[發明專利]一種基于證據K近鄰的多工況流程工業過程故障檢測方法

有效

• 申請號: 202010164092.2
• 申請日: 2020-03-11
• 公開（公告）號: CN111352408B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 賀凱迅;蘇照陽;鐘麥英
• 申請（專利權）人: 山東科技大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 青島智地領創專利代理有限公司 37252
• 代理人: 種艷麗

1.一種基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：包括如下步驟：

步驟1：獲取工業過程的正常歷史工況數據，將此正常歷史工況數據作為訓練集，對此訓練集進行標準化，計算標準化后的值；

步驟2：通過聚類算法，將標準化后的訓練集劃分為多個正常工況；

步驟3：根據相關度準則，確定證據信息，由于每個訓練樣本都攜帶證據信息，因此得出每個訓練樣本與每個正常工況的相關度，進而建立證據信息庫；證據信息庫是所有正常樣本所攜帶證據信息的集合；

步驟4：根據每個訓練樣本的局部密度，計算訓練樣本的折扣因子γ_i，使故障邊界適應訓練樣本的局部特征；

步驟5：對待測數據進行標準化，并在訓練集中找出距離待測數據最近的k個樣本；

步驟6：根據D-S證據理論Dempster’s整合規則，將步驟5中的k個樣本的證據信息進行合成，得到故障檢測結果；包括以下步驟：

步驟6.1：根據公式(4)，計算自適應折扣因子γ^s：

其中，λ用來調整γ^s的大小，γ_i為訓練樣本的折扣因子；

步驟6.2：根據公式(5)，計算訓練樣本的權重值：

其中，d_i表示待測樣本與訓練樣本的歐氏距離，γ^s為自適應折扣因子；

步驟6.3：根據公式(6)，計算待測樣本從屬于每個工況的mass函數：

其中，α為訓練集的置信度，m_i(A)為待測樣本的證據信息；表示距離待測樣本最近的K個訓練樣本的索引集合，d_si表示待測樣本與訓練樣本之間的距離；

步驟6.4：根據公式(7)、(8)、(9)，合成mass函數，得出診斷結果；

其中，K₁為標準化因子，m^s(Ω)表示測試樣本故障概率，m^s({ω_q})表示測試樣本從屬于每個工況的概率。

2.根據權利要求1所述的基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：在步驟1中，根據公式(1)，計算標準化后的值，正常工況數據集n為正常工況樣本的個數，i代表第i個樣本，p為每個樣本的維度：

其中，是實際值，是變量x^j的最大值，是變量x^j的最小值，是標準化后的值，j表示樣本維度。

3.根據權利要求1所述的基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：所述步驟2中的聚類算法為K均值聚類法、高斯混合模型聚類法、密度峰值聚類法中的任意一種。

4.根據權利要求1所述的基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：所述步驟3中的相關度準則為歐氏距離、馬氏距離、局部密度中的一種或兩種方法的組合。

5.根據權利要求1所述的基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：在步驟3中，根據公式(2)，為每個訓練樣本計算證據信息：

其中，q表示第q個正常工況，d_iq為第i個樣本與第q個正常工況的相關度，c表示總的正常工況數量；表示第i個樣本與所有工況相關度的總和，m_i({ω_q})表示第i個樣本屬于第q個正常工況的概率。

6.根據權利要求1所述的基于證據K近鄰的多工況流程工業過程故障檢測方法，其特征在于：在步驟4中，根據公式(3)，計算訓練樣本的折扣因子γ_i：

其中，D_i是樣本x_i與距離樣本x_i最近的k訓練樣本之間的距離組合成的集合，ε是quantile函數內的參數。