CN111352408B - 一种基于证据k近邻的多工况流程工业过程故障检测方法 - Google Patents

Abstract

本发明公开了一种基于证据K近邻的多工况流程工业过程故障检测方法，属于工业过程监控领域，该方法首先对历史数据进行聚类分析，将历史数据按工况进行划分，组成多工况训练集。然后计算训练集内每个样本与每个工况的相关度，建立证据信息库；对于一个待检测样本，由K近邻模型从训练集中选出k个样本，用D‑S证据理论合成这k个样本对应的证据信息，得到最后的检测结果。本发明基于证据K近邻建立的故障诊断模型可以很好的适应***多工况运行状态；该方法可以降低在监控过程中的误报率，提高故障报警的精度。

Description

一种基于证据K近邻的多工况流程工业过程故障检测方法

技术领域

本发明属于工业过程监控领域，具体涉及一种基于证据K近邻的多工况流程工业过程故障检测方法。

背景技术

随着DCS的广泛应用，从工业过程中收集数据变得越来越容易。数据挖掘和数据库技术的发展也为数据驱动建模方法在工业过程中的发展和应用提供了强有力的技术支持。因此，数据驱动的过程监控、控制和***优化得到了广泛的应用。

锅炉作为一种复杂的大型能源转换设备，是火力发电厂最重要的部分之一，锅炉的稳定运行与电能质量密切相关。然而，锅炉燃烧过程复杂多变，难以利用传统的机理分析建立其精准模型；同时，锅炉负荷随着外界需求而变化，在不同的负荷下，锅炉的操作模式发生改变，运行过程表现出明显的多工况特性。

对于传统的故障诊断方法，如主成分分析(principal components analysis,PCA)，偏最小二乘(partial least squares,PLS)等长期以来一直用于工业过程的故障检测和诊断。此类方法也被认为是非常有效的。但需要注意的是，PCA、PLS等方法是假设过程变量独立，分布均匀且线性相关的前提下制定的，并且假设***只有单个正常工况。而在实际的工业生成中，难以符合这种假设条件，导致监控结果不精确，出现大量的错误报警。

发明内容

针对上述技术问题，本发明提出了一种基于证据K近邻的多工况流程工业过程故障检测方法，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于证据K近邻的多工况流程工业过程故障检测方法，包括如下步骤：

步骤1：获取工业过程的正常历史工况数据，将此数据作为训练集，对训练集进行标准化，计算标准化后的值；

步骤2：通过聚类算法，将标准化后的训练集划分为多个正常工况；

步骤3：根据相关度准则，确定证据信息，由于每个训练样本都携带证据信息，得出每个训练样本与每个正常工况的相关度，进而建立证据信息库；证据信息库是所有正常样本所携带证据信息的集合；

步骤4：根据每个训练样本的局部密度，计算训练样本的折扣因子γ_i，使故障边界适应训练样本的局部特征；

步骤5：对待测数据进行标准化，并在训练集中找出距离待测数据最近的k个样本；

步骤6：根据D-S证据理论Dempster’s整合规则，将步骤5中的k个样本的证据信息进行合成，得到故障检测结果。

优选地，在步骤1中，根据公式(1)，计算标准化后的值，正常工况数据集

n为正常工况样本的个数，i代表第i个样本，p为每个样本的维度：

其中，

是实际值，

是变量x^j的最大值，

是变量x^j的最小值，

是标准化后的值，j表示样本维度。

优选地，所述步骤2中的聚类算法为K均值聚类法、高斯混合模型聚类法、密度峰值聚类法中的任意一种。

优选地，所述步骤3中的相关度准则为欧氏距离、马氏距离、局部密度中的一种或两种方法的组合。

优选地，在步骤3中，根据公式(2)，为每个训练样本计算证据信息：

其中，q表示第q个正常工况，d_iq为第i个样本与第q个正常工况的相关度，c表示总的正常工况数量；

表示第i个样本与所有工况相关度的总和，m_i({ω_q})表示第i个样本属于第q个正常工况的概率。

优选地，在步骤4中，根据公式(3)，计算训练样本的折扣因子γ_i：

其中，D_i是样本x_i与距离样本x_i最近的k训练样本之间的距离组合成的集合，ε是quantile函数内的参数。

优选地，在步骤6中，包括以下步骤：

步骤6.1：根据公式(4)，计算自适应折扣因子γ^s：

其中，λ用来调整γ^s的大小，γ_i为训练样本的折扣因子；

步骤6.2：根据公式(5)，计算训练样本的权重值：

其中，d_i表示待测样本与训练样本的欧氏距离，γ^s为自适应折扣因子；

步骤6.3：根据公式(6)，计算待测样本从属于每个工况的mass函数：

其中，α为训练集的置信度，m_i(A)为待测样本的证据信息；

表示距离待测样本最近的K个训练样本的索引集合，d_si表示待测样本与训练样本之间的距离；

步骤6.4：根据公式(7)、(8)、(9)，合成mass函数，得出诊断结果；

其中，K₁为标准化因子，m^s(Ω)表示测试样本故障概率，m^s({ω_q})表示测试样本从属于每个工况的概率。

本发明所带来的有益技术效果：

(1)基于K近邻建立的故障诊断模型可以很好的适应***多工况运行状态；(2)该方法可以降低在监控过程中的误报率，提高故障报警的精度。

附图说明

图1为本发明方法的流程图。

图2为本发明实施例训练集聚类结果在二维空间上的投影示意图。

图3为本发明实施例采用本发明基于证据K近邻的多工况流程工业过程故障检测方法的故障检测结果示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

本实例数据由某电厂锅炉***内一个磨煤机产生，一共采集了2880个样本，28个变量。故障区间为2133-2500。取前1000个正常样本作为训练集，其余样本作为测试集。如图1所示，本发明所述方法，包括如下两大阶段：其分别为离线建模和在线监控，所述离线建模阶段具体包括：

步骤1：对训练集进行标准化；

上式中，

是实际值，

是变量x^j的最大值，

是变量x^j的最小值，

是标准化后的值，j表示样本维度。

步骤2：利用PCA把过程数据组成的高维数据空间投影到低维特征子空间，如图2所示；观察最优聚类个数，通过K均值聚类算法对训练集聚类，参数K＝5，把正常工况划分为w1，w2两个工况；

步骤3：分别计算出w1，w2的中心点，计算每个训练集与w1，w2的相关度建立证据信息库，并计算每个训练样本的折扣因子γ_i；

上式中，D_i是训练样本x_i与K最近邻模型挑选出训练样本的距离集合，参数ε＝0.85。

在线监控阶段主要包括：

步骤1：对于一个待测样本x_i，首先进行标准化。在训练集中找个5个最近邻的样本组成集合Θ。

步骤2：根据Θ内每个训练集对应的折扣因子计算出待测样本x_i的自适应折扣因子γ^s。

上式中，参数λ＝0.2，γ_i为训练样本的折扣因子；

步骤3：计算出待测样本x_i与Θ内每个训练集之间的权重：

上式中，d_i表示待测样本与训练样本的欧氏距离，γ^s为自适应折扣因子；

步骤4：计算待测样本从属于每个工况的mass函数：

其中，参数α＝0.95为训练集的置信度，m_i(A)为训练样本的证据信息；

步骤5：运用Dempster’s整合规则合成Θ内每个训练集携带的证据得到最后的检测结果。规定当m^s(Ω)＝0.2为故障早期预警边界，m^s(Ω)＝0.9为故障边界。监控结果如图3所示；

其中，K₁为标准化因子，m^s(Ω)表示测试样本故障概率，m^s({ω_q})表示测试样本从属于每个工况的概率。

上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：包括如下步骤：

步骤1：获取工业过程的正常历史工况数据，将此正常历史工况数据作为训练集，对此训练集进行标准化，计算标准化后的值；

步骤2：通过聚类算法，将标准化后的训练集划分为多个正常工况；

步骤3：根据相关度准则，确定证据信息，由于每个训练样本都携带证据信息，因此得出每个训练样本与每个正常工况的相关度，进而建立证据信息库；证据信息库是所有正常样本所携带证据信息的集合；

步骤4：根据每个训练样本的局部密度，计算训练样本的折扣因子γ_i，使故障边界适应训练样本的局部特征；

步骤5：对待测数据进行标准化，并在训练集中找出距离待测数据最近的k个样本；

步骤6：根据D-S证据理论Dempster’s整合规则，将步骤5中的k个样本的证据信息进行合成，得到故障检测结果；包括以下步骤：

步骤6.1：根据公式(4)，计算自适应折扣因子γ^s：

其中，λ用来调整γ^s的大小，γ_i为训练样本的折扣因子；

步骤6.2：根据公式(5)，计算训练样本的权重值：

其中，d_i表示待测样本与训练样本的欧氏距离，γ^s为自适应折扣因子；

步骤6.3：根据公式(6)，计算待测样本从属于每个工况的mass函数：

其中，α为训练集的置信度，m_i(A)为待测样本的证据信息；

表示距离待测样本最近的K个训练样本的索引集合，d_si表示待测样本与训练样本之间的距离；

步骤6.4：根据公式(7)、(8)、(9)，合成mass函数，得出诊断结果；

其中，K₁为标准化因子，m^s(Ω)表示测试样本故障概率，m^s({ω_q})表示测试样本从属于每个工况的概率。

2.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤1中，根据公式(1)，计算标准化后的值，正常工况数据集

n为正常工况样本的个数，i代表第i个样本，p为每个样本的维度：

其中，

是实际值，

是变量x^j的最大值，

是变量x^j的最小值，

是标准化后的值，j表示样本维度。

3.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：所述步骤2中的聚类算法为K均值聚类法、高斯混合模型聚类法、密度峰值聚类法中的任意一种。

4.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：所述步骤3中的相关度准则为欧氏距离、马氏距离、局部密度中的一种或两种方法的组合。

5.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤3中，根据公式(2)，为每个训练样本计算证据信息：

其中，q表示第q个正常工况，d_iq为第i个样本与第q个正常工况的相关度，c表示总的正常工况数量；

表示第i个样本与所有工况相关度的总和，m_i({ω_q})表示第i个样本属于第q个正常工况的概率。

6.根据权利要求1所述的基于证据K近邻的多工况流程工业过程故障检测方法，其特征在于：在步骤4中，根据公式(3)，计算训练样本的折扣因子γ_i：

其中，D_i是样本x_i与距离样本x_i最近的k训练样本之间的距离组合成的集合，ε是quantile函数内的参数。

Images