[发明专利]基于修改聚类半监督核主元分析的早期故障检测方法

摘要

本发明提供一种基于修改聚类半监督核主元分析的早期故障检测方法，涉及故障监测与诊断技术领域。该方法通过离线建模与在线监测，同时考虑数据的本身分布信息和数据类别标签信息，并采用修改的聚类假设，运用改进的半监督KPCA方法，先找到早期故障数据，进而进行二次建模，得到偏向于主元的分解函数，找到划分故障与正常的分界，运用该分解函数判定新采集的数据是否属于故障类数据。本发明针对于工业早期故障难以发现和判定的问题，不仅能大大降低误报警，还提高了故障检测的准确性。

主权项

1.一种基于修改聚类半监督核主元分析的早期故障检测方法，其特征在于：包括以下步骤：步骤1：采集冶炼工业过程中的传统数据与多媒体流数据，包括：冶炼初期即完全正常状态的数据、冶炼过程中数据、喷炉故障发生前后数据，并对采集的正常和故障数据进行标记，得到标记样本数据其标签矩阵为y_i∈[1，C]，C为类别总数，其它数据作为无标记数据，得到未标记样本数据其中x_i∈R^D、x_j∈R^D，N＝n_l+n_u，D表示x_i、x_j的数据维数，n_l表示标记样本数，n_u表示未标记样本数；提取采集的多媒体流数据中的关键帧，并提取多媒体流数据的色彩与灰度特征，并将传统数据与多媒体流数据统一进行标准化处理和坐标变换，得到采样样本数据；步骤2：用步骤1标准化后的采样样本，通过建立基于类成员的半监督分类模型，即SSCCM模型，得到未标记样本的标签成员资格，进而找出早期故障数据；具体方法为：步骤2.1：采用修改聚类假设，根据邻域学习准则约束每个样本与其邻域加权平均值共享相同的标签成员向量，建立基于类成员的半监督分类模型即SSCCM模型，在再生希尔伯特空间采用(f，v)交替迭代的方法求解该模型，得到决策函数f和标签成员资格函数v；步骤2.2：根据决策函数f和标签成员资格函数v找出早期故障数据，使用如下互补的两种方法进行判定：(1)对于处于决策边界附近的样本x，检验其决策函数f(x)与标签成员资格函数v(x)的一致性，如果两者不一致，则判断x为早期故障点；(2)对于处于决策边界附近的样本x，判定两侧的标签成员资格函数v1(x)与v2(x)之差是否小于标签成员函数的选择系数ε，即|v1(x)‑v2(x)|＜ε，0≤ε≤1；对于上述两种方法判定出的相同的早期故障点数据，取其中之一，综合得到所有的早期故障数据；步骤3：将步骤2得到的早期故障数据重新作为未标记数据数据个数为m；将步骤1中的标记数据和步骤2中已经明确划分类别的数据重新作为标记数据标签值矩阵为y_l为第l个标记数据的标签值，Y′∈R^r，数据个数为M；考虑早期故障数据的变化信息，并基于修改的聚类假设，建立修改聚类假设的半监督KPCA故障检测模型，进行第二次分类，找到早期故障数据中偏向主元的分界线f_D；修改聚类假设的半监督KPCA故障检测模型如式(6)所示；其中，Y0与Y1是新标记的正常与故障两类数据的标签值，与新的标记数据标签值应一致；v0与v1分别表示正常和故障两类标签成员资格概率值，λl和λu是新的标记数据与新的未标记数据的权衡参数；s是方差约束控制参数；步骤4：对冶炼工业过程进行在线故障检测与诊断；将新采集的多媒体流数据按步骤1采用的方法进行标准化处理，得到新样本xnew，利用步骤3得到的二次分界线fD，判定xnew的类别，如果判定为故障类，则认为该冶炼工业过程发生故障；否则，继续步骤4处理下一个新样本信息。