[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

本發明公開了一種基于證據K近鄰的多工況流程工業過程故障檢測方法，屬于工業過程監控領域，該方法首先對歷史數據進行聚類分析，將歷史數據按工況進行劃分，組成多工況訓練集。然后計算訓練集內每個樣本與每個工況的相關度，建立證據信息庫；對于一個待檢測樣本，由K近鄰模型從訓練集中選出k個樣本，用D?S證據理論合成這k個樣本對應的證據信息，得到最后的檢測結果。本發明基于證據K近鄰建立的故障診斷模型可以很好的適應系統多工況運行狀態；該方法可以降低在監控過程中的誤報率，提高故障報警的精度。

技術領域

本發明屬于工業過程監控領域，具體涉及一種基于證據K近鄰的多工況流程工業過程故障檢測方法。

背景技術

隨著DCS的廣泛應用，從工業過程中收集數據變得越來越容易。數據挖掘和數據庫技術的發展也為數據驅動建模方法在工業過程中的發展和應用提供了強有力的技術支持。因此，數據驅動的過程監控、控制和系統優化得到了廣泛的應用。

鍋爐作為一種復雜的大型能源轉換設備，是火力發電廠最重要的部分之一，鍋爐的穩定運行與電能質量密切相關。然而，鍋爐燃燒過程復雜多變，難以利用傳統的機理分析建立其精準模型；同時，鍋爐負荷隨著外界需求而變化，在不同的負荷下，鍋爐的操作模式發生改變，運行過程表現出明顯的多工況特性。

對于傳統的故障診斷方法，如主成分分析(principal components analysis,PCA)，偏最小二乘(partial least squares,PLS)等長期以來一直用于工業過程的故障檢測和診斷。此類方法也被認為是非常有效的。但需要注意的是，PCA、PLS等方法是假設過程變量獨立，分布均勻且線性相關的前提下制定的，并且假設系統只有單個正常工況。而在實際的工業生成中，難以符合這種假設條件，導致監控結果不精確，出現大量的錯誤報警。

發明內容

針對上述技術問題，本發明提出了一種基于證據K近鄰的多工況流程工業過程故障檢測方法，克服了現有技術的不足，具有良好的效果。

為了實現上述目的，本發明采用如下技術方案：

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，包括如下步驟：

步驟1：獲取工業過程的正常歷史工況數據，將此數據作為訓練集，對訓練集進行標準化，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，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。

優選地，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。

優選地，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。

優選地，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。