基于时序扩展的正交邻域保持嵌入模型的构建与应用制造技术

本发明专利技术公开了基于时序扩展的正交邻域保持嵌入(TONPE)模型的构建与应用,包括：获取CSTR过程中m个物理量监测点监测的物理量的n个历史正常样本，应用TONPE模型的故障监控方法计算每个正常历史样本x

【技术实现步骤摘要】
基于时序扩展的正交邻域保持嵌入模型的构建与应用
本专利技术属于化工生产过程的故障监测
，具体涉及一种基于时序扩展的正交邻域保持嵌入模型的构建与应用，可以提高化工过程的故障监测准确率。
技术介绍
连续搅拌反应釜(ContinuousStirredTankReactor,CSTR)是在化工、发酵、石油生产等工业生产过程中常用的一类化学反应器。由于设备的老化和外界环境因素的影响，CSTR过程会出现一些故障，从而导致工业生产安全事故的发生。近年来，人们越来越关注工业生产安全问题，突出了过程故障监控的重要性。多元统计过程监控(MSPM)方法能够把高维数据转换为低维数据，在低维数据中获得有效特征信息，常用于工业过程的故障监控。MSPM主要用于处理高斯性、线性的数据，但是在实际生产、生活中存在着大量非线性理化数据。为了解决非线性理化数据的降维问题，有学者提出了邻域保持嵌入(NeighborhoodPreservingEmbedding,NPE)算法，该算法很好的保持了理化数据集的流形结构信息。LiuX.M.等人在NPE的基础上加入正交约束条件，提出了正交邻域保持嵌入(OrthogonalNeighborhoodPreservingEmbedding,ONPE)算法(LiuXM,YinJW,FengZL,etal.OrthogonalNeighborhoodPreservingEmbeddingforFaceRecognition[C]//Proceedingsof2007IEEEInternationalConferenceonImage,ICIP2007.NewYork,2007:133-136)，该算法大大改善了NPE算法中抑制有用信息的问题，在图形图像处理和故障监测领域的研究中显示了很大的优越性，但是往往会忽略理化数据的动态性和多模态的典型特征。
技术实现思路
本专利技术要解决的技术问题基于现有的故障监控方法未考虑各类理化参数及数据的动态性、自相关特性，忽略了理化参数或数据的随时间变化的特征信息，往往会造成CSTR过程故障检测率不高的情况，提供一种基于时序扩展的正交邻域保持嵌入(TemporalExtensionOrthogonalNeighborhoodPreservingembedding，TONPE)的CSTR过程监控方法。为解决上述技术问题，本专利技术人基于本领域的长期实践研究，基于ONPE方法建立TONPE模型，并将其应用到CSTR过程故障监控中，以兼顾过程理化参数或数据的动态性能。本专利技术所采用的具体术方案如下：设计一种基于时序扩展的正交邻域保持嵌入模型的构建方法，包括以下步骤：(1)获取CSTR过程中的m个物理量监测点的n个正常历史样本，组成矩阵X1＝[x11,x12,…x1n]∈Rm×n，将每一行数据减去此行样本数据的均值后除以此行样本数据的标准差，得到矩阵X＝[x1,x2,…xn]∈Rm×n。(2)应用TONPE模型的故障监控方法，计算出投影矩阵A(a1,…,ab)∈Rm×b(b≤m)，并计算每个正常历史样本xi(i＝1,...,n)∈Rm的统计量Ti2(i＝1,2,…,n)和统计量SPEi(i＝1,2,…n)。其中，ai(i＝1,…,b)是投影向量，b是降维维度，Λ＝YYT/(n-1)，Y＝ATX，yi＝ATxi(i＝1,2,…,n)。(3)应用核密度估计函数(KDE)计算Ti2(i＝1,2,…,n)的控制限和统计量SPEi(i＝1,2,…n)的控制限SPElim。进一步的，在所述步骤(2)中，计算出投影矩阵A的方法如下：(2a)构建空间邻域集S针对某个正常历史样本点xi(i＝1,...,n)∈Rm，计算与其它样本点的欧式距离d,然后选取距离此样本点欧氏距离d最小的k个点组成空间邻域集表示样本xi的第k个临近点。(2b)构建时间邻域集Q对此xi样本点进行构建时间邻域集Q∈{xi-m,...,xi-1,xi+1,...,xi+m}，并且在数值上k＝2m。(2c)确定权重系数矩阵W由最小化函数得到空间邻域集S的权重系数矩阵Ws：其中，表示样本xi的第j个临近点，WSij为矩阵Ws的第i行第j列元素，代表样本对重构样本xi的权重系数；约束条件为如果样本不是xi的邻域，则WSij＝0。再由最小化函数得到时间系数权重矩阵WQ：其中，WQij为矩阵WQ的第i行第j列元素，代表样本xj对重构样本xi的权重系数；约束条件为如果xj不是xi的时间邻域点时，WQij＝0。(2d)建立目标函数J(y)：其中，yi为xi的投影向量，和yj分别表示yi空间邻近点和时间邻近点，空间特征信息的权重系数η取值范围是0≤η≤1。(2e)计算投影矩阵A(a1,…,ab)∈Rm×b将yi＝ATxi带入公式(5)得：其中，Ms＝(I-Ws)T(I-WS)，MQ＝(I-WQ)T(I-WQ)，M＝ηMS+(1-η)MQ。在公式(6)基础上加入约束条件ATXXTA＝I，利用拉格朗日乘子法包含约束来求解以上优化问题,式(6)可以转化为如下的广义特征值求解问题，即：XMXTA＝λXXTA(7)求解公式(7)得：1)a1是(XXT)-1XMXT的最小特征值对应的特征向量；2)ai(i＝2,…,b)是Q(i)的最小特征值对应的特征向量；Q(i)＝{I-(XXT)-1a(i-1)[G(i-1)]T}(XXT)-1XMXT(8)式中，G(i-1)＝[a(i-1)]T(XXT)-1a(i-1)；a(i-1)＝[a1,a2,…ai-1]。由(8)式求出所有的ai(i＝1,…,b)的值，得到投影矩阵A。另一方面，设计一种基于TONPE的CSTR过程故障监控方法，包括如下步骤：①在线采集CSTR过程中的m个物理量监测点的n1个测试样本数据，组成矩阵Xnew1＝[xnew11,xnew12,…xnew1n1]∈Rm×n1，将Xnew1的每一行减去正常历史样本矩阵X1的对应行的数据均值后除以对应行数据的标准差，得到矩阵Xnew＝[xnew1,xnew2,…xnewn1]∈Rm×n1。②应用TONPE模型的故障监控方法计算测试数据xnewi(i＝1,...,n1)∈Rm的监测指标和SPEnewi(i＝1,2,…,n1)。SPEnewi＝xnewi(I-ATA)[xnewi(I-ATA)]T(10)其中，Λ＝(ATXnew)(ATXnew)T/(n1-1)，ynewi＝ATxnewi(i＝1,2,…,n1)。③将统计量SPEnewi(i＝1,2,…,n1)和控制限SPElim分别比较，大于控制限的部分即认为此样本点有故障发生；然后总结所有的故障样本点，求出检测率和误报率。与现有技术相比，本专利技术的主要有益技术效果在于：1.本专利技术基于TON本文档来自技高网...

【技术保护点】
1.一种基于时序扩展的正交邻域保持嵌入模型的构建方法，其特征在于，包括以下步骤：/n(1)获取CSTR过程中的m个物理量监测点的n个正常历史样本，组成矩阵X

【技术特征摘要】
1.一种基于时序扩展的正交邻域保持嵌入模型的构建方法，其特征在于，包括以下步骤：
(1)获取CSTR过程中的m个物理量监测点的n个正常历史样本，组成矩阵X1＝[x11,x12,…x1n]∈Rm×n，将每一行数据减去此行样本数据的均值后除以此行样本数据的标准差，得到矩阵X＝[x1,x2,…xn]∈Rm×n；
(2)应用TONPE模型的故障监控方法，计算出投影矩阵A(a1,…,ab)∈Rm×b(b≤m)，并计算每个正常历史样本xi(i＝1,...,n)∈Rm的统计量Ti2(i＝1,2,…,n)和统计量SPEi(i＝1,2,…n)；






其中，ai(i＝1,…,b)是投影向量，b是降维维度，Λ＝YYT/(n-1)，Y＝ATX，yi＝ATxi(i＝1,2,…,n)；
(3)应用核密度估计函数计算Ti2(i＝1,2,…,n)的控制限和统计量SPEi(i＝1,2,…n)的控制限SPElim。


2.根据权利要求1所述基于时序扩展的正交邻域保持嵌入模型的构建方法，其特征在于，在所述步骤(2)中，投影矩阵A的获取方法如下：
(2a)构建空间邻域集S
针对某个正常历史样本点xi(i＝1,...,n)∈Rm，计算与其它样本点的欧式距离d,然后选取距离此样本点欧氏距离d最小的k个点组成空间邻域集表示样本xi的第k个临近点；
(2b)构建时间邻域集Q
对此xi样本点进行构建时间邻域集Q∈{xi-m,...,xi-1,xi+1,...,xi+m}，并且在数值上k＝2m；
(2c)确定权重系数矩阵W
由最小化函数得到空间邻域集S的权重系数矩阵Ws：



其中，表示样本xi的第j个临近点，WSij为矩阵Ws的第i行第j列元素，代表样本对重构样本xi的权重系数；约束条件为如果样本不是xi的邻域，则WSij＝0；
再由最小化函数得到时间系数权重矩阵WQ：



其中，WQij为矩阵WQ的第i行第j列元素，代表样本xj对重构样本xi的权重系数；约束条件为如果当xj不是xi的时间邻域点时，WQij＝0；
(2d)建立目标函数J(y)：

【专利技术属性】
技术研发人员：王妍，凌丹，韩帅帅，王延峰，顾晓光，孙军伟，王英聪，朱传迁，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：河南;41