數據局部時空結構特征提取與故障檢測方法.pdf

1、實時過程監(jiān)控是保證工業(yè)過程安全平穩(wěn)運行以及產品質量的關鍵技術和有效手段。現(xiàn)代工業(yè)過程每天都生產和存儲大量的過程測量數據，這些數據反映了生產過程及設備的運行情況。傳統(tǒng)的多變量統(tǒng)計過程監(jiān)測(MSPM)方法，利用過程數據進行統(tǒng)計建模和特征提取，并基于相應的過程監(jiān)控算法實時監(jiān)測，已經成為工業(yè)過程綜合自動化技術研究的熱點和前沿。MSPM大多采用維度約簡方法提取數據特征，去除冗余信患，降維算法的數據特征提取能力直接影響到過程監(jiān)控的性能。傳統(tǒng)的維度約

2、簡算法，如PCA主要對數據的全局結構特征進行提取，沒有考慮數據的局部結構信患。本論文從數據線性降維的角度出發(fā)，基于局部流形學習算法NPE的思想，對數據的空間和時序結構特征進行提取，并基于標準TE過程仿真驗證本論文提出方法的有效性。
　　1.將正交保持嵌入(ONPE)通過核方法擴展為核正交保持嵌入算法(KONPE)，并將其應用于非線性故障檢測。NPE算法從樣本的局部空間結構出發(fā)，在降維的同時保留了數據的潛在流形結構信息，其正交約束算

3、法ONPE迸一步增強了對非線性數據的特征提取和區(qū)分能力。KONPE顯式地考慮了數據間的非線性結構，提高了對非線性數據的提取能力，比傳統(tǒng)的KPCA算法具有更強的空間結構保持能力，因此帶來了更好的檢測效果。
　　2.在局部特征提取算法NPE的基礎上，提出了基于數據非局部限制的空間局部結構分析方法:基于非局部約束的鄰域保持嵌入算法(NSC-NPE)。NPE算法主要關注數據的局部結構特征，沒有對非局部數據進行約束，丟失了數據信患。考慮該不

4、足，提出對非鄰域內的數據進行約束，據此構建了新的目標函數，給出了平衡數據局部和非局部結構的策略和計算方法。目標是使得數據降維后得到的維度約簡空間不僅和原數據具有相似的局部近鄰結構，而且其非近鄰數據的關系特征也能夠得到保留，因此包含了數據整體結構特征信息。同時相比于基于全局結構的方法(如PCA)，NSC-NPE針對鄰域內和非鄰域內的數據分別采用不同的方法進行處理，能夠更有效地解釋數據的特征信息，因此也具有較好的故障檢測效果。
　　3

5、.利用局部特征提取的方法，提出了針對動態(tài)數據的時序結構局部特征提取算法:時間近鄰保持嵌入算法(TNPE)。并進一步考慮數據的時序-空間結構特征，提出了時空近鄰保持嵌入算法(TSNPE)。實際的工業(yè)過程數據一般具有較強的動態(tài)相關性，這部分特征反映了數據的時序變化情況，因此在特征提取時需要保留該部分數據關系。傳統(tǒng)的僅關注數據空間結構特征的方法不適用于對動態(tài)自相關數據的處理，基于此，我們?yōu)槊總€數據點建立基于時間的鄰域空間，并對每個數據利用其鄰

6、域點進行線性重構，據此來獲取數據間的動態(tài)相關關系，并在低維空間保留該局部特性。數值仿真和TE過程仿真結果表明了:基于動態(tài)相關信息保留的方法，更易于獲得數據的本質特性，能夠有效提取其時間和空間結構特征。
　　4.以局部特征提取的線性維度約簡算法NPE為例，深入分析了流形學習算法在過程監(jiān)控領域的應用特點和本質機理。流形學習算法在過程監(jiān)控領域的應用，經過近幾年的發(fā)展已經取得了較好的應用效果，但是該類方法在該領域的理論研究還較少。通過分析