[發明專利]基于線性評價因子的線性-非線性工業過程故障檢測方法

有效

• 申請號: 201810679472.2
• 申請日: 2018-06-27
• 公開（公告）號: CN108830006B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 鄧曉剛;鄧佳偉;王磊;曹玉蘋
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 徐艷艷

本發明涉及一種基于線性評價因子的線性?非線性工業過程故障檢測方法。其步驟為：首先對訓練數據和測試數據進行歸一化處理；其次，定義線性評價因子LEF(x_i,x_j)，通過線性評價因子LEF(x_i,x_j)衡量變量間不同的相關性，借助線性評價因子劃分出工業過程中的線性塊和非線性塊，能夠更細致地描述局部變量的相關性；在此基礎上，在不同子塊分別建立PCA模型、KPCA模型，并融合所有塊的信息，通過融合后的統計量判斷是否發生故障，進而改善故障檢測結果，提高故障檢測率。

技術領域

本發明屬于復雜工業過程故障檢測技術領域，涉及一種基于線性評價因子(linear evaluating factor，簡稱LEF)的線性-非線性混合工業過程故障檢測方法。

背景技術

由于現代工業系統日益大型化，工業過程的故障診斷已經成為保證現代工業系統安全穩定運行的關鍵技術。隨著現代計算機控制技術的發展，工業過程中采集并存儲了豐富的過程數據。因此，基于數據驅動的故障檢測方法逐漸成為工業過程監控領域的研究熱點。在線性工業過程監控，經典的方法是主元分析(PCA)方法。針對非線性工業系統的工業過程監控問題，研究人員進一步提出核主元分析(KPCA)方法。然而大多數的工業生產過程由于系統規模龐大，過程變量之間不僅存在顯著的線性關系，且也存在明顯的非線性關系，即呈現出線性與非線性兩類關系并存的狀態。一般的，PCA方法適合于線性過程的監控，但難以反映變量間的非線性關系；而KPCA能有效提取過程中的非線性關系，但是處理線性關系時卻復雜繁瑣，效率較低。所以，對所有過程變量建立單一的PCA或KPCA模型均不能深入挖掘過程信息，如何從復雜數據中同時提取線性和非線性特征信息成為數據驅動的故障診斷中的挑戰性課題。

發明內容

本發明針對傳統工業過程監控方法存在的無法準確描述復雜系統含有的線性-非線性過程信息的問題，提供一種基于線性評價因子的線性-非線性工業過程故障檢測方法。該方法能夠更加精確地衡量工業過程數據中的線性和非線性特征信息，提高故障檢測率，進而改善故障檢測結果。

為了達到上述目的，本發明提供了一種基于線性評價因子的線性-非線性工業過程故障檢測方法，含有以下步驟：

(一)收集歷史數據庫的正常操作工況數據作為訓練數據X_o，并使用均值和標準差對訓練數據X_o進行歸一化處理，得到歸一化后的訓練數據X。

(二)計算兩變量間的線性評價因子LEF(x_i,x_j)；其中，x_i為第一變量，i＝1；x_j為第二變量，2≤j≤m；

(三)基于線性評價因子LEF(x_i,x_j)將訓練數據X劃分出線性塊和非線性塊；

(四)針對線性塊建立PCA模型，計算線性塊的統計量L_T²和統計量L_SPE；針對非線性塊建立KPCA模型，計算非線性塊統計量NL_T²和統計量NL_SPE；

(五)采用核密度估計法計算統計量L_T²、統計量L_SPE、統計量NL_T²和統計量 NL_SPE的置信限L_SPE_b,lim、和NL_SPE_lim，其中b代表第b個線性塊；

(六)采集測試數據x_new，利用訓練數據X_o的均值和標準差對測試數據x_new進行歸一化處理，得到歸一化后的測試數據x_t；

(七)將測試數據x_t按步驟(三)劃分出線性塊和非線性塊；