[發明專利]一種異常變量精確識別與定位方法

有效

• 申請號: 201910028749.X
• 申請日: 2019-01-11
• 公開（公告）號: CN109683594B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 王國柱;楊曉;邢倩;杜志勇;孟昕元
• 申請（專利權）人: 河南工學院
• 主分類號: G05B23/02
• 分類號: G05B23/02;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 范彥揚

一種異常變量精確識別與定位方法，包括：根據正常工作數據建模，通過正常模型的近鄰平方距離控制閾值對實時數據進行故障檢測，再通過正常模型的變量貢獻控制閾值對故障數據進行異常變量“一次”識別，隨后對故障樣本中排除的異常變量進行重構后再次與所述近鄰平方距離控制閾值進行比較進行異常變量“二次”識別，若仍識別出異常則回到上一步，直至不再出現異常。

技術領域

本發明涉及異常變量識別與定位領域，具體而言，涉及一種基于k最近鄰變量貢獻分析與數據重構的異常變量精確識別與定位方法。

背景技術

當檢測到工業過程中存在故障時，提取有效的故障信息，研究各種故障和異常變量之間的關系，建立準確的“故障-征兆”表并將其作為后續故障決策與評價時可用的知識庫是非常必要的，也成為目前故障診斷領域研究的熱點問題。在基于統計理論研究的框架下，貢獻圖方法是最常用的異常變量識別方法，可以分為SPE貢獻圖和T²貢獻圖兩種，該方法通過柱狀圖使每個變量的貢獻值可視化，直觀地顯示出故障發生時各變量的貢獻程度。故障發生后，貢獻圖方法通常認為對統計指標貢獻較大的變量為可能造成過程故障發生的責任變量，但并沒有確定貢獻變量的控制閾值，即各個變量的貢獻僅起到指導作用，最終的故障原因還需要過程經驗豐富的操作人員進一步分析和確定；換句話說，貢獻圖方法只能對變量貢獻進行排序，大致找到發生異常的變量，并不能識別過程中所有發生異常的變量。類似PCA貢獻圖方法，一些基于完全分解、局部分解和角度的異常變量識別方法也被相繼提出，美國南加州大學學者Alcala在文獻中也對這些方法進行了總結，并闡明了此類方法的優缺點。隨后，基于重構貢獻的方法也逐漸興起，Qin等人提出了一種基于傳感器有效度指標的故障診斷技術，作者認為通過對異常傳感器的數據重構，可以有效地減小SPE統計指標，在對沒有發生故障的傳感器變量重構時，由于故障信息仍然存在，重構后的SPE與故障時沒有太大的變化，這也為異常變量的辨識提供了保障；Alcala和Qin提出了一種基于重構貢獻的故障診斷技術，驗證當只發生傳感器故障時，重構貢獻圖方法的診斷準確率要高于傳統貢獻圖方法。雖然上述方法在對過程中異常變量進行識別時具有較高的準確性和可靠性，但它們通常需要假設故障方向已知或過程中已經具備經驗知識，而過程中準確的假設和有效經驗的獲取具有一定的難度，并且該類方法和傳統貢獻圖方法一樣不能避免變量之間的擴散效應。

近年來，基于k最近鄰(k-NN，k-NearestNeighbor)分類算法理論的故障檢測方法已經被提出并成功用于監視連續過程和間歇過程。但由于該方法的計算量大，需要存儲的中間值多，k-NN方法對計算機的計算速度與存儲空間就有較高的要求。為了解決這些問題，塔斯基吉大學He等人提出了PC-k-NN方法，該方法采用原始樣本的主成分作為建模樣本，既降低了計算距離的運算量，又節省了存儲空間，但該方法忽略了發生在殘差空間的異常信息。隨后，沈陽化工大學李元等人提出了一種基于特征空間k最近鄰(Feature Space kNearest Neighbor,FS-k-NN)的批次過程故障檢測方法，該方法結合特征空間的主元部分和殘差部分全面表示原始數據的有用信息，取得了一定的效果。盡管k-NN方法在故障檢測領域已經取得了令人滿意的成果，但在故障識別與定位方面的研究較少。因此，在沒有可用故障數據知識和經驗的情況下應用k-NN方法進行異常變量的有效識別存在一定的挑戰，也具有一定的學術研究價值和實際意義。

發明內容

基于上述問題，本發明提供了一種基于k-NN變量貢獻分析與數據重構的異常變量精確識別與定位方法，該方法不需要進行數據變換，并且能夠有效避免因變量擴散效應帶來的影響。

為了實現上述目的，本發明采用如下的技術方案：

基于k-NN變量貢獻分析的異常變量“一次”識別，包括：

選取每個樣本的前k個鄰近數據樣本建立過程的統計模型，提取正常樣本之間的最近鄰距離特征量，確定模型的統計控制限，進而對實時樣本進行檢測。

假設采集到的過程正常運行數據集為X_n×m，n為樣本個數，m為變量或傳感器個數，k-NN方法可以通過以下步驟進行建模：