并进行标准化处理；(3)建立双权重多邻域保持嵌入模型，求取映射变换矩阵A，根据Y＝Asupgt;T/supgt;X，得到降维数据矩阵Y；(4)建立正常数据下霍特林统计模型Tsupgt;2/supgt;和平方预测误差统计模型SPE的统计量，并求取其控制限；(5)采集在线的间歇过程数据，构成测试数据Xsubgt;test/subgt;并对其展开并标准化处理；(6)将测试数据通过映射变换矩阵A进行投影，得到其降维数据矩阵Ysubgt;test/subgt;；(7)求取测试数据的霍特林统计模型统计量Tsupgt;2/supgt;和平方预测误差统计模型统计量SPE，判断有无故障发生。

技术领域

本发明属于工业过程监控技术领域，涉及一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法。

背景技术

间歇过程数据具有动态特性，不满足过程采样独立的假设，若用传统的方法进行监测，必然会导致高漏报率的存在。针对这一问题，Ku最早提出了动态主元分析(DPCA)算法，通过包含当前时刻和历史时刻采样值的增广矩阵建立故障检测模型，考虑了过程数据之间的时序相关性，提高了故障检测率。此后，一系列基于增广矩阵的多元统计方法被用于动态过程监控中，取得了一定的故障检测效果。翟坤提出了一种改进的DKPCA故障检测方法，首先通过不可区分度筛选出相关程度较大的变量以减少数据量，接着构建增广矩阵，并通过KPCA建模，该方法对微小故障表现出更好的故障检测能力。但是，以上方法揭示的是数据的全局结构，忽略了数据的局部结构，导致特征提取效果欠佳，直接影响算法的故障检测效果。

近年来，NPE算法由于能够在降维的同时挖掘数据的局部结构，被广泛用于过程监测中，但是它没有考虑过程数据的时序相关性，对此，Hu借鉴于DPCA的思想，将增广矩阵应用于NPE算法，提出了DMNPE算法，并成功应用于间歇过程故障检测，然而间歇过程数据丰富，采用增广矩阵的方法使得算法的计算效率降低。Miao提出了时序扩展的NPE(TNPE)算法，通过为每一个样本点挑选k个时间近邻重构样本点，以挖掘出采样数据之间的相关信息，通过T²和SPE统计量监控过程性能，能够较好的解决数据的动态性问题，然而，该方法仅是对数据在时间上的挖掘，忽略了其空间结构，而且NPE算法在求取重构权值时，未考虑近邻的大小顺序，导致一些重要信息的丢失。

发明内容

本发明针对间歇过程的动态特性问题，提供一种基于双权重多邻域保持嵌入算法(DWMNPE)的间歇过程故障检测方法。该方法通过定义角度近邻，并挑选距离近邻、时间近邻、角度近邻重构样本点，在时间和空间上完成对样本点的重构。

为了进一步考虑近邻顺序信息对重构权重的影响，构建新的目标函数，同时考虑近邻顺序信息和重构误差，有效提取数据的本质流形特征，能够对原始数据集进行更好的学习和特征提取，从而提高故障检测率。

为此，本发明采用如下技术方案：

一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法，包括如下步骤：

(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据X；

(2)将采集到的三维训练数据X展开为二维数据并进行标准化处理；

(3)建立双权重多邻域保持嵌入模型，求取映射变换矩阵A，根据Y＝A^TX，得到降维数据矩阵Y；

(4)建立正常数据下霍特林统计模型T²和平方预测误差统计模型SPE的统计量，并求取其控制限；

(5)采集在线的间歇过程数据，构成测试数据X_test，按步骤(2)方法对其展开并标准化处理；