基于多分類器和d-s證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于多分類器和Dempster-Shafer（D-S）證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，該方法首先根據(jù)對(duì)工業(yè)過(guò)程的正常數(shù)據(jù)進(jìn)行獨(dú)立重復(fù)采樣，然后對(duì)新的訓(xùn)練模型數(shù)據(jù)應(yīng)用多個(gè)分類器方法，建立相應(yīng)的分類器模型；然后通過(guò)D-S證據(jù)理論對(duì)多個(gè)分類器決策進(jìn)行集成和綜合，獲得最后的監(jiān)測(cè)結(jié)果。相比目前的其它方法，本發(fā)明可以大大提高工業(yè)過(guò)程的監(jiān)測(cè)效果，減小延遲檢測(cè)時(shí)間，很大程度上改善了監(jiān)測(cè)性能，增強(qiáng)了過(guò)程操作員對(duì)過(guò)程的理解能力和操作信心，更加有利于工業(yè)過(guò)程的自動(dòng)化實(shí)施。
【專利說(shuō)明】基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于工業(yè)過(guò)程控制領(lǐng)域，特別涉及一種基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法。
【背景技術(shù)】
[0002]近年來(lái)，工業(yè)生產(chǎn)過(guò)程的監(jiān)測(cè)問(wèn)題越來(lái)越得到工業(yè)界和學(xué)術(shù)界的廣泛重視。一方面，實(shí)際的工業(yè)過(guò)程因?yàn)槠溥^(guò)程復(fù)雜，操作變量多，存在非線性、非高斯、動(dòng)態(tài)性等階段，在單一假設(shè)下，運(yùn)用某一種方法，其監(jiān)測(cè)效果有很大的局限。另一方面，如果不對(duì)過(guò)程進(jìn)行很好的監(jiān)測(cè)，并對(duì)可能發(fā)生的故障進(jìn)行診斷，有可能會(huì)發(fā)生操作事故，輕者影響產(chǎn)品的質(zhì)量，重者將會(huì)造成生命和財(cái)產(chǎn)的損失。因此，找到更好的過(guò)程監(jiān)測(cè)方法、并進(jìn)行及時(shí)正確地預(yù)報(bào)已經(jīng)成為工業(yè)生產(chǎn)過(guò)程的研究熱點(diǎn)和迫切需要解決的問(wèn)題之一。
[0003]傳統(tǒng)的工業(yè)過(guò)程監(jiān)測(cè)方法除了基于機(jī)理模型的方法外，大多采用多元統(tǒng)計(jì)分析方法，比如主元分析方法(PCA)和偏最小二乘方法(PLS)等。在機(jī)理模型難以獲取的情況下，基于數(shù)據(jù)驅(qū)動(dòng)的多元統(tǒng)計(jì)分析方法已經(jīng)成為工業(yè)過(guò)程監(jiān)測(cè)的主流方法。但是，傳統(tǒng)的多元統(tǒng)計(jì)分析方法都存在一些基本的假設(shè)條件，比如主元分析方法(PCA)的假設(shè)條件是數(shù)據(jù)服從獨(dú)立同分布，且假設(shè)過(guò)程服從線性的高斯分布，但實(shí)際過(guò)程卻相對(duì)復(fù)雜，過(guò)程可能是一部分線性、一部分非線性或者一部分非高斯的結(jié)合。而想找到一種適用于各種環(huán)境的方法是不可能的。相比之下，將多種不同假設(shè)條件下的方法進(jìn)行集成，即信息融合方法在處理復(fù)雜工業(yè)過(guò)程的監(jiān)控和故障診斷方面有其自身的優(yōu)勢(shì)，本發(fā)明采用該方法替代原有的單一多元統(tǒng)計(jì)分析方法對(duì)過(guò)程進(jìn)行監(jiān)控。另外，為了提高融合的效果，在增加分類器多樣性上，可以先對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行重復(fù)采樣預(yù)處理。傳統(tǒng)的監(jiān)測(cè)方法假設(shè)過(guò)程運(yùn)行在單一條件下，已經(jīng)無(wú)法滿足實(shí)際工業(yè)過(guò)程的監(jiān)測(cè)要求。即使對(duì)過(guò)程的不同工作條件分別進(jìn)行建模，也無(wú)法達(dá)到滿意的監(jiān)測(cè)效果。因?yàn)閷?duì)新的過(guò)程數(shù)據(jù)進(jìn)行監(jiān)測(cè)時(shí)，需要結(jié)合過(guò)程知識(shí)對(duì)該數(shù)據(jù)的工作條件進(jìn)行判斷，并選取相應(yīng)的監(jiān)測(cè)模型，這就大大增強(qiáng)了監(jiān)測(cè)方法對(duì)過(guò)程知識(shí)的依賴性，不利于工業(yè)過(guò)程的自動(dòng)化實(shí)施。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于針對(duì)現(xiàn)有方法的假設(shè)局限，提供一種基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法。
[0005]本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的:一種基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，包括以下步驟:
[0006](I)利用系統(tǒng)收集過(guò)程正常運(yùn)行的數(shù)據(jù)組成建模用的訓(xùn)練樣本集:X=[Xl;X2v;Xn]。其中X e Rnxm,η為訓(xùn)練樣本總數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，Rnxm表示X滿足nXm的二維分布；將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)；
[0007](2)從數(shù)據(jù)庫(kù)中調(diào)用正常數(shù)據(jù)，采用獨(dú)立重復(fù)采樣方法對(duì)數(shù)據(jù)矩陣進(jìn)行重排處理，得到數(shù)據(jù)矩陣集又e W ;[0008](3)對(duì)數(shù)據(jù)集X進(jìn)行預(yù)處理和歸一化，即使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為；e R'.；
[0009](4)調(diào)用不同的分類器方法，選擇分類器的個(gè)數(shù)為G，包括無(wú)監(jiān)督方法和有監(jiān)督方法，在新的數(shù)據(jù)矩陣集交下建立不同的分類器模型，對(duì)無(wú)監(jiān)督模型構(gòu)造相應(yīng)的T2和SPE統(tǒng)
計(jì)量的檢測(cè)統(tǒng)計(jì)限；對(duì)有監(jiān)督模型構(gòu)造相應(yīng)的標(biāo)簽指標(biāo)；
[0010](5)將建模數(shù)據(jù)和各個(gè)模型參數(shù)存入歷史數(shù)據(jù)庫(kù)和實(shí)時(shí)數(shù)據(jù)庫(kù)中備用；
[0011](6)收集新的過(guò)程數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理和歸一化；
[0012](7)分別采用不同的分類器模型對(duì)其進(jìn)行監(jiān)測(cè)，即建立統(tǒng)計(jì)量T2和SPE以及標(biāo)簽，這樣每一種方法都可以得到一個(gè)關(guān)于正?；蛘吖收系臎Q策；
[0013](8)通過(guò)D-S證據(jù)理論，利用每一種方法對(duì)不同故障檢出率的先驗(yàn)知識(shí)，計(jì)算當(dāng)前監(jiān)測(cè)數(shù)據(jù)在所有分類器方法下的綜合檢出率，并做出最后決策。
[0014]本發(fā)明的有益效果是:本發(fā)明通過(guò)對(duì)每一個(gè)過(guò)程數(shù)據(jù)分別進(jìn)行不同分類器方法下的分析和建模。然后，引入D-S證據(jù)方法對(duì)不同方法下的監(jiān)測(cè)信息進(jìn)行集成和綜合，獲得最后的監(jiān)測(cè)結(jié)果。相比目前的其它過(guò)程監(jiān)測(cè)方法，本發(fā)明不僅可以大大提高工業(yè)過(guò)程的監(jiān)測(cè)效果，減少延遲診斷時(shí)間，增加診斷的準(zhǔn)確性，而且在很大程度上改善了監(jiān)測(cè)方法對(duì)過(guò)程知識(shí)的依賴性，增強(qiáng)了過(guò)程操作員對(duì)過(guò)程的理解能力和操作信心，更加有利于工業(yè)過(guò)程的自動(dòng)化實(shí)施。
【專利附圖】

【附圖說(shuō)明】
[0015]圖1是TE過(guò)程的正常數(shù)據(jù)散點(diǎn)圖；
[0016]圖2是無(wú)監(jiān)督方法對(duì)TE過(guò)程對(duì)故障I數(shù)據(jù)的監(jiān)測(cè)結(jié)果圖；
[0017]圖3是有監(jiān)督方法對(duì)TE過(guò)程對(duì)故障I數(shù)據(jù)的監(jiān)測(cè)結(jié)果圖。
【具體實(shí)施方式】
[0018]本發(fā)明針對(duì)工業(yè)過(guò)程的監(jiān)測(cè)問(wèn)題，首先利用集散控制系統(tǒng)收集正常工作狀態(tài)下的數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行多樣性處理，即進(jìn)行獨(dú)立重復(fù)采樣，得到新的訓(xùn)練數(shù)據(jù)集，在此基礎(chǔ)上，分別調(diào)用不同的分類器方法，建立相應(yīng)的分類器模型，并對(duì)無(wú)監(jiān)督的方法建立兩個(gè)監(jiān)測(cè)
統(tǒng)計(jì)量T2和SPE及其對(duì)應(yīng)的統(tǒng)計(jì)限T1^和SPElim,對(duì)有監(jiān)督的方法建立標(biāo)簽類別。把所有的
過(guò)程模型參數(shù)存入數(shù)據(jù)庫(kù)中備用。對(duì)新的批次數(shù)據(jù)進(jìn)行監(jiān)測(cè)的時(shí)候，首先利用不同的分類器監(jiān)測(cè)模型對(duì)其進(jìn)行監(jiān)測(cè)，獲取相應(yīng)的監(jiān)測(cè)結(jié)果。然后通過(guò)D-S證據(jù)理論得到該數(shù)據(jù)的狀態(tài)最終決策。
[0019]本發(fā)明一種基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，包括以下步驟:
[0020]第一步:利用集散控制系統(tǒng)收集工業(yè)過(guò)程正常狀態(tài)下的數(shù)據(jù)組成建模用的訓(xùn)練樣本集:X=[Xl;X2;…；xn]。其中X e RnXm，n為樣本總數(shù)，m為過(guò)程變量數(shù)。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)。
[0021]第二步:從數(shù)據(jù)庫(kù)中調(diào)用正常數(shù)據(jù)，采用獨(dú)立重復(fù)采樣方法對(duì)數(shù)據(jù)矩陣進(jìn)行重排處理，得到數(shù)據(jù)矩陣集又e Rlixm。
[0022]為了增加數(shù)據(jù)的多樣性，以提高最終的融合效果，利用獨(dú)立重復(fù)采樣的方法，對(duì)數(shù)據(jù)進(jìn)行處理，在統(tǒng)計(jì)意義下，大概率的數(shù)據(jù)被采到的可能性大，那么就可以利用該方法濾掉一部分小概率的樣本，即一部分的無(wú)用信息。
[0023]第三步:對(duì)數(shù)據(jù)隼又進(jìn)行預(yù)處理和歸一化，即使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為；e ZTm。
[0024]在歷史數(shù)據(jù)庫(kù)中對(duì)采集到的過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，剔除野值點(diǎn)和明顯的粗糙誤差數(shù)據(jù)，為了使得過(guò)程數(shù)據(jù)的尺度不會(huì)影響到監(jiān)測(cè)的結(jié)果，對(duì)不同變量的數(shù)據(jù)分別進(jìn)行歸一化處理，即各個(gè)變量的均值為零，方差為I。這樣，不同過(guò)程變量的數(shù)據(jù)就處在相同的尺度之下，既而不會(huì)影響到后續(xù)的監(jiān)控效果。
[0025]第四步:調(diào)用不同的分類器方法，包括無(wú)監(jiān)督方法和有監(jiān)督方法，在新的數(shù)據(jù)矩陣集；下建立不同的分類器模型，對(duì)無(wú)監(jiān)督模型構(gòu)造相應(yīng)的T2和SPE統(tǒng)計(jì)量的檢測(cè)統(tǒng)計(jì)限；對(duì)有監(jiān)督模型構(gòu)造相應(yīng)的標(biāo)簽指標(biāo)；
[0026]a)對(duì)于無(wú)監(jiān)督方法，具體的實(shí)現(xiàn)步驟如下所示:
[0027]I)通過(guò)PCA分析，可以得到數(shù)據(jù)矩陣的協(xié)方差矩陣Σ e Rnxn、酉矩陣U e Rnxn、特征值構(gòu)成的對(duì)角矩陣D e Rnixni如下所示:
[0028]
【權(quán)利要求】
1.一種基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，其特征在于，包括以下步驟: (1)利用系統(tǒng)收集過(guò)程正常運(yùn)行的數(shù)據(jù)組成建模用的訓(xùn)練樣本集:X=[x1;x2;…；Xn]。其中X e Rnxm, η為訓(xùn)練樣本總數(shù)，m為過(guò)程變量數(shù)，R為實(shí)數(shù)集，Rnxm表示X滿足nXm的二維分布；將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫(kù)； (2)從數(shù)據(jù)庫(kù)中調(diào)用正常數(shù)據(jù)，采用獨(dú)立重復(fù)采樣方法對(duì)數(shù)據(jù)矩陣進(jìn)行重排處理，得到數(shù)據(jù)矩陣集XeiTm1 (3)對(duì)數(shù)據(jù)集文進(jìn)行預(yù)處理和歸一化，即使得各個(gè)過(guò)程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為χ e R"Km ； (4)調(diào)用不同的分類器方法，選擇分類器的個(gè)數(shù)為G，包括無(wú)監(jiān)督方法和有監(jiān)督方法，在新的數(shù)據(jù)矩陣集交下建立不同的分類器模型，對(duì)無(wú)監(jiān)督模型構(gòu)造相應(yīng)的T2和SPE統(tǒng)計(jì)量的檢測(cè)統(tǒng)計(jì)限；對(duì)有監(jiān)督模型構(gòu)造相應(yīng)的標(biāo)簽指標(biāo)； (5)將建模數(shù)據(jù)和各個(gè)模型參數(shù)存入歷史數(shù)據(jù)庫(kù)和實(shí)時(shí)數(shù)據(jù)庫(kù)中備用； (6)收集新的過(guò)程數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理和歸一化； (7)分別采用不同的分類器模型對(duì)其進(jìn)行監(jiān)測(cè)，即建立統(tǒng)計(jì)量T2和SPE以及標(biāo)簽，這樣每一種方法都可以得到一個(gè)關(guān)于正?；蛘吖收系臎Q策； (8)通過(guò)D-S證據(jù)理論，利用每一種方法對(duì)不同故障檢出率的先驗(yàn)知識(shí)，計(jì)算當(dāng)前監(jiān)測(cè)數(shù)據(jù)在所有分類器方法下的綜合檢出率，并做出最后決策。
2.根據(jù)權(quán)利要求1所述基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，其特征在于，所述步驟4具體為:選擇G為6種不同的多分類器方法，具體包括無(wú)監(jiān)督方法:主元分析(PCA)、核主元分析(KPCA)、獨(dú)立主元分析(ICA);有監(jiān)督方法:費(fèi)舍爾判據(jù)(FDA)、k-近鄰(KNN)、神經(jīng)網(wǎng)絡(luò)(BP-ANN)； Ca)對(duì)于無(wú)監(jiān)督的方法，具體實(shí)現(xiàn)步驟如下所示: (1)通過(guò)PCA分析，可以得到數(shù)據(jù)矩陣的協(xié)方差矩陣Σ e Rnxn、酉矩陣U e Rnxn、特征值構(gòu)成的對(duì)角矩陣D e Rnixni如下所示:
3.根據(jù)權(quán)利要求1所述基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，其特征在于，所述步驟7具體為:對(duì)于歸一化之后的新數(shù)據(jù)完_，分別采用不同的模型對(duì)其進(jìn)行監(jiān)測(cè): (a)對(duì)于無(wú)監(jiān)督的方法，建立相應(yīng)的監(jiān)測(cè)統(tǒng)計(jì)量如下: (I)對(duì)于PCA分析:
4.根據(jù)權(quán)利要求1所述基于多分類器和D-S證據(jù)融合的工業(yè)過(guò)程故障檢測(cè)方法，其特征在于，所述步驟8具體為: (a)調(diào)用不同的分類器方法，計(jì)算出相應(yīng)的基本概率賦值函數(shù)，如下:

【文檔編號(hào)】G05B23/02GK103901880SQ201410129962
【公開(kāi)日】2014年7月2日 申請(qǐng)日期:2014年4月1日 優(yōu)先權(quán)日:2014年4月1日
【發(fā)明者】張富元, 葛志強(qiáng) 申請(qǐng)人:浙江大學(xué)