[发明专利]一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法

说明书

本发明提供一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法,包括以下步骤，S1：TE过程数据采样；S2：计算监测变量的贡献度；S3：提取故障的关键特征变量；S4：训练与测试数据集划分；S5：蜻蜓算法寻找最优平滑参数；S6：构造增强朴素贝叶斯模型。本发明的有益效果是，本发明提出的eKPCA根据Hotelling统计量(T²)和平方预测误差(SPE)来计算每个被监测变量对T²和SPE的贡献，从而更加精确得到数据的关键特征；本发明利用蜻蜓算法(DA)来寻求增强朴素贝叶斯分类器的最优平滑参数，并通过将平滑参数引入到多元高斯核函数中，使得eK‑eNBM可以对整个属性使用最优的平滑参数，从而提高分类精度，为化工过程提供较高的故障诊断准确率。

技术领域

本发明属于化工领域，具体涉及一种用于化工故障诊断的增强主成分分析的新型贝叶斯框架。

背景技术

近年来，随着分布式控制系统的广泛应用，化工过程的自动化程度越来越高。然而，伴随着化工过程的发展，一些事故的发生也不可避免的造成人员伤亡，财产损失以及环境破坏的后果。因此，确保化工过程安全可靠是实现化工自动化的首要保证。化工过程的故障诊断是过程控制系统中最重要的步骤之一，其旨在检测生产过程中的异常状态，找出故障的根本原因，帮助做出可靠的决策以及排除系统故障，它是确保操作成功和提高安全性的关键所在。虽然智能方法在故障诊断层面取得了一定的成功，但也存在一些固有的缺陷。大多数智能方法的性能很大程度上取决于所提取特征的质量，化工过程中的故障类型往往表现为复合故障，因此，有效的故障诊断需要合适的特征提取方法；为了提高故障诊断的性能，从不同诊断场景的原始数据中挖掘敏感特征是一项具有挑战性的任务。然而，特征提取很大程度上依赖于诊断专家的经验，大多数智能方法很难有效地学习非线性关系和利用原始数据的相关性。因此，针对复杂化工过程，提出一种新的有效的故障诊断框架是十分必要的。

发明内容

本发明是为了解决现有技术中存在的上述技术问题而做出，其目的在于提供一种面向化工故障诊断基于增强主成分分析的新型贝叶斯框架，以保证充分利用各种方法，摆脱对先进信号处理技术和人工特征提取的依赖，并可以通过最佳平滑参数选择，进一步取得对故障诊断性能的提升。

为了实现上述目的，本发明提供一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法,包括以下步骤，

S1：TE过程数据采样；

S2：计算监测变量的贡献度；

S3：提取故障的关键特征变量；

S4：训练与测试数据集划分；

S5：蜻蜓算法寻找最优平滑参数；

S6：构造增强朴素贝叶斯模型。

进一步的，所述步骤S1包括，

在TE过程基本模式中进行数据采样，采样周期设置为20个样本/小时。

进一步的，所述步骤S2包括，

将输入数据X_N×M∈R^N×M，其中N为样本数，M为特征总数，R为X取值的数据集合，R为实数空间，X为输入数据，通过非线性映射函数映射到G，G为高维特征空间，X_N×M∈R^N×M→G，是原始数据x_i在特征空间G中的映射，x_i(i＝1,…,N)为X的样本，的协方差矩阵表示为：

令λ∈R为C^F的特征值，U∈R^M是C^F的特征向量，因此有，λU＝C^FU，U表示为：