本發(fā)明屬于工業(yè)過(guò)程傳感器故障檢測(cè)，涉及一種利用近鄰圖特征分析法(簡(jiǎn)稱：ngfa)對(duì)多模態(tài)工業(yè)過(guò)程傳感器故障進(jìn)行檢測(cè)的方法。

背景技術(shù)：

1、隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，工業(yè)過(guò)程生產(chǎn)規(guī)模日益增大，工業(yè)生產(chǎn)過(guò)程中的傳感器數(shù)目也不斷增加，這些傳感器在反應(yīng)變量變化和參與系統(tǒng)控制中發(fā)揮著重大作用。數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)技術(shù)有助于及時(shí)發(fā)現(xiàn)傳感器故障，從而提高設(shè)備穩(wěn)定性和生產(chǎn)效率，有利于保障設(shè)備和生產(chǎn)人員安全。因此研究傳感器故障檢測(cè)技術(shù)對(duì)于工業(yè)生產(chǎn)具有重要意義。

2、主成分分析(principal?componentanalysis,簡(jiǎn)稱：pca)是一種經(jīng)典的多元統(tǒng)計(jì)分析方法，在傳感器故障識(shí)別領(lǐng)域中得到了廣泛的應(yīng)用。該算法通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行線性變換組合，將高維相關(guān)信息映射到低維不相關(guān)空間，保留主要的數(shù)據(jù)信息進(jìn)行分析。由于降低了數(shù)據(jù)的維度，pca有利于簡(jiǎn)化數(shù)據(jù)分析，提高計(jì)算效率，適合處理高維度復(fù)雜數(shù)據(jù)，目前已經(jīng)在圖像處理、模式識(shí)別、故障診斷等多個(gè)領(lǐng)域得到廣泛應(yīng)用。然而pca方法在傳感器故障檢測(cè)中存在明顯局限性，首先pca未考慮到工業(yè)過(guò)程模態(tài)變化對(duì)故障檢測(cè)帶來(lái)的影響，不能有效處理多模態(tài)數(shù)據(jù)，其次pca僅針對(duì)原始數(shù)據(jù)進(jìn)行故障檢測(cè)，忽略了傳感器變量相關(guān)的特征，使得部分有助于故障檢測(cè)的特征信息被忽略，從而降低了檢測(cè)準(zhǔn)確率。因此，如何對(duì)現(xiàn)有的pca方法進(jìn)行改進(jìn)使其更好地適用于多模態(tài)傳感器故障檢測(cè)，成為了值得研究的課題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)pca難以有效地檢測(cè)多模態(tài)工業(yè)過(guò)程傳感器故障的問(wèn)題，提供一種基于近鄰圖特征分析的多模態(tài)工業(yè)過(guò)程傳感器故障檢測(cè)方法。該方法能夠根據(jù)變量間近鄰關(guān)系提取在多模態(tài)正常工況下不變的傳感器變量特征，消除模態(tài)變化對(duì)故障檢測(cè)帶來(lái)的影響，提高故障檢測(cè)準(zhǔn)確率。

2、為了達(dá)到上述目的，本發(fā)明提供了一種基于近鄰圖特征分析的多模態(tài)工業(yè)過(guò)程傳感器故障檢測(cè)方法，含有以下步驟：

3、(一)采集多模態(tài)工業(yè)過(guò)程傳感器歷史運(yùn)行數(shù)據(jù)集x0，其中x0中每列向量對(duì)應(yīng)一個(gè)傳感器變量不同時(shí)刻的取值，對(duì)x0進(jìn)行預(yù)處理后利用k均值聚類法對(duì)數(shù)據(jù)集中傳感器變量進(jìn)行聚類，根據(jù)聚類結(jié)果構(gòu)建變量近鄰圖關(guān)系矩陣a；

4、(二)根據(jù)變量近鄰圖關(guān)系矩陣a計(jì)算近鄰度向量s，根據(jù)近鄰度向量s提取歷史數(shù)據(jù)集中傳感器變量多維度特征，將提取到的特征保存到近鄰圖特征矩陣x1中作為訓(xùn)練數(shù)據(jù)集；

5、(三)使用近鄰圖特征矩陣x1的均值mx1和標(biāo)準(zhǔn)差sx1對(duì)訓(xùn)練數(shù)據(jù)集標(biāo)準(zhǔn)化，利用主成分分析方法對(duì)標(biāo)準(zhǔn)化之后的數(shù)據(jù)建立故障檢測(cè)模型；

6、(四)采集新的工業(yè)過(guò)程傳感器數(shù)據(jù)集xt，根據(jù)近鄰度向量s提取新數(shù)據(jù)集xt中傳感器變量多維度特征，將提取到的特征保存到近鄰圖特征矩陣x2中作為測(cè)試數(shù)據(jù)集；

7、(五)利用訓(xùn)練數(shù)據(jù)集的均值mx1和標(biāo)準(zhǔn)差sx1對(duì)測(cè)試數(shù)據(jù)集x2進(jìn)行標(biāo)準(zhǔn)化處理得到標(biāo)準(zhǔn)化后的數(shù)據(jù)集計(jì)算數(shù)據(jù)集對(duì)應(yīng)的故障檢測(cè)統(tǒng)計(jì)量，分析得到故障檢測(cè)結(jié)果。

8、進(jìn)一步的，利用公式(1)對(duì)工業(yè)過(guò)程歷史數(shù)據(jù)集x0進(jìn)行預(yù)處理，得到預(yù)處理后的工業(yè)過(guò)程數(shù)據(jù)集x0′，針對(duì)預(yù)處理后的工業(yè)過(guò)程數(shù)據(jù)集x0′，通過(guò)k均值聚類法對(duì)x0′中傳感器變量進(jìn)行分類，根據(jù)分類結(jié)果構(gòu)建變量近鄰圖關(guān)系矩陣a，公式(1)的表達(dá)式為：

9、

10、式中，mx0和sx0分別是工業(yè)過(guò)程歷史數(shù)據(jù)集的均值和方差；

11、k均值聚類法通過(guò)優(yōu)化公式(2)中的目標(biāo)函數(shù)q實(shí)現(xiàn)傳感器變量聚類，公式(2)的表達(dá)式為：

12、

13、式中，m為數(shù)據(jù)集x0′中傳感器變量個(gè)數(shù)；k為類的個(gè)數(shù)；x(i)為數(shù)據(jù)集x0′中第i個(gè)傳感器變量所有樣本值；c為每個(gè)變量所屬的類；μ為所有類的中心；μj為第j個(gè)類的中心；d(x(i),μj)為第i個(gè)變量x(i)到類中心μj的距離；

14、通過(guò)優(yōu)化公式(2)中的目標(biāo)函數(shù)q得到變量聚類結(jié)果，根據(jù)變量聚類結(jié)果構(gòu)建變量近鄰圖關(guān)系矩陣a，變量近鄰圖關(guān)系矩陣a表示為：

15、

16、式中，aij表示第i個(gè)變量和第j個(gè)變量的近鄰關(guān)系，其數(shù)值通過(guò)公式(4)計(jì)算，公式(4)的表達(dá)式為：

17、

18、進(jìn)一步的，步驟(二)中，在變量近鄰圖關(guān)系矩陣a的基礎(chǔ)上利用公式(5)計(jì)算近鄰度向量s，根據(jù)近鄰度向量s的值確定傳感器變量需要提取的多維度特征數(shù)目，公式(5)表示為：

19、

20、式中，i、j分別表示近鄰圖關(guān)系矩陣的行數(shù)、列數(shù)，si是近鄰度向量s中的第i個(gè)元素；若si＝0，則提取第i個(gè)變量變化率、相對(duì)趨勢(shì)方差特征；若si≠0，則提取第i個(gè)變量的變化率、相對(duì)趨勢(shì)方差、偏差、相關(guān)系數(shù)特征；

21、變化率特征通過(guò)公式(6)計(jì)算，公式(6)的表達(dá)式為：

22、dx＝x(t)-x(t-1)??????????????????????(6)

23、式中，dx是變量的變化率，x(t)是變量t時(shí)刻的值，x(t-1)是變量t-1時(shí)刻的值；

24、相對(duì)趨勢(shì)方差特征通過(guò)公式(7)計(jì)算，公式(7)的表達(dá)式為：

25、

26、式中，vn(x)是變量的相對(duì)趨勢(shì)方差，n是計(jì)算方差所用數(shù)據(jù)窗內(nèi)樣本的個(gè)數(shù)，x(t-i)是變量t-i時(shí)刻的值，是變量t-i時(shí)刻的趨勢(shì)值；

27、偏差特征通過(guò)公式(8)計(jì)算，公式(8)的表達(dá)式為：

28、xbias(x)＝x(t)-xnn(t)?????????????????????(8)

29、式中，xbias(x)是變量的偏差，x(t)是變量x所有時(shí)刻的值，xnn(t)是變量x所屬的類中與該變量相關(guān)性最強(qiáng)的變量所有時(shí)刻的值；

30、相關(guān)系數(shù)特征通過(guò)公式(9)計(jì)算，公式(9)的表達(dá)式為：

31、xsim＝corr(x(t),xnn(t))?(9)

32、式中，xsim是變量x的相關(guān)系數(shù)，corr代表了相關(guān)系數(shù)運(yùn)算；

33、將提取的所有傳感器變量的特征保存到近鄰圖特征矩陣x1中作為訓(xùn)練數(shù)據(jù)集。

34、進(jìn)一步的，步驟(三)中，利用近鄰圖特征矩陣數(shù)據(jù)集x1的均值mx1和標(biāo)準(zhǔn)差sx1通過(guò)公式(10)對(duì)訓(xùn)練數(shù)據(jù)集標(biāo)準(zhǔn)化，利用主成分分析方法對(duì)標(biāo)準(zhǔn)化之后的數(shù)據(jù)建立故障檢測(cè)模型，公式(10)的表達(dá)式為：

35、

36、利用主成分分析法建立故障診斷模型的步驟為：

37、(1)訓(xùn)練計(jì)算的協(xié)方差矩陣其中n為樣本數(shù)，對(duì)協(xié)方差矩陣進(jìn)行特征值分解，以獲得特征值λ和其對(duì)應(yīng)的特征向量，將特征值λ和其對(duì)應(yīng)的特征向量按降序重新排序，將所有特征向量作為列向量排列得到載荷矩陣p；

38、(2)根據(jù)累計(jì)方差貢獻(xiàn)率法確定主元個(gè)數(shù)k；

39、(3)計(jì)算t2統(tǒng)計(jì)量其中pk是載荷矩陣p的前k列，λ是由前k個(gè)特征值構(gòu)成的對(duì)角陣，取t2(x1)累計(jì)90％概率密度值作為控制限

40、進(jìn)一步的，步驟(四)中，根據(jù)近鄰度向量s提取新數(shù)據(jù)集xt中傳感器變量多維度特征，將提取到的特征保存到近鄰圖特征矩陣x2中作為測(cè)試數(shù)據(jù)集，提取方法與步驟(二)中根據(jù)近鄰度向量s提取歷史數(shù)據(jù)集中傳感器變量多維度特征一致。

41、進(jìn)一步的，步驟(五)中，利用訓(xùn)練數(shù)據(jù)集x1的均值mx1和標(biāo)準(zhǔn)差sx1通過(guò)公式(11)對(duì)測(cè)試數(shù)據(jù)集x2進(jìn)行標(biāo)準(zhǔn)化處理得到標(biāo)準(zhǔn)化后的測(cè)試數(shù)據(jù)集公式(11)的表達(dá)式為：

42、

43、通過(guò)公式(12)計(jì)算測(cè)試數(shù)據(jù)集對(duì)應(yīng)的故障檢測(cè)統(tǒng)計(jì)量t2，公式(12)的表達(dá)式為：

44、

45、將t2(x2)與故障檢測(cè)模型中控制限做對(duì)比，得到故障檢測(cè)結(jié)果y：

46、

47、式中，若t2(x2)小于其對(duì)應(yīng)控制限，說(shuō)明傳感器系統(tǒng)正常；t2統(tǒng)計(jì)量大于其對(duì)應(yīng)控制限，說(shuō)明傳感器系統(tǒng)故障。

48、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

49、本發(fā)明提供的基于近鄰圖特征分析的多模態(tài)工業(yè)過(guò)程傳感器故障檢測(cè)方法，對(duì)采集的歷史工業(yè)過(guò)程傳感器數(shù)據(jù)進(jìn)行預(yù)處理，利用k均值聚類法得到傳感器變量聚類結(jié)果，根據(jù)聚類結(jié)果構(gòu)建變量近鄰圖關(guān)系矩陣和近鄰度向量，根據(jù)近鄰度向量提取傳感器變量多維度特征作為訓(xùn)練數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集標(biāo)準(zhǔn)化，利用pca對(duì)標(biāo)準(zhǔn)化之后的數(shù)據(jù)建立故障檢測(cè)模型，對(duì)于新采集的工業(yè)過(guò)程傳感器數(shù)據(jù)集，根據(jù)近鄰度向量提取傳感器變量多維度特征作為測(cè)試數(shù)據(jù)集，利用訓(xùn)練數(shù)據(jù)集的均值和方差將測(cè)試數(shù)據(jù)集標(biāo)準(zhǔn)化之后，進(jìn)一步計(jì)算標(biāo)準(zhǔn)化之后的測(cè)試數(shù)據(jù)集故障檢測(cè)統(tǒng)計(jì)量，得到故障檢測(cè)結(jié)果。本發(fā)明通過(guò)聚類尋找傳感器變量之間的近鄰關(guān)系，根據(jù)變量間近鄰關(guān)系提取在多模態(tài)正常工況下不變的傳感器變量特征，消除模態(tài)變化對(duì)故障檢測(cè)帶來(lái)的影響，提高故障檢測(cè)準(zhǔn)確率。