[發明專利]基于遷移學習的多模式流程工業過程的數據驅動故障檢測方法

有效

• 申請號: 202211524767.5
• 申請日: 2022-12-01
• 公開（公告）號: CN115563494B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 李琳琳;陳鑫;彭鑫;彭開香
• 申請（專利權）人: 北京科技大學;華東理工大學
• 主分類號: G06F18/2135
• 分類號: G06F18/2135;G06F17/16;G06F9/448;G06N20/00
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明公開了一種基于遷移學習的多模式流程工業過程的數據驅動故障檢測方法，包括：采集流程工業過程的歷史數據；利用基于Tucker分解的高斯核函數處理非線性數據，然后基于相關性信息的遷移學習方法減小源域和目標域數據分布的差異，獲得域間共享特征；根據域間共享特征，基于典型多元分解和主成分分析建立流程工業過程的多模式故障檢測模型；根據域間共享特征，進行平穩性檢驗分離非平穩變量，利用協積分分析建立非平穩變量的動態平穩監測模型，最終建立一套完整的多模式流程工業過程故障檢測模型；利用建立好的多模式流程工業過程故障檢測模型，應用于多模式流程工業過程的在線故障檢測。本發明能夠提高系統故障檢測的效率和準確率。

技術領域

本發明涉及流程工業過程故障檢測技術領域，特別涉及一種基于遷移學習的多模式流程工業過程的數據驅動故障檢測方法。

背景技術

故障檢測對于復雜工業系統的安全運行至關重要。基于數據驅動的故障檢測方法相比基于知識和解析模型的方法具有建模過程簡單、無需復雜機理建模等優點。因此，關于數據驅動故障檢測方法的研究和應用正在廣泛地開展。其中，基于多元統計的方法受到越來越多的關注。然而，這些方法都需要大量的歷史數據來建立模型。但是，在實際生產過程中，某些流程工業過程無法獲得大量的歷史數據。比如一座未正式投入使用的新的污水處理廠，它的可獲取的歷史數據很少。雖然舊的污水處理廠有著大量的歷史數據，但是舊的污水處理廠的歷史數據不能直接作為新的污水處理廠的歷史數據，否則會導致用于模型訓練和測試的數據來自不同的分布，從而使建立的系統模型的性能下降。這是因為新的和舊的污水處理廠的工藝參數不同，它們在相同模式下收集的數據的分布會有差異。除此之外，流程工業過程還具有多模式、非線性的特點。傳統的基于多元統計的方法大多只適用于線性假設的情況，大多建立的是單模式的系統模型。

綜上所述，基于數據驅動的故障檢測方法大部分依賴于足夠的歷史數據，并且要求用于模型訓練和測試的數據通常來自相同的分布，對于一些實際的流程工業過程來說，這些條件難以滿足。除此之外，工業過程數據還表現出非線性的特點，基于多元統計的故障檢測方法大多只適用于線性假設的情況，不能處理非線性的情況。當系統呈現出非線性的特點時，傳統的基于多元統計的方法很難建立起準確的系統模型。此外，流程工業過程數據還呈現出多模式的特點，這使得系統模型在監測故障時，要能區分模式變化和故障變化，避免系統錯誤地將模式變化判斷為故障。在大多數的數據驅動的故障檢測方法中，這個問題并沒有被考慮到。

發明內容

本發明的目的在于提供一種基于遷移學習的多模式流程工業過程的數據驅動故障檢測方法，針對多模式的流程工業過程，在沒有足夠歷史數據的情況下，或者用于模型訓練和測試的數據來自不同的分布時，通過遷移學習技術來建立系統的故障檢測模型，解決目標對象無法建模的問題；針對多模式的流程工業過程，在系統呈現出非線性的特點時，利用基于張量分解的核函數處理非線性數據，通過基于典型多元分解的子空間分離的技術解決多模式系統建模的問題，降低了建模成本，提高了系統檢測效率；針對多模式的流程工業過程，通過協積分分析建立系統的動態平穩監測模型來區分模式變化和故障變化，避免系統錯誤地將模式變化判斷為故障，提高了系統檢測的準確率。

為解決上述技術問題，本發明的實施例提供如下方案：

一種基于遷移學習的多模式流程工業過程的數據驅動故障檢測方法，包括以下步驟：

S1，采集流程工業過程的歷史數據；利用基于Tucker分解的高斯核函數處理非線性數據，然后基于相關性信息的遷移學習方法減小源域和目標域數據分布的差異，獲得域間共享特征；

S2，根據域間共享特征，基于典型多元分解和主成分分析建立流程工業過程的多模式故障檢測模型；

S3，根據域間共享特征，進行平穩性檢驗分離非平穩變量，利用協積分分析建立非平穩變量的動態平穩監測模型，最終建立一套完整的多模式流程工業過程故障檢測模型；

S4，利用建立好的多模式流程工業過程故障檢測模型，應用于多模式流程工業過程的在線故障檢測。