动态多向局部离群因子算法的间歇过程在线故障检测方法技术

动态多向局部离群因子算法的间歇过程在线故障检测方法，涉及一种间歇过程故障检测方法，首先在训练样本的一个滑动窗口内将三维数据展开成二维，进行标准化处理。然后在每个窗口内找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量；通过核密度估计计算出此时刻的LOF统计量的控制限；在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量。如果统计量超过控制限，则该时刻的数据样本是故障的；否则是正常的。如果测试表明系统出现故障，则需要工作人员及时查明情况，排除险情。本发明专利技术能有效地进行过程监视，改善了故障检测效果。

【技术实现步骤摘要】

本专利技术涉及一种间歇过程故障检测方法，特别是涉及一种动态多向局部离群因子（DynamicMultiwayLocalOutlierFactor，DMLOF）用于间歇过程的在线故障检测方法。
技术介绍
近年来，由于科技的不断进步和发展，间歇过程被广泛应用于生产高质量、高附加值产品行业。因此，间歇过程的检测与故障诊断一直备受关注。然而在间歇过程采集到的信号往往具有非高斯、非线性、多模态的特性，这就对故障检测的性能提出了很高的要求。多模态间歇过程相对于传统的间歇过程更加复杂，具有严重的非线性、时变性和多工况等特征，使得多模态间歇过程的故障诊断更加具有挑战性。基于多元统计分析的故障诊断方法成为工业界和学术界的研究热点。多向主元分析和多向偏最小二乘极其延伸算法已成功应用于化工过程检测与监视。这些方法假设数据服从单一分布，通过保留主成分使数据从高维空间降低到低维空间，改变了数据分布丢失局部信息，而实际数据往往是高斯分布和非高斯分布的混合情况，因此这些方法对具有复杂数据分布的化工过程监控效果较差。如何解决数据的多模态分布特性问题，同时利用局部邻域信息，目前还没有一种对多模态的间歇过程进行故障检测的方法。
技术实现思路
本专利技术的目的在于提供一种动态多向局部离群因子算法的间歇过程在线故障检测方法，该方法将滑动窗口技术和多向局部离群因子（MultiwayLocalOutlierFactor，MLOF）相结合用于间歇过程在线检测，并利用核密度估计确定控制限进行过程检测，提高故障检测模型的精确度。本专利技术的目的是通过以下技术方案实现的：动态多向局部离群因子算法的间歇过程在线故障检测方法，所述方法包括以下过程:将在生产过程中正常情况下采集到的一定量的批次数据作为建模数据的训练集，利用滑动窗口技术，在每个窗口内将三维数据展开成二维，进行标准化处理。然后在每个窗口内找到训练集k个近邻，利用局部离群因子（LocalOutlierFactor，LOF）算法计算可达距离和局部可达密度得到LOF统计量，通过核密度估计计算出此时刻的LOF统计量的控制限；对于新来一个时刻k的批次样本，将数据展开成一行，利用与新来样本相对应的建模数据时刻模型的均值和方差，标准化新来数据样本。在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量；根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。如果统计量超过控制限，则该时刻的数据样本是故障的；否则是正常的。如果测试表明系统出现故障，则需要工作人员及时查明情况，排除险情。所述的动态多向局部离群因子算法的间歇过程在线故障检测方法，所述建模过程包括正常状态模型、在线检测模型。对工业过程中的正常历史数据，使用多向局部离群因子算法建立正常状态模型。将新来时刻数据投影到MLOF的模型上，通过核密度估计的方法进行建模和在线故障检测。所述的动态多向局部离群因子算法的间歇过程在线故障检测方法，所述滑动窗口大小和步长的选取，遵循实践经验确定。本专利技术的优点与效果是：1.本专利技术能够解决数据的多模态分布特性问题。传统的故障检测方法，如主元分析、核主元分析等假设数据服从单一分布，实际数据往往是高斯分布和非高斯分布的混合情况；而本专利技术提出的方法可以有效利用局部邻域信息，能够更加精确地对多模态数据进行处理，同时对数据分布没有依赖性，在过程监视中具有更好的检测结果。2.本专利技术提高了模型精确度。滑动窗口的在线检测算法不需要预先估计未来测量值，而且能有效地进行过程监视，提高模型精确度。3.本专利技术改善了故障检测效果。利用核密度估计确定控制限不需要数据的高斯分布假设，更具有普遍性意义。因此运用核密度估计计算正常模型中LOF统计量的控制限，改善了故障检测效果。附图说明图1为本专利技术的核心算法流程图。具体实施方式下面结合实例对本专利技术进行详细说明。本专利技术是将大量的正常历史数据预处理（展开成二维和标准化）以后，在滑动窗口内找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量，通过核密度估计计算出此时刻的LOF统计量的控制限。新批次样本到来后，在对应的滑动窗口内利用局部离群因子算法计算出LOF统计量用于进行故障检测。本技术解决了传统算法用于间歇过程故障诊断时数据的多模态分布特性的问题。为了更好的解决数据的多模态分布特性以及同一模态下数据分布的不确定性，本专利技术通过在一个滑动窗口内对训练集运用局部离群因子（LOF）算法，更加精确地对多模态数据进行处理。基于DMLOF的故障检测技术：为了进行过程故障检测，需要利用已知的正常数据建模，然后对新来的数据进行检测。本专利技术将采集到的正常历史数据作为建模数据的训练集，利用DMLOF和核密度估计的方法进行建模和在线故障检测。将训练集在每个窗口内预处理以后，找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量，利用核密度估计估计出LOF统计量的控制限；对于新来一个时刻k的批次样本在对应的滑动窗口内预处理，并在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量；根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。软件系统：为了能够实现故障检测，本专利技术采用MathWorks公司的MALTAB软件编程开发，对工业过程中采集到的实时数据进行检测，当检测数据的统计量超过控制限，则该时刻的数据样本是故障的，即系统出现故障，需要工作人员及时查明情况，排除险情。本专利技术由以下两部分组成：正常状态模型、在线检测模型。对工业过程中的正常历史数据，利用滑动窗口技术，在每个窗口内将三维数据展开成二维，进行标准化处理。然后在每个窗口内找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量，通过核密度估计计算出此时刻的LOF统计量的控制限；对于新来一个时刻k的批次样本，将数据展开成一行，利用与新来样本相对应的相对应的滑动窗口内模型的均值和方差，标准化新来数据样本。在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量；根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。如果统计量超过控制限，则该时刻的数据样本是故障的；否则是正常的。实现了基于动态多向局部离群因子的间歇过程在线故障检测。本专利技术通过对间歇过程中收集到的历史离线数据作为训练集，经过在滑动窗口内建立LOF模型，解决了数据的多模态分布特性以及同一模态下数据分布的不确定性，利用核密度估计得到了更好的检测结果。本文档来自技高网...

【技术保护点】
动态多向局部离群因子算法的间歇过程在线故障检测方法，其特征在于，所述方法包括以下过程：将在生产过程中正常情况下采集到的一定量的批次数据作为建模数据的训练集，利用滑动窗口技术，在每个窗口内将三维数据展开成二维，进行标准化处理；然后在每个窗口内找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量，通过核密度估计计算出此时刻的LOF统计量的控制限；对于新来一个时刻k的批次样本，将数据展开成一行，利用与新来样本相对应的滑动窗口内模型的均值和方差，标准化新来数据样本；在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量；根据统计量是否超过建模的控制限来判断该时刻的数据是否正常；如果统计量超过控制限，则该时刻的数据样本是故障的；否则是正常的；如果测试表明系统出现故障，则需要工作人员及时查明情况，排除险情。

【技术特征摘要】
1.动态多向局部离群因子算法的间歇过程在线故障检测方法，其特征在于，所述方法包括以下过程：将在生产过程中正常情况下采集到的一定量的批次数据作为建模数据的训练集，利用滑动窗口技术，在每个窗口内将三维数据展开成二维，进行标准化处理；然后在每个窗口内找到训练集k个近邻，利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量，通过核密度估计计算出此时刻的LOF统计量的控制限；对于新来一个时刻k的批次样本，将数据展开成一行，利用与新来样本相对应的滑动窗口内模型的均值和方差，标准化新来数据样本；在训练集中找到新来时刻数据的k个近邻，利用局部离群因子算法计算出此时刻LOF统计量；根据统计量是否超过建模的...

【专利技术属性】
技术研发人员：李元，马雨含，郭金玉，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：辽宁;21