基于局部近邻标准化矩阵的多模态过程故障检测方法

摘要

基于局部近邻标准化矩阵的多模态过程故障检测方法，涉及工业过程故障检测方法，将正常状态下的历史数据作为建模数据的训练集，利用局部近邻标准化矩阵方法进行多模态过程建模和故障检测。首先，运用局部加权算法对不等长批次数据进行预处理。在训练样本中确定不等长数据的最大可保留长度，利用k近邻信息，通过加权重构出不等长批次缺失的数据点。其次，对等长的训练集构造主局部近邻标准化矩阵，运用K-means算法进行模态聚类，使用局部离群因子方法剔除各模态的离群样本。该方法可以避免信息的丢失影响多模态过程的模态聚类效果，同时剔除离群点，通过构造主次局部近邻标准化矩阵使得多模态间歇过程故障诊断结果更加准确。

主权项

基于局部近邻标准化矩阵的多模态过程故障检测方法，其特征在于，所述方法包括以下过程：首先，将生产过程中采集批次数据作为建模数据的训练集，运用局部加权算法对较短批次的缺失数据进行恢复，使不等长的批次数据变为等长的；对等长训练样本的主局部近邻标准化矩阵运用K‑means方法进行模态聚类，使用局部离群因子方法剔除各模态的离群样本；运用MPCA分别建立各个模态的模型，并计算各模态的统计量及统计量的匹配系数和统一的控制限；对于新来的批次样本进行预处理后，构造次局部近邻标准化矩阵，运用训练样本的模态标签和K‑means方法判断所属的模态，将其投影到相应模态MPCA模型上，运用对应模态的匹配系数计算统一的统计量；根据统计量是否超过控制限来判断该批次数据是否正常，如果统计量超过控制限，则该批次数据是故障的，否则是正常的；如果测试表明系统出现故障，则需要及时查明情况，排除险情。