基于Daubechies小波变换和弹性网的故障检测方法

摘要

本发明涉及一种基于Daubechies小波变换和弹性网的故障检测方法，包括：获得训练数据和测试数据，并对测试数据进行标准化处理；对训练数据进行Daubechies小波变换，分别将每一组数据作为主元列向量，与训练数据矩阵做弹性网回归，分别求出不同的最小估计值；通过概率密度估计方法，求得最佳的值作为阈值；对测试数据依次进行Daubechies小波变换和弹性网回归，将每一组数据求得的值与阈值相比较，判断每组数据是否存在故障。与现有技术相比，本发明具有考虑全部特征值、提高检测准确度、适应性好等优点。

主权项

一种基于Daubechies小波变换和弹性网的故障检测方法，应用于连续化工过程，其特征在于，包括以下步骤：1)从田纳西‑伊斯曼工业过程模型中获得正常数据和故障数据，将正常数据作为训练数据，将故障数据作为测试数据，并对获得的测试数据进行标准化处理；2)对训练数据进行Daubechies小波变换，压缩数据，对小波变换后的训练数据分别将每一组数据作为主元列向量，与训练数据矩阵做弹性网回归，分别求出不同的最小估计值，所述的弹性网回归具体为：将需进行弹性网回归的数据表示为一个样本矩阵X(p×n)，其中n为样本的采样数，p为观测数据的个数，任意选取样本矩阵中一列X_j作为主元列向量，定义为Y：Y＝(y₁，y₂,…y_n)^T建立X_j和Y相关的弹性网线性回归约束函数，其最小估计式如下：${\hat{\beta }}_{en}=(1+{\lambda }_2)\{\arg \underset{\beta }{\min }{\left|Y-\underset{j=1}{\overset{p}{\Sigma }}{X}_j{\beta }_j\right|}^2+{\lambda }_2\underset{j=1}{\overset{p}{\Sigma }}{\left|{\beta }_j\right|}^2+{\lambda }_1\underset{j=1}{\overset{p}{\Sigma }}|{\beta }_j\left|\right\}$式中，λ₁和λ₂为非负的参数，β_j为对应的回归系数向量；3)通过概率密度估计方法，求得最佳的值作为阈值；4)对测试数据依次进行Daubechies小波变换和弹性网回归，将每一组数据求得的值与阈值相比较，判断每组数据是否存在故障：若求得的值大于阈值，则所对应的一组数据存在故障；若求得的值小于阈值，则所对应的一组数据正常。