[發明專利]一種基于稀疏GMM的多模過程質量相關的故障診斷方法

有效

• 申請號: 201811331420.2
• 申請日: 2018-11-09
• 公開（公告）號: CN109491338B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 盧春紅;王杰華;商亮亮;陳曉紅
• 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: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱楨榮

本發明公開了一種基于稀疏GMM的多模過程質量相關的故障診斷方法，利用稀疏表示獲取高質量的系數權重矩陣，并融合流形結構信息，構建稀疏高斯混合模型，使得高斯成分的概率分布沿著數據流形結構平滑變化，以及高斯成分的局部近鄰樣本之間相似，自動地獲取高斯成分的數目，對噪音和離群點具有魯棒性，獲得質量相關的故障檢測，同時依據已檢測故障的受控近鄰，定位故障發生的根源變量。與高斯混合模型監測方法相比，本發明方法表征了過程數據局部流形結構和數據的稀疏關系，獲取了樣本之間的局部相似關系，反映多模態過程的變化情況。因此，本發明所涉及的稀疏GMM方法可以取得更好的故障檢測效果和準確定位故障發生的根源變量。

技術領域

本發明涉及工業過程監控技術領域，特別是一種基于稀疏GMM的多模過程質量相關的故障診斷方法。

背景技術

現代工業的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，生產規模和操作復雜度急劇增加，過程采集了大量的高維數據。而且，由于生產的產品等級、產量會隨市場需求及季節效應不斷調整，產品成分、過程設定值、進料比例等工藝參數也會出現波動，現代的工業過程會在多個不同的操作模態之間進行切換。這些生產過程中的隨機變化使得過程數據呈現非線性、多模態等特點。盡管基于數據驅動的多元統計過程控制(Multivariate Statistical Process Control,MSPC)方法在過程監測中取得了成功的應用，但是多模非線性數據的均值和協方差均發生了重大的變化，傳統的MSPC方法忽視了不同過程變量之間存在的非線性和多模關系，可能導致監測結果的退化。而且，在實際生產過程中，產量和產品質量通常難以直接在線測量，需要在生產完成后進行測量。因此，構建產品變量和質量變量之間的關系模型對于質量相關的多模過程監測尤其重要。高斯混合模型(Gaussian Mixture Model,GMM)被用于多模態過程監測，利用一系列高斯成分估計多模過程中復雜的數據分布，并構建基于馬氏距離和似然概率的統計指標實施過程監測。

然而，GMM假設多模過程的每個單模態呈高斯分布，實際的過程數據有可能集中分布在低維的子流形結構上。因此，每個流形的鄰域樣本可能分布在相同的高斯成分中，可以融合過程的流形幾何信息，構建流形GMM監測模型。而且，對生產過程的產量和產品質量這些關鍵變量而言，難以直接在線測量，而是在生產完成后測量的。因此，構建過程變量和質量變量之間的關系模型對質量相關的故障檢測與診斷尤其重要。

最近，馬等(Neurcomputing,2015(285))提出魯棒高斯混合模型(robustGaussian mixture model,RGMM)，自動獲取高斯成分數，用于質量相關的故障檢測與診斷。然而，多模過程中每個高斯成分內，在建模時也需要抓取近鄰數據分布的相似性，充分挖掘多模態的流形鑒別能力，保持高斯內部局部幾何結構特征。此外，局部流形結構中的權重矩陣在描述數據的幾何結構中具有重要的作用，傳統的流形學習通常采用k近鄰或ε-球形方法，在給定參數的情況下確定鄰域值。這些方法對數據噪音和離群點敏感。

發明內容

本發明所要解決的技術問題是克服現有技術的不足而提供一種基于稀疏GMM的多模過程質量相關的故障診斷方法，本發明提出的稀疏GMM方法可以充分發現多模過程的內在變化，依據已檢測到故障的受控近鄰，選取與質量相關的重要的故障變量；相比傳統GMM監測方法，可以獲得更高的診斷精度和更強的故障鑒別能力。

本發明為解決上述技術問題采用以下技術方案：

根據本發明提出的一種基于稀疏GMM的多模過程質量相關的故障診斷方法，包括以下步驟：

步驟A、建立過程變量與質量變量之間的稀疏表示模型，獲得樣本的稀疏重構權重矩陣S；

步驟B、構建稀疏高斯混合模型：根據稀疏表示模型獲得的稀疏重構權重矩陣S中的稀疏系數，形成高斯成分周圍近鄰樣本相似性的約束條件，自適應選擇訓練樣本的鄰域范圍，獲取了高斯成分相似的條件概率分布，保持了數據流形結構的局部性和稀疏性，自動地識別高斯成分數目；