[发明专利]基于多分类器和D-S证据融合的工业过程故障检测方法

摘要

本发明公开了一种基于多分类器和Dempster-Shafer（D-S）证据融合的工业过程故障检测方法，该方法首先根据对工业过程的正常数据进行独立重复采样，然后对新的训练模型数据应用多个分类器方法，建立相应的分类器模型；然后通过D-S证据理论对多个分类器决策进行集成和综合，获得最后的监测结果。相比目前的其它方法，本发明可以大大提高工业过程的监测效果，减小延迟检测时间，很大程度上改善了监测性能，增强了过程操作员对过程的理解能力和操作信心，更加有利于工业过程的自动化实施。

主权项

1.一种基于多分类器和D-S证据融合的工业过程故障检测方法，其特征在于，包括以下步骤：（1）利用系统收集过程正常运行的数据组成建模用的训练样本集：X=[x₁;x₂;…;x_n]。其中X∈R^n×m，n为训练样本总数，m为过程变量数，R为实数集，R^n×m表示X满足n×m的二维分布；将这些数据存入历史数据库；（2）从数据库中调用正常数据，采用独立重复采样方法对数据矩阵进行重排处理，得到数据矩阵集（3）对数据集进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为（4）调用不同的分类器方法，选择分类器的个数为G，包括无监督方法和有监督方法，在新的数据矩阵集下建立不同的分类器模型，对无监督模型构造相应的T²和SPE统计量的检测统计限；对有监督模型构造相应的标签指标；（5）将建模数据和各个模型参数存入历史数据库和实时数据库中备用；（6）收集新的过程数据，并对其进行预处理和归一化；（7）分别采用不同的分类器模型对其进行监测，即建立统计量T²和SPE以及标签，这样每一种方法都可以得到一个关于正常或者故障的决策；（8）通过D-S证据理论，利用每一种方法对不同故障检出率的先验知识，计算当前监测数据在所有分类器方法下的综合检出率，并做出最后决策。