基于局部和全局区间嵌入的不确定过程故障监测方法

本发明涉及工业过程故障监测领域，具体涉及一种基于局部和全局区间嵌入的不确定过程故障监测方法。

背景技术：

1、随着对过程安全和高质量产品的需求不断增长，过程故障监测已成为许多工业过程日常操作中非常必要的一部分。事实上，过程中的一些故障可能会破坏整个系统的生产，从而导致财产和生命的损失。因此，为了能够及时、正确地监测设备故障，一种高效的故障检测与隔离算法对于许多过程控制系统获得高安全性和可靠性具有重要意义。

2、随着数据采集技术的广泛应用，各种工业过程记录了大量的历史数据。基于多元统计过程控制的方法得以快速发展，然而传统方法的可靠性在很大程度上取决于测量数据的质量。在实际的工业过程中，测量数据通常会受到多种不确定性因素的影响。针对上述问题，采用区间表示成为处理这种不确定性的有效方法。

3、传统的区间主成分分析只考虑区间值数据的全局信息，很少考虑区间值数据的局部邻域信息，而局部邻域信息可以表征区间值数据点内部之间的拓扑关系，找到隐藏在高维过程数据中有意义的低维信息。因此，本文将完全信息主成分分析与区间局部保持投影相结合，提取更多有用的区间值数据特征。

技术实现思路

1、本发明为了能够同时保留区间值数据局部邻域和全局信息，提高区间值数据故障监测的准确性和灵敏度，而且可以准确定位故障变量，具有良好的故障隔离效果，提供一种应用于不确定系统过程中的局部和全局区间嵌入算法。

2、本发明采取以下技术方案：一种基于局部和全局区间嵌入的不确定过程故障监测方法，包括：

3、s1：获取设备在正常条件下不精确的单值数据集，其数据集包括采集的实际数据和噪声不确定因素的组合，并对该数据集进行预处理，得到标准化区间值数据集；

4、s2：建立局部和全局区间嵌入模型，将其应用于区间值数据的特征提取以确定区间主成分；

5、s3：根据区间主成分计算与正常区间值数据集相关联的统计量，使用核密度估计确定统计量的控制极限；

6、s4：采集新的数据样本，同样对新采集的数据样本进行预处理，得到新的数据样本的标准化区间值数据；

7、s5：利用局部和全局区间嵌入模型确定的区间主成分计算新的区间值数据的统计量；

8、s6：监测新得到的四个统计量是否超过了控制极限，如果超过了控制极限，则系统出现故障，执行步骤s7，否则返回步骤s4并监测下一个样本；

9、s7：如果在新样本处产生故障，计算贡献图中对故障产生高贡献的变量即为故障变量。

10、在一些实施例中，步骤s1中包括：

11、s11：通过变量的实际值和测量值的偏差，计算其相对测量误，变量为采集的不精确单值数据集中样本的变量值；

12、s12：确定相对测量误差的下限值和上限值为和，并将其测量的不确定数据转化为区间值数据；

13、s13：对区间值数据进行标准化。

14、在一些实施例中，步骤s11中，如果所有样本第j个变量的实际值无法测量，通过专家经验或传感器制造商提供的测量误差进行上下限的确定。

15、在一些实施例中，步骤s12中：如果所有样本第j个变量的实际值可以在实验室等方式测量，则计算相对测量，其中和分别表示第j个过程变量的不确定测量值和实际值，然后通过基于合理粒度原则的测量误差估计方法确定第j个过程变量最合理的相对测量误差的下界和上界，即，最后第j个过程变量的第i次观测的不确定数据通过和转换为区间数据。

16、在一些实施例中，基于合理粒度原则的测量误差估计方法通过平衡覆盖度和特异性这两个冲突的要求，最大化它们的乘积获得不确定数据的合理区间，确定合理区间的公式为，其中，表示覆盖率，表示特异性，a表示区间的下界，b表示区间的上界。

17、在一些实施例中，步骤s2包括：

18、s21：构建区间值数据集的完全信息主成分分析协方差矩阵：

19、s22：计算局部相似矩阵 w，然后计算对角矩阵和拉普拉斯矩阵；

20、s23：使用步骤s22中参数构造区间值数据集的区间局部保持投影的局部矩阵 u；

21、s24：通过最小化局部散射和最大化全局散射建立目标函数，最小化目标函数计算特征值和对应的特征向量；

22、s25：根据累积百分比方差标准确定前 l个主成分向量，并计算输入区间值数据的投影特征、估计值和区间残差矩阵。

23、在一些实施例中，步骤s21中的计算过程为，

24、当时，

25、；

26、当时，

27、；

28、其中，和表示表示区间值数据集第k行第i列区间值的下界和上界，表示内积，表示区间值数据集的第i个变量值。

29、在一些实施例中，步骤s22中，局部相似矩阵 w通过以下公式计算：

30、；

31、其中和为区间值数据第i个样本的下界和上界，为经验常数，表示与区间值样本具有最小欧几里得距离的k个样本组成，其中，为邻接参数。

32、在一些实施例中，步骤s23中局部矩阵 u为，

33、其中给定两个区间值变量和，当时，其定义为：

34、

35、当时，其定义为：

36、。

37、步骤s4中，统计量为4个，分别为、、以及，使用核密度估计确定四个统计量的控制极限为、、和。

38、与现有技术相比，本发明具有以下有益效果：

39、（1）通过使用合理粒度原则的测量误差估计方法，不仅可以将具有高测量噪声和大测量误差的不精确数据有效地转换为区间值数据，而且可以充分的体现数据特征，排除异常值的干扰，获得不精确数据的最佳区间。

40、（2）采用局部和全局区间嵌入算法的特征提取方法，通过最小化局部散射和最大化全局散射找到一个使局部和全局信息同时保留的投影，有效地从区间值数据中提取特征信息。与传统的区间主成分分析方法相比，该方法可以保留区间值数据全局信息的同时捕获了更有意义的局部邻域信息。因此，它在从区间值数据中提取有用信息方面比传统的区间主成分分析方法更强大，显示出更可靠和更鲁棒的故障检测性能。

41、（3）通过定义的四个监控统计指标和提供的相应的故障图，不仅可以更全面地分析流程的运行状态，而且可以准确识别故障变量，具有良好的故障隔离效果。

技术特征：

1.一种基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，包括：

2.根据权利要求1所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，步骤s1中包括：

3.根据权利要求2所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s11中，如果所有样本第j个变量的实际值无法测量，通过专家经验或传感器制造商提供的测量误差进行上下限的确定。

4.根据权利要求2所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s12中：如果所有样本第j个变量的实际值可以在实验室等方式测量，则计算相对测量，其中和分别表示第j个过程变量的不确定测量值和实际值，然后通过基于合理粒度原则的测量误差估计方法确定第j个过程变量最合理的相对测量误差的下界和上界，即，最后第j个过程变量的第i次观测的不确定数据通过和转换为区间数据。

5.根据权利要求4所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，基于合理粒度原则的测量误差估计方法通过平衡覆盖度和特异性这两个冲突的要求，最大化它们的乘积获得不确定数据的合理区间，确定合理区间的公式为，其中，表示覆盖率， 表示特异性，a表示区间的下界，b表示区间的上界。

6.根据权利要求1所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s2包括：

7.根据权利要求6所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s21中的计算过程为，

8.根据权利要求6所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s22中，局部相似矩阵w通过以下公式计算：

9.根据权利要求6所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s23中局部矩阵u为，

10.根据权利要求1所述的基于局部和全局区间嵌入的不确定过程故障监测方法，其特征在于，所述步骤s4中，统计量为4个，分别为、、以及，使用核密度估计确定四个统计量的控制极限为、、和。

技术总结
本发明涉及工业过程故障监测领域，具体涉及一种基于局部和全局区间嵌入的不确定过程故障监测方法。包括：S1：获取设备在正常条件下不精确的单值数据集；S2：建立局部和全局区间嵌入模型；S3：根据区间主成分计算与正常区间值数据集相关联的统计量；S4：采集新的数据样本；S5：利用局部和全局区间嵌入模型确定的区间主成分计算新的区间值数据的统计量；S6：监测新得到的四个统计量是否超过了控制极限，如果超过了控制极限，则系统出现故障，执行步骤S7，否则返回步骤S4并监测下一个样本；S7：如果在新样本处产生故障，计算贡献图中对故障产生高贡献的变量即为故障变量。

技术研发人员：丁华,李宁,孙晓春,王光,马子越,张瑞珈,边永帅,廖瑶瑶,浦国树,马丁·劳易特
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/1/16