[發明專利]有向網絡下增強稀疏保持嵌入的動態過程監測方法

在審

• 申請號: 201711135315.7
• 申請日: 2017-11-14
• 公開（公告）號: CN108398925A
• 公開（公告）日: 2018-08-14
• 發明（設計）人: 盧春紅;王杰華;陳曉紅;商亮亮
• 申請（專利權）人: 南通大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張素慶

本發明公開了一種有向網絡下增強稀疏保持嵌入的動態過程監測方法，利用稀疏表示構建有向網絡，將動態的時空網絡結構轉換成普通的有向網絡結構。通過計算有向網絡的概率路徑值，表征樣本之間的有效距離，獲得有向網絡的相似度連接矩陣，刻畫過程的動態變化特性。在此基礎上建立的增強稀疏保持嵌入模型能更好地挖掘動態過程中邊緣網絡故障的隱藏特征。本發明方法所涉及的有向網絡下增強稀疏保持嵌入模型能取得更優越的動態過程監測效果。

技術領域

本發明屬于工業過程監控領域，尤其涉及一種有向網絡下增強稀疏保持嵌入的動態過程監測方法，利用有向網絡的概率路徑值獲取樣本之間的有效距離，度量樣本之間的相似信息，抓取數據的潛在流形結構，反映動態過程的變化情況。

背景技術

現代的工業過程監測對保障生產安全、提高產量等具有舉足輕重的作用。隨著分布式控制系統的發展，生產中采集了大量的過程數據。因此，基于數據驅動的多元統計過程控制方法獲得了成功的應用。該類方法利用采集的大量數據，分析數據潛在的結構特征，構建監控模型，實現過程監測。

最近，流形學習方法也成功應用于不同的工業過程。鄰域保持投影便是流形學習中的一種方法，利用近鄰構建權重鄰接圖譜矩陣，投影到低維的子空間，描述數據潛在的局部幾何結構。然而，鄰接圖譜矩陣的構建過程嚴重依賴于成對樣本之間的歐式距離，容易受到噪音的干擾；同時，無法準確定位近鄰樣本，使得監測模型不能準確表征樣本之間的潛在流形結構。

為此，稀疏表示保持嵌入(Sparse Representation Preserving Embedding,SRPE)方法被提出來，利用稀疏表示構建稀疏權重鄰接圖譜，自動地決策鄰域參數，更好地反映數據的幾何拓撲結構及數據的動態特點。該方法突出了每個樣本與重構樣本之間的誤差，即拓撲結構關系，卻忽視了每個樣本與重構樣本之間的距離，即樣本之間的相似信息，缺失的這部分信息將導致構建的監控模型不夠精確。由于近樣本之間的距離比遠樣本之間的具有更多的相似信息，能夠更好地描述動態過程的變化情況。因此，樣本之間的有效距離對監測模型同等重要。為此，需要設計出一個既能表征數據拓撲結構關系，又能反映樣本之間有效距離的監測模型，改善動態過程監測的性能。

發明內容

鑒于現有方法存在的不足，本發明的目的在于提供一種有向網絡下增強稀疏保持嵌入的動態過程監測方法。在稀疏表示保持嵌入方法的基礎上，針對動態過程潛在的結構復雜特性，構建具有大量概率路徑值的有向網絡，獲取有向網絡的有效距離，將復雜的動態時空網絡過程轉換成普通的有向網絡過程。該方法能夠彌補稀疏表示保持嵌入方法所缺失的樣本之間的相似信息，通過概率路徑值表征樣本間的有效距離，抓取了動態過程中傳播的故障。

有向網絡下增強稀疏保持嵌入方法，構建具有大量概率路徑值的有向網絡，將動態的時空過程轉換為普通的有向網絡結構過程，有向網絡的概率路徑值融入稀疏表示，獲得復雜網絡的拓撲結構關系及樣本之間的相似信息，步驟如下：

(1)建立魯棒的稀疏表示模型，求解稀疏重構權重矩陣C，給定數據集X＝[x₁,x₂,…,x_n]∈R^m×n，則稀疏表示的目標函數為：

min_C,E||C||₁+ε||E||₁

s.t. X＝X·C+E

1^TC＝1^T