[发明专利]基于改进核熵成分分析的非线性故障检测方法及应用

摘要

本发明公开了一种基于改进核熵成分分析的非线性故障检测方法及其应用。该方法通过利用核熵成分分析方结合集成学习及贝叶斯推论实现对工业生成过程进行监测，判断生产过程是否有故障发生。本发明针对实际生产过程中数据的非线性问题，采用核熵成分分析利用信息熵的特点有效避免考虑数据的实际分布情况（高斯分布、非高斯分布等），并通过集成学习引入多个模型从而避免了核熵成分分析中核函数参数盲目选取的问题。有效地提高了工业生成过程当中故障的检测效果。

主权项

1.一种基于改进核熵成分分析的非线性故障检测方法，其特征在于，包括以下的步骤：步骤一：离线建立模型,利用正常工况下的数据通过核熵成分分析方法建立不同核参数的离线模型；步骤二：在线检测,将在线数据利用离线模型投影到各个模型Renyi熵最大的核方向上；接着再利用贝叶斯推论转化为概率形式；最后利用集成学习将这些概率形式的多个模型组合起来利用步骤一对实际生产过程的数据进行检测，判断是否有故障发生；步骤一所述的离线建模过程为：1)采集工业生产过程中的数据，对相关变量进行预处理，对样本数据的归一化，采集到的数据可以表述为X＝[x1,x2,…,xN]T∈RN×m，其中m表示过程变量的个数，N表示样本数目，xi∈Rm,i＝1,…,N对应于第i个样本，然后将数据去量纲，处理为0均值，方差为1的数据；对样本数据的归一化方法为：xi*＝(xi‑minxi)/(maxxi‑minxi)，其中xi和xi*分别表示归一化前后的值，maxxi和minxi分别表示样本数据中的最大和最小值；2)利用正常工况下的数据经预处理后通过核熵成分分析方法建立不同核参数的离线模型；熵估计可以表示为：其中，表示熵估计，K为核矩阵，1为元素均为1的列向量，k(x_i,x)为核函数，采用高斯核函数，其定义如下：对核矩阵进行特征分解，此时，熵估计表示为：其中λ表示分解后的特征值，e表示对应的特征向量，那么，熵最大的值对应的特征向量即为其投影向量，投影后的非线性部分表示为：T＝KE；其中T为投影后的非线性部分，E为投影矩阵；3)确定每一个子模型对应的控制限；步骤二所述的在线检测过程如下：1)采用与离线建模阶段相同的数据预处理方法将要进行在线检测的数据处理为0均值，方差为1的数据，归一化方法为：xi*＝(xi‑minxi)/(maxxi‑minxi)，其中xi和xi*分别表示归一化前后的值，maxxi和minxi分别表示样本数据中的最大和最小值；2)将在线数据利用离线建立的模型投影到各个模型熵最大的核方向上，其中第i个模型的投影可以表示为：T(i)＝K(i)E(i)分别对不同的模型进行投影，分别提取各个模型的主成分部分；3)在利用核熵成分分析方法的模型将在线数据进行投影之后，利用贝叶斯推论将得到的投影部分转化为概率的形式，其形式如下所示：而分母中的概率可以由下面的两个式子计算：其中N、F分别表示正常工况和故障工况，p(N)、p(F)则表示它们对应的概率值，可以由所给定的置信水平来计算，其它的概率形式可以根据其控制限与其实际值的比值的指数形式来计算；4)利用集成学习通过权重将这些概率形式的多个模型组合起来，集成后统计指标如下所示：5)根据4)所计算的统计指标与置信水平作比较判断是否有故障发生，若统计指标大于置信水平则表示有故障发生，否则，则判断为工况正常，没有检测到故障。