一种基于IForest-LOF的残差双空间工业过程故障检测方法及系统

本发明涉及工业过程故障检测，尤其涉及一种基于iforest-lof的残差双空间工业过程故障检测方法及系统。

背景技术：

1、随着工业过程向自动化、数字化和智能化发展，生产装置会持续产生大量多变量过程数据。及时从这些数据中识别潜在故障，对保障装置安全、稳定运行和降低停机损失具有重要意义。数据驱动的过程监控方法因不依赖复杂机理模型，已成为工业故障检测的重要方向。

2、主成分分析（principal component analysis，pca）是工业过程监控中常用的多元统计方法。现有pca类方法通常使用t2统计量描述主成分空间异常，使用平方预测误差（squared prediction error，spe）统计量描述残差空间异常，或者对两类统计量进行简单组合。这类方式存在以下不足：第一，t2与spe多为标量统计量，容易压缩掉残差向量中的方向性和结构性信息；第二，主成分空间和残差空间的数据分布、异常模式存在差异，使用同一类检测逻辑或简单阈值组合难以充分利用两个空间的互补信息；第三，支持向量机、神经网络等监督学习方法虽可直接分析残差向量，但需要大量故障样本，而真实工业场景中故障样本稀缺、类别不均衡。

3、隔离森林（isolation forest，iforest）是一种无监督异常检测算法，适合识别高维数据中分布稀疏、偏离整体正常模式的全局异常；局部离群因子（local outlierfactor，lof）是一种基于局部密度差异的无监督异常检测算法，适合捕捉局部邻域密度显著下降的隐蔽异常。现有技术尚缺少一种将pca的主成分空间与残差空间分开建模，并按各空间异常分数统计特性进行自适应融合的工业过程故障检测方案。

技术实现思路

1、本发明旨在解决现有工业过程故障检测中全局特征与局部偏差刻画不均衡、残差信息利用不足、单一检测模型对不同异常模式适应性差以及监督模型依赖故障样本的问题。

2、为实现以上目的，本发明提供了一种基于iforest-lof的残差双空间工业过程故障检测方法，包括以下步骤：

3、s1、采集工业过程的多变量运行数据，并执行标准化预处理形成样本矩阵；

4、s2、基于正常工况训练数据建立主成分分析模型并根据主成分构造投影矩阵；将样本矩阵投影到主成分空间得到主成分空间特征；利用主成分空间特征与投影矩阵重构样本矩阵得到重构数据，计算样本矩阵与重构数据的差值，得到残差空间特征；

5、s3、在所述主成分空间特征上训练隔离森林检测模型，输出第一异常分数；在所述残差空间特征上训练局部离群因子检测模型，输出第二异常分数；

6、s4、对所述第一异常分数和所述第二异常分数依次进行归一化处理、后验概率式增强处理后，执行自适应加权融合，得到综合异常评分；

7、s5、采用正常运行阶段的运行数据进行步骤s1-s4得到正常运行的综合异常评分，根据正常运行的综合异常评分的分布确定故障判断阈值；将待测样本进行步骤s1-s4得到待测样本的综合异常评分，将待测样本的综合异常评分与故障判断阈值进行比较，输出工业过程故障检测结果。

8、进一步的，步骤s2中，所述主成分的获取方式为：

9、计算正常工况训练数据的协方差矩阵并进行特征值分解，按照累计方差贡献率筛选前k个主成分；所述累计方差贡献率为95%、97%或99%。

10、进一步的，步骤s3中，隔离森林检测模型通过构建多棵随机隔离树，依据样本在各隔离树中的平均路径长度计算第一异常分数，用于识别主成分空间中偏离正常运行全局变化模式的全局稀疏异常点。

11、进一步的，步骤s3中，局部离群因子检测模型通过计算样本与其k个近邻之间的可达距离、局部可达密度以及相对密度偏差得到第二异常分数，用于识别残差空间中的局部细粒度密度偏差。

12、进一步的，步骤s4中，所述归一化处理为min-max归一化；所述后验概率式增强处理基于sigmoid函数实现。

13、进一步的，步骤s4中，所述自适应加权融合的权重根据两个特征空间增强后异常分数的统计不确定性确定，统计不确定性越低的特征空间对应越高的融合权重；所述统计不确定性通过异常分数的方差或标准差进行表征。

14、进一步的，步骤s5中，所述故障判断阈值根据正常运行阶段的综合异常评分的分布确定，选取正常运行阶段综合异常评分按从高到低排列的前5%分位点对应的值作为故障判断阈值；

15、当待测样本的综合异常评分＞故障判断阈值时，判断为故障；当待测样本的综合异常评分≤故障判断阈值时，判断为正常。

16、进一步的，隔离森林检测模型替换为包括一类支持向量机、椭圆包络、自编码器的全局异常检测模型；局部离群因子检测模型替换为包括基于k近邻距离、密度峰值、局部核密度估计的无监督检测模型；故障判断阈值采用分位数阈值、均值加倍标准差、极值理论或滑动窗口自适应阈值。

17、本发明还提供一种基于iforest-lof的残差双空间工业过程故障检测系统，采用上述方法，包括数据采集模块、数据预处理模块、pca双空间构建模块、主成分空间隔离森林检测模块、残差空间局部离群因子检测模块、异常分数融合模块和故障判别输出模块；

18、所述数据采集模块用于采集工业过程的多变量运行数据；

19、所述数据预处理模块用于对采集的多变量运行数据执行预处理；

20、所述pca双空间构建模块用于通过主成分分析生成主成分空间特征，并通过数据重构计算得到残差空间特征；

21、所述主成分空间隔离森林检测模块内置隔离森林检测模型，用于基于主成分空间特征计算输出第一异常分数；

22、所述残差空间局部离群因子检测模块内置局部离群因子检测模型，用于基于残差空间特征计算输出第二异常分数；

23、所述异常分数融合模块用于对第一异常分数、第二异常分数依次执行归一化、增强及自适应加权融合，得到综合异常评分；

24、所述故障判别输出模块用于将综合异常评分与故障判断阈值进行比对，输出故障检测结果。

25、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于iforest-lof的残差双空间工业过程故障检测方法。

26、本发明采用上述一种基于iforest-lof的残差双空间工业过程故障检测方法及系统，有益效果如下：

27、（1）本发明充分利用主成分空间和残差空间的互补信息；主成分空间用于刻画工业过程全局变化模式，残差空间用于捕获未被主成分保留的局部偏差和隐蔽异常，减少单一空间检测造成的信息损失；

28、（2）本发明针对不同空间采用不同检测模型，提高异常模式适配性。iforest适于识别全局稀疏异常，lof适于识别局部密度异常，两者结合可兼顾全局故障和局部微弱故障；

29、（3）本发明无需大量故障样本。所用iforest和lof均为无监督异常检测模型，可主要基于正常工况数据训练，适合实际工业场景中故障样本稀缺的问题；

30、（4）本发明通过分数归一化、后验增强和自适应权重融合，降低不同模型分数尺度差异对检测结果的影响，并提升故障样本与正常样本之间的可分性。