一种基于简化KECA的陶瓷辊道窑烧成带异常检测方法及系统与流程

技术特征：
1.一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，包括以下步骤：s1：获取训练数据构建训练数据集，对训练数据集进行预处理，得到第二数据集；s2：利用第二数据集构建简化keca模型，并确定检测指标及检测指标控制限；s3：利用简化keca模型对测试数据集进行异常检测。2.根据权利要求1所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，步骤s1具体过程为：采集辊道窑烧成带系统正常状态下的过程变量数据作为训练数据集，记为第一数据集；对第一数据集进行归一化处理，计算第一数据集的欧式距离，根据预设的欧氏距离阈值简化训练数据集得到第二数据集。3.根据权利要求2所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，所述对第一数据集进行归一化处理，计算第一数据集的欧式距离，根据预设的欧氏距离阈值简化训练数据集得到第二数据集，具体过程为：将第一数据集构建成样本矩阵，对样本矩阵进行归一化处理；计算归一化后样本矩阵不同两行之间的欧式距离；将不同两行之间的欧氏距离逐一和预设的欧氏距离阈值比较；若不同两行之间的欧氏距离小于预设的欧氏距离阈值，则将欧氏距离对应的两行样本进行删除或合并处理；若不同两行之间的欧氏距离大于预设的欧氏距离阈值，则将欧氏距离对应的两行样本数据保留下来，所有保留下来的样本数据所组成新的数据集，记为第二数据集。4.根据权利要求3所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，所述欧氏距离阈值通过以下公式计算：其中，d
l
表示欧氏距离阈值，n表示样本矩阵行数，d
i,j
表示第i行和第j行之间的欧氏距离。5.根据权利要求1所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，步骤s2所述利用第二数据集构建keca模型即利用keca方法对第二数据集在主成分方向上的降维，具体步骤为：对第二数据集进行归一化处理；计算归一化处理后第二数据集中样本的renyi熵；利用每个renyi熵计算每个熵的贡献率，并确定熵的贡献率阈值，根据熵的贡献率阈值得到主成分个数k，并将数据映射到k个核主成分方向上即得到了降维后的第二数据集。6.根据权利要求5所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，主成分个数确定的具体流程为：设存在数据集d:x1,
…
,x
n
是由概率密度函数p(x)生成，则数据集中样本的二阶renyi熵定义为：
h(p)＝
‑
log∫p2(x)dx
ꢀꢀꢀꢀꢀꢀ
(2)由公式(2)，令：v(p)＝∫p2(x)dx
ꢀꢀꢀꢀꢀꢀꢀ
(3)公式(2)中的对数函数为递增类型的函数，则通过v(p)的估计值能够得到h(p)的估计值，v(p)通过调用parzen窗估计器进行估计得到调用parzen窗估计器时的概率密度函数如式4所示：其中，k
σ
(x,x
t
)为特征空间的核函数，通常采用径向基函数，可表示为：其中，σ为核函数的参数，通过样本均值来估计期望算子，可以得到：其中，σ为核函数的参数，通过样本均值来估计期望算子，可以得到：表示v(p)的估计值；将公式(6)转化为：其中，k为n
×
n的样本核矩阵，1为n
×
1的向量，renyi熵用核矩阵的特征值和相应的特征向量表示，其中核矩阵可以特征分解为:k＝ede
t
ꢀꢀꢀꢀꢀꢀ
(8)其中，d为特征值λ1,
…
,λ
n
的对角矩阵，e为一个以特征向量e1,
…
,e
n
为列的矩阵，e
t
为e的转置，因此v(p)的估计值可表示为：样本点映射到k个核主成分方向上形成的新数据集φ
eca
为：计算renyi熵的贡献率η：其中，m为核特征空间数据集的均值向量，m的表达式为：m
eca
表示φ
eca
转换后数据的均值向量，m
eca
表达式为：计算出每个样本的renyi熵的贡献率，将熵贡献率从大到小排序，并进行相加计算，一
直到累计的熵贡献率值大于预设的阈值，此时特征向量个数即为选择的主成分个数。7.根据权利要求1所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，步骤s2中检测指标为t2统计量和spe统计量；其中，t2统计量的计算公式为：t2＝[t
k,1
,t
k,2
,
…
,t
k,p
]λ
‑1[t
k,1
,t
k,2
,
…
,t
k,p
]
t
ꢀꢀꢀꢀꢀꢀꢀ
(14)其中，t
k
＝[t
k,1
,t
k,2
,
…
,t
k,p
]
t
为得分向量，λ
‑1为特征值倒数的对角阵；t2统计量的控制限计算公式为：spe统计量计算公式为：其中，n为非零特征值的个数，p为主元个数；spe统计量的控制限计算公式为：其中，g＝θ/2ω，h＝2ω2/θ，ω是k次采样spe平均值，θ是k次采样spe方差。8.根据权利要求1所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，步骤s3所述的利用简化keca模型对测试数据集进行异常检测具体步骤为：采集辊道窑烧成带系统正常状态下的过程变量数据作为测试数据集；对测试数据集进行归一化处理；构建rkeca方法的测试数据集核矩阵；基于测试集计算检测指标的值，并将计算值与预设的检测指标阈值比较判断是否出现异常。9.根据权利要求8所述的一种基于简化keca的陶瓷辊道窑烧成带异常检测方法，其特征在于，基于测试集计算检测指标的值，并将计算值与预设的统计量控制限比较判断是否出现异常，具体的过程为：当检测统计量的值大于统计量的控制限，且存在3个及以上超过控制限的数据时，则判定此时存在异常；当spe统计量大于控制限时，则判定此时存在异常；当spe统计量小于超过控制限，而t2统计量大于控制限时，则根据实际情况进行判断；若spe统计量和t2统计量均没有大于控制限，则判定此时不存在异常。10.一种基于简化keca的陶瓷辊道窑烧成带异常检测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于简化keca的陶瓷辊道窑烧成带异常检测方法程序，所述基于简化keca的陶瓷辊道窑烧成带异常检测方法程序被所述处理器执行时实现如下步骤：s1：获取训练数据构建训练数据集，对训练数据集进行预处理，得到第二数据集；s2：利用第二数据集构建简化keca模型，并确定检测指标及检测指标控制限；获取测试数据集并进行预处理；s3：利用简化keca模型对测试数据集进行异常检测。

技术总结
本发明公开了一种基于简化KECA的陶瓷辊道窑烧成带异常检测方法及系统，所述方法包括：获取训练数据构建训练数据集，对训练数据集进行预处理，得到第二数据集；利用第二数据集构建简化KECA模型，并确定检测指标及检测指标控制限；利用简化KECA模型对测试数据集进行异常检测。本发明通过重构数据集的核矩阵来构建简化的KECA模型，降低了模型的复杂度和计算成本，在提高模型检测性能的同时，提高了检测的实时性和精确度。的实时性和精确度。的实时性和精确度。


技术研发人员：许潇 杨海东 徐康康 雷绍俊 程明阳 印四华
受保护的技术使用者：广东工业大学
技术研发日：2021.08.19
技术公布日：2021/11/23