一种基于在线压缩KECA自适应工业过程故障检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112666918A(43)申请公布日2021.04.16(21)申请号202011382192.9(22)申请日2020.12.01(71)申请人沈阳化工大学地址110142辽宁省沈阳市经济技术开发区11号街(72)发明人郭金玉李文涛李元(74)专利代理机构沈阳技联专利代理有限公司21205代理人张志刚(51)Int.Cl.G05B23/02(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于在线压缩KECA自适应工业过程故障检测方法(57)摘要一种基于在线压缩KECA自适应工业过程故障检测方法，涉及一种工业过程故障检测方法，首先计算训练集的核矩阵，构造一个符合全局数据信息特征的压缩集，计算其监测统计数据的平方预测误差（SPE），并利用核密度估计(KDE)确定控制限。对于在线实时采集的数据，根据压缩集建模时的均值与标准差进行预处理，投影到运用压缩集建立的KECA模型上，计算该数据的统计量并与压缩集的控制限比较。若样本没有超过控制限，然后根据该样本的状态信息分析是否需要保留，来达到判断KECA模型是否需要进行更新的目的。若KECA模型需要更新，则对下一个样本检测时需要用更新后的模型，有利于适应时变系统的正常参数漂移，提高在动态过程中实时检测过程数据的性能。CN112666918ACN112666918A权利要求书1/1页1.一种基于在线压缩KECA自适应工业过程故障检测方法，其特征在于，所述方法包括以下检测过程：将工业生产过程中采集到的正常数据作为建模数据的训练集，对训练数据进行标准化处理，计算核矩阵并标准化，对核矩阵进行特征分解，其特征值和特征向量能够进行Renyi熵估计，选择熵值贡献较大的前k个特征值与特征向量，所有的样本投影到这些特征向量上，选择与主元方差方向一致的样本构造一个压缩集；对压缩集进行预处理，计算其核矩阵，同样选择熵值贡献最大的特征值和特征向量，计算得分矩阵，并计算该模型的统计量SPE以及统计量的控制限，建立KECA模型；对于在线采集的样本，标准化处理后投影到压缩集的KECA模型上，计算该样本的统计量spe，并判断采集的样本统计量是否大于建模样本的控制限；若统计量大于控制限，则为异常样本；若统计量小于控制限，则需要继续判断该样本是否需要继续保留；若是需要保留的样本，则将该样本加入压缩集中，并更新压缩集，重新建立KECA模型，计算此时的统计量SPE以及统计量的控制限，达到检测时变系统的条件，扩大静态KECA方法的应用领域，提升实际检测性能。2.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法，其特征在于，所述建模包括正常状态模型和故障检测模型；对原始数据进行标准化处理，计算核矩阵并标准化，对核矩阵进行特征分解，其特征值和特征向量能够进行Renyi熵估计，选择熵值贡献较大的前k个特征值与特征向量，所有的样本投影到这些特征向量上，选择与主元方差方向一致的样本构造一个压缩集构建的压缩集完全可以替代原始的训练集；对压缩集进行预处理，计算其核矩阵，同样选择熵值贡献最大的特征值和特征向量，计算得分矩阵，并计算该模型的统计量SPE以及统计量的控制限，建立KECA检测模型，进行故障检测。3.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法，其特征在于，所述KECA检测方法不需要满足统计量置信限的确定是基于得分变量服从高斯分布的假设要求。4.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法，其特征在于，所述自适应方法与滑动窗口方法比较，滑动窗口的动态检测方法中的窗宽对于检测结果的影响较大，而该方法只需要严格确定好初始的压缩集，对于后期仿真测试并不需要过多依赖压缩集的样本数量，而且其压缩的样本数量依据主元数量来确定。2CN112666918A说明书1/4页一种基于在线压缩KECA自适应工业过程故障检测方法技术领域[0001]本发明涉及一种工业过程故障检测方法，特别是涉及一种基于在线压缩KECA自适应工业过程故障检测方法。背景技术[0002]在大多数工业系统中具有非线性和时变性等特性，一些由数据驱动故障诊断方法如核主成分分析算法（kernelprincipalcomponentanalysis，KPCA）、核偏最小二乘算法(kernelpartialleast‑squares，KPLS)等方法延伸的自适应算法在解决该类问题时往往需要统计量置信限的确定是基于得分变量服从高斯分布的假设要求，而在处理无高斯假设的动态非线性工业过程故障问题时就存在局限性。[0003]核熵成分分析（kernelentropycomponentanalysis，KECA）作为一种用于非线性化工过程