一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法

1.本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法。


背景技术：

2.随着传感器技术和信息科学的飞速发展，工业生产的集成化程度日渐增高，丰富的过程数据被采集和存储下来，这些数据反映了生产过程运行的状况，数据驱动的故障检测对于保障生产安全及产品质量起着至关重要的作用，因而如何在海量的过程数据中准确、充分地提取反映过程运行状态的特征信息是故障检测的关键。由于过程数据的信息是通过各种各样的传感器获取，其中所用到的传感器可分为两大类：成分传感器(例如浓度、组分等)和过程传感器(例如温度、压力等)，而成分传感器与过程传感器采集到的数据具有较大的差异，数据特性不同，因此，不宜将成分传感器数据和过程传感器数据放在一个空间建立故障检测模型。针对这一问题，根据数据来自于成分传感器或是过程传感器，将原空间划分为成分子空间和过程子空间。此外，针对实际工业过程中收集到的数据并不总是服从高斯分布的情况,采用jarque-bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间，从而更好地关注局部信息，提高故障检测性能。
3.局部特征描述的是相邻数据点的空间分布，是一种重要的特征信息；局部信息的丢失必然导致算法特征提取能力的减弱，进而导致故障检测性能的降低。针对这一点，基于邻域保持嵌入npe算法学习低维空间特征以保持原空间的邻域结构关系，在维度约简的同时保持数据的局部结构不变。在目前的科研文献与专利文件中，未有将原数据空间划分为高斯-成分子空间，高斯-过程子空间，非高斯-成分子空间和非高斯-过程子空间，并考虑数据的局部特征信息的复杂过程精细化故障检测方法。


技术实现要素：

4.本发明所要解决的主要技术问题是：如何考虑到传感器采集到的数据具有不同特性以及服从不同分布问题的同时，在局部子空间内进行数据局部特征的提取，并在此基础上实施精细化故障检测。具体来讲，本发明首先根据不同类型的传感器采集到的数据具有不同特性的情况，将原空间划分为成分子空间和过程子空间；然后利用jarque-bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间；其次，利用npe算法在不同的局部子空间中提取特征分别建立局部子空间内部的故障检测模型，构建各局部子空间内故障检测统计量；此外，为了不仅考虑局部子空间内信息，而且考虑不同局部子空间之间信息的变化，利用移动窗策略以及互信息方法构造不同局部子空间间故障检测统计量。最后，结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(loop)方法构建综合故障检测统计量以准确判断过程是否发生故障。
5.本发明解决上述技术问题所采用的技术方案为：一种基于局部子空间-邻域保持
嵌入的复杂过程精细化故障检测方法，包括以下所示步骤：
6.步骤(1)：采集正常运行工况下的n个采样时刻m个传感变量数据以组成训练数据集矩阵x＝[x1，x2，...，xm]∈rn×m，其中n为训练集中样本数，m为传感器测量变量数，r为实数集；
[0007]
步骤(2)：传感器变量xi∈rn×1(i＝1，2，...，m)可以分为成分传感器(例如浓度、组分等)以及过程传感器(例如温度、压力等)两大类，成分传感器与过程传感器采集的数据具有大的差异，数据特性不同，不宜将成分传感器数据及过程传感器数据放在一个空间建立模型，因此，根据数据来自于成分传感器或是过程传感器，将训练数据集x∈rn×m划分为成分子空间和过程子空间
[0008]
步骤(3)：分别在成分子空间和过程子空间中采用jarque-bera测试方法检验数据的正态分布特性，从而将两个局部子空间进一步划分为四个局部子空间：高斯-成分子空间，高斯-过程子空间，非高斯-成分子空间和非高斯-过程子空间，具体的实施过程如下所示：
[0009]
步骤(3.1)：对于成分子空间中的变量x
ci
，其偏度及峰度计算如下：
[0010]
s(x
ci
)＝mean[(x
ci-mean(x
ci
))3]/{mean[(x
ci-mean(x
ci
))2]}
3/2
ꢀꢀꢀ
(1)
[0011]
k(x
ci
)＝mean[(x
ci-mean(x
ci
))4]/{mean[(x
ci-mean(x
ci
))2]}2ꢀꢀꢀ
(2)
[0012]
其中，mean()表示取均值，s()表示偏度，k()表示峰度。
[0013]
步骤(3.2)：jarque-bera统计量构建如下：
[0014]
jarque-bera(x
ci
)＝(n-f){[s(x
ci
)]2 [k(x
ci
)-3]2/4}/6
ꢀꢀꢀ
(3)
[0015]
其中，f是自由度。
[0016]
步骤(3.3)：将计算出来的值jarque-bera(x
ci
)与预设的概率水平jb
level
进行对比，如果jarque-bera(x
ci
)大于jb
level
，则认为服从高斯分布，将x
ci
其划分在高斯-成分子空间gc：中；否则，将其划分在非高斯-成分子空间nc：：中。
[0017]
步骤(3.4)：同样地，对于过程子空间中的变量x
pi
也经过上述三个步骤的方法，从而得到高斯-过程子空间g
p
：和非高斯-过程子空间n
p
：
[0018]
步骤(4)：对四个子空间的数据集采用z-score方法进行预处理和归一化，使得每个子空间的各个变量均值为零，标准差为1，从而得到新的子空间为：
[0019][0020][0021][0022]
[0023]
步骤(5)：在标准化后的四个子空间中，分别利用局部邻域嵌入算法npe求得投影变换矩阵，并进行局部子空间内故障检测，具体的实施过程如下所示：
[0024]
步骤(5.1)：首先，在标准化后的高斯-成分子空间中，构建一张具有n个节点的邻域图，其中，第i个节点对应样本点计算到其它样本点之间的欧氏距离，并按距离大小从小到大排序，选取前k个样本点构成的近邻集
[0025]
步骤(5.2)：根据如下公式来重构误差最小化求得权重矩阵w
gc
：
[0026][0027][0028]
其中，约束条件为w的每一行(列)元素之和为1；
[0029]
步骤(5.3)：按照如下所示公式计算映射变换矩阵a
gc
[0030][0031]
其中，约束条件为引入朗格朗日函数，并结合简单的代数运算将最优化问题转换为如下所示的广义特征值求解问题：
[0032][0033]
其中，m
gc
＝(i-w
gc
)
t
(i-w
gc
)。最小的d个特征值组成映射变换矩阵a
gc
；
[0034]
步骤(5.4)：同样地，在其余三个子空间中，按照上述步骤(5.1)至步骤(5.3)进行，计算出相应的映射变换矩阵a
gp
,a
nc
和a
np
，从而得到相应的低维矩阵；
[0035]
步骤(5.5)：在四个不同的特征子空间中依据如下公式
[0036][0037][0038][0039][0040]
分别构建t
gp2
,t
np2
,t
gc2
和t
nc2
统计量进行空间内监测，其中
[0041][0042][0043][0044][0045]
分别为y
gp
,y
np
,y
gc
,y
nc
的协方差矩阵；
[0046]
步骤(6)：利用移动窗口策略和互信息方法测量四个局部子空间之间的关系变化，具体的实施过程如下所示：
[0047]
步骤(6.1)：采用滑动窗和互信息测量四个局部子空间之间的关系变化，假设
中的第t个样本分别表示为将滑动窗的长度设置为2l，则每个子空间内移动窗可分别构造为移动窗中的数据表示为
[0048]
步骤(6.2)：根据如下公式计算四个局部子空间间的互信息：
[0049][0050]
步骤(6.3)：然后，在构造的移动窗口的基础上，根据下式构造统计量，计算四个子空间之间的关系变化：
[0051][0052][0053][0054][0055][0056][0057]
步骤(7)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(loop)方法进行综合故障检测统计量的构建，具体的实施过程如下所示：
[0058]
步骤(7.1)：设y＝[t
gc2
，t
gp2
，t
nc2
，t
np2
，m
gcgp
，m
gcnc
，m
gcnp
，m
gpnc
，m
gpnp
，m
ncnp
]，y为y中的一个样本，它的局部邻域n(y)是通过欧氏距离确定的knn最近邻来建立的，设(y)f是第f个邻居，d(y，(y)f)是y和(y)f之间的欧氏距离；
[0059]
步骤(7.2)：定义概率集距离如下：
[0060][0061]
其中，a是权重系数。
[0062]
步骤(7.3)：定义概率局部离群因子如下：
[0063]
plof(y)＝pdist(y)/[e
n(y)
(pdist(y))]-1
ꢀꢀꢀ
(24)
[0064]
其中，e()是期望计算。
[0065]
步骤(7.4)：为了实现概率因子标准化，一种标准差参数定义如下：
[0066][0067]
步骤(7.5)：基于高斯误差函数，局部离群概率计算如下：
[0068][0069]
然后，采用核密度估计(kde)方法确定综合监测统计量的控制限loop
lim
。
[0070]
上述步骤(1)至步骤(7)为本发明方法的离线建模阶段，如下所示步骤(8)至(14)为本发明方法的在线故障检测实施过程。
[0071]
步骤(8)：收集新采样时刻的样本数据x
t
，其中下标号t表示当前最新采样时刻；
[0072]
步骤(9)：根据离线建模时得到的四个局部子空间划分标准对测试样本x
t
进行划
分，从而得到四个局部子空间中的样本数据：x
′
gc
，x
′
gp
，x
′
nc
，x
′
np
；
[0073]
步骤(10)：对四个子空间的测试样本分别利用步骤(4)中得到的均值及标准差进行处理，从而得到标准化后的测试样本数据：
[0074]
步骤(11)：对于利用离线建模步骤(5)得到的npe模型进行局部特征提取分别构建t
′
gc2
，t
′
gp2
，t
′
nc2
和t
′
np2
统计量；
[0075]
步骤(12)：对实施步骤(6)中的滑动窗和互信息，进一步计算出：m
′
gcgp
，m
′
gcnc
，m
′
gcnp
，m
′
gpnc
，m
′
gpnp
，m
′
ncnp
；
[0076]
步骤(13)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用步骤(7)中局部离群概率方法构建综合监测统计量loop(y
t
)；
[0077]
步骤(14)判断是否满足条件：loop(y
t
)＜loop
lim
；若是，则当前样本为正常工况采样，返回步骤(8)继续实施对下一个样本数据的故障检测；否则，当前采样数据来自故障工况。
[0078]
与传统方法相比，本发明方法的优势在于：
[0079]
首先，本发明方法在考虑到不同类型传感器采集到的数据具有不同特性以及服从不同分布问题的同时，还考虑到数据的局部特征；其次，本发明方法不仅可以对各个局部子空间内进行故障检测，还可以对不同局部子空间间进行故障检测，这是目前文献及专利中鲜有研究过的，是一种全新的复杂工业过程故障检测方法。可以说，本发明方法是一种更为优选的故障检测方法。
附图说明
[0080]
图1为本发明方法实施流程图。
[0081]
图2为te过程故障检测详情对比图。
具体实施方式
[0082]
下面结合附图与具体的实施案例对本发明方法进行详细的说明。
[0083]
如图1所示，本发明公开一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法。下面结合一个具体的工业过程的例子来说明本发明方法的具体实施过程，以及相对于现有方法的优越性。
[0084]
应用对象是来自于美国田纳西-伊斯曼(te)过程实验，原型是伊斯曼化工生产车间的一个实际工艺流程。目前，te过程因其流程的复杂性，已作为一个标准实验平台被广泛用于故障检测研究。整个te过程包括22个测量变量、12个操作变量、和19个成分测量变量。该te过程对象可以模拟仿真多种不同的故障类型，如物料进口温度阶跃变化、冷却水故障变化等等。为了对该过程进行故障检测，选取如表1和表2所示的22个测量变量及19个成分测量变量，接下来结合该te过程对本发明具体实施步骤进行详细的阐述。
[0085]
表1：te过程监测变量。
[0086]
序号变量描述序号变量描述1物料a流量12分离器液位2物料d流量13分离器压力
3物料e流量14分离器塔底流量4总进料流量15汽提塔液位5循环流量16汽提塔压力6反应器进料17汽提塔底部流量7反应器压力18汽提塔温度8反应器液位19汽提塔上部蒸汽流量9反应器温度20压缩机功率10排空速率21反应器冷却水出口温度11分离器温度22分离器冷却水出口温度
[0087]
表2：te过程成分变量。
[0088][0089]
首先，本发明方法的实施流程如图1所示，利用te过程正常工况下采样的n＝960个样本数据建立故障检测模型，包括以下步骤：
[0090]
步骤(1)：采集生产过程正常运行状态下的样本，按采样时间先后组成训练数据集x∈r
960
×
41
；
[0091]
步骤(2)：根据数据特性的不同，将训练数据集划分为成分子空间xc和过程子空间x
p
；
[0092]
步骤(3)：将ks检验方法应用到空间xc和x
p
中，来检验数据是否服从高斯分布，从而将以上两个空间划分为四个局部子空间，如表3所示(过程变量为变量1-22，成分变量为变量19-41)：
[0093]
高斯-成分子空间gc：x
gc
∈r
960
×3，
[0094]
高斯-过程子空间g
p
：x
gp
∈r
960
×9，
[0095]
非高斯-成分子空间nc：x
nc
∈r
960
×
16
，
[0096]
非高斯-过程子空间n
p
：x
np
∈r
960
×
13
；
[0097]
表3.四个子空间包含的te过程变量
[0098]
子空间名称变量编号高斯-成分子空间23，29，35
高斯-过程子空间1，4，5，6，8，14，15，17，22非高斯-成分子空间24，25，26，27，28，30，31，32，33，34，36，37，38，39，30，41非高斯-过程子空间2，3，7，9，10，11，12，13，16，18，19，20，21
[0099]
步骤(4)：对四个子空间的数据集采用z-score方法进行预处理和归一化，使得每个子空间的各个变量均值为零，标准差为1，从而得到新的子空间为：
[0100]
步骤(5)：在标准化后的四个子空间中，分别利用局部邻域嵌入算法npe求得投影变换矩阵a
gc
，a
gp
，a
nc
和a
np
，从而将四个子空间中的数据分别投影到相对低维特征子空间：，从而将四个子空间中的数据分别投影到相对低维特征子空间：和从而得到相应的低维矩阵。然后，在特征子空间中分别构建t
gc2
，t
gp2
，t
nc2
和t
np2
统计量进行局部子空间内故障检测；
[0101]
步骤(6)：对四个局部子空间的样本集分别实施移动窗口策略和互信息方法，进一步计算出四个子空间之间的关系：m
gcgp
，m
gcnc
，m
gcnp
，m
gpnc
，m
gpnp
，m
ncnp
；
[0102]
步骤(7)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用局部离群概率(loop)方法进行综合故障检测统计量loop(y)的构建。然后，采用核密度估计(kde)方法确定了综合监测统计量loop(y
t
)的控制限为loop
lim
＝0.8717，置信度α设为0.99。
[0103]
至此离线建模阶段完成，接下来实施在线故障检测。利用te过程测试条件下的960个采样数据实施在线故障检测，其中前160个样本数据为正常，后800个数据才采集自故障工况。
[0104]
步骤(8)：收集新采样时刻的样本数据x
t
，其中下标号t表示当前最新采样时刻；
[0105]
步骤(9)：根据离线建模时得到的四个局部子空间划分标准对测试样本x
t
进行划分，从而得到四个局部子空间中的样本数据：x
′
gc
，x
′
gp
，x
′
nc
，x
′
np
；
[0106]
步骤(10)：对四个子空间的测试样本分别利用步骤(4)中得到的均值及标准差进行处理，从而得到标准化后的测试样本数据：
[0107]
步骤(11)：对于利用离线建模步骤(5)得到的npe模型进行局部特征提取分别构建t
′
gc2
，t
′
gp2
，t
′
nc2
和t
′
np2
统计量；
[0108]
步骤(12)：对实施步骤(6)中的滑动窗和互信息，进一步计算出：m
′
gcgp
，m
′
gcnc
，m
′
gcnp
，m
′
gpnc
，m
′
gpnp
，m
′
ncnp
；
[0109]
步骤(13)：结合局部子空间内故障检测统计量和局部子空间间故障检测统计量，利用步骤(7)中局部离群概率方法构建综合监测统计量loop(y
t
)；
[0110]
步骤(14)判断是否满足条件：loop(y
t
)＜loop
lim
，；若是，则当前样本为正常工况采样，返回步骤(8)继续实施对下一个样本数据的故障检测；否则，当前采样数据来自故障工况。
[0111]
最后，本发明方法与基于pca的以及基于npe的传统故障检测方法对物料c进口温度随机变化故障的检测详情对比图显示于图2中。可以发现，本发明方法的故障漏报率为15.125％，pca方法t2统计量及spe统计量的故障漏报率为76.25％及52.75％，npe方法的t2统计量的故障漏报率为54.5％。相较于pca方法及npe方法，本发明专利的方法对于该故障的检测效果最优，在故障发生后的故障漏报率显著低于另外两种传统方法的故障漏报率。
[0112]
上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在
本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。