融合聚類(lèi)分析的故障檢測(cè)和分類(lèi)研究.pdf

1、過(guò)程安全、產(chǎn)品質(zhì)量以及環(huán)境保護(hù)是現(xiàn)代流程工業(yè)的核心目標(biāo)，因此過(guò)程監(jiān)測(cè)作為過(guò)程自動(dòng)化系統(tǒng)的重要組成部分和關(guān)鍵技術(shù)之一，具有重大的現(xiàn)實(shí)意義和價(jià)值。隨著集散控制系統(tǒng)在工業(yè)過(guò)程中的廣泛應(yīng)用以及計(jì)算機(jī)存儲(chǔ)技術(shù)的飛速發(fā)展，海量過(guò)程數(shù)據(jù)得以收集和存儲(chǔ)。由于缺少充足的過(guò)程經(jīng)驗(yàn)和應(yīng)用工具，工業(yè)過(guò)程往往數(shù)據(jù)豐富但知識(shí)缺乏。因此，基于多元統(tǒng)計(jì)分析和模式識(shí)別等數(shù)據(jù)驅(qū)動(dòng)過(guò)程監(jiān)測(cè)成為研究熱點(diǎn)，在這十多年來(lái)產(chǎn)生了許多研究成果和工業(yè)應(yīng)用。
　　 但是，傳統(tǒng)的多

2、元統(tǒng)計(jì)分析和模式識(shí)別方法沒(méi)有考慮實(shí)際工業(yè)過(guò)程中存在的樣本類(lèi)標(biāo)簽未知、各故障數(shù)據(jù)不平衡、非線性、多工況、瞬態(tài)等諸多問(wèn)題。本文在已有方法基礎(chǔ)上，通過(guò)融入聚類(lèi)分析思想，分析數(shù)據(jù)預(yù)處理、特征提取和模式分類(lèi)等諸多環(huán)節(jié)，針對(duì)不同問(wèn)題，提出了一套融合聚類(lèi)分析的故障檢測(cè)和分類(lèi)新方法和新框架:
　　 (1)針對(duì)工業(yè)過(guò)程所提取的訓(xùn)練樣本不純時(shí)核主元分析(KPCA)失效問(wèn)題，提出了一種有效融合Fisher判別式分析-可能性c-均值聚類(lèi)(FDA-PCM

3、C)的KPCA新方法。首先應(yīng)用FDA來(lái)提取特征并實(shí)現(xiàn)訓(xùn)練樣本的初分類(lèi)，然后應(yīng)用PCMC來(lái)有效聚類(lèi)訓(xùn)練樣本。即首先通過(guò)分類(lèi)聚類(lèi)混雜學(xué)習(xí)實(shí)現(xiàn)訓(xùn)練樣本純化，然后使用KPCA實(shí)現(xiàn)非線性故障檢測(cè)。
　　 (2)工業(yè)過(guò)程中存在正常樣本多，故障樣本少，而且不同故障類(lèi)別的樣本量各不相同的問(wèn)題。分類(lèi)器傾向于大類(lèi)數(shù)據(jù)，而過(guò)程監(jiān)測(cè)的小類(lèi)數(shù)據(jù)是關(guān)注焦點(diǎn)，由此產(chǎn)生了當(dāng)數(shù)據(jù)集存在不平衡問(wèn)題時(shí)核Fisher判別式分析(KFDA)性能不佳的問(wèn)題。本文提出了一種

4、基于非平衡校正的KFDA故障分類(lèi)新方法--誘導(dǎo)偏移KFDA，該方法通過(guò)在基于最小歐氏距離的模式判別準(zhǔn)則上融入一個(gè)新的權(quán)重調(diào)整矩陣，實(shí)現(xiàn)了非平衡校正的目的。
　　 (3)多步和單步模式下的過(guò)程監(jiān)測(cè)研究。首先具體闡述了基于模式識(shí)別的故障檢測(cè)和分類(lèi)系統(tǒng)下的多步和單步模式，然后在多步模式下，提出了基于主元分析(PCA)-支持向量數(shù)據(jù)描述(SVDD)的故障檢測(cè)和分類(lèi)新方法。在此基礎(chǔ)上，分析和討論了PCA和KPCA的相互關(guān)聯(lián)和性能差異，提出

5、了在多步和單步模式下的基于KPCA-SVDD故障檢測(cè)和分類(lèi)方法。最后為實(shí)現(xiàn)最優(yōu)模式選取，構(gòu)建了一個(gè)新的基于過(guò)程監(jiān)測(cè)系統(tǒng)全局損失的評(píng)價(jià)準(zhǔn)則。評(píng)價(jià)準(zhǔn)則除了考慮分類(lèi)器的故障檢測(cè)和故障分類(lèi)性能外，還考慮了故障檢測(cè)和故障分類(lèi)的誤分類(lèi)代價(jià)。
　　 (4)基于特征判別子空間的故障分類(lèi)研究?；贔DA和KFDA的特征提取，可將原始數(shù)據(jù)空間投影到特征判別線性和非線性子空間上。本文首先討論了監(jiān)督學(xué)習(xí)在特征提取上的重要性。然后提出了FDA特征提取、F

6、isher線性分類(lèi)和SVDD非線性分類(lèi)相結(jié)合的算法，給出了串級(jí)和混聯(lián)兩個(gè)融合方式，實(shí)現(xiàn)了故障模式的有效分類(lèi)。最后在KFDA特征子空間上提出了基于混合高斯模型(GMM)和k最近鄰（kNN）分類(lèi)器的故障分類(lèi)方法，并討論了參數(shù)和非參數(shù)分類(lèi)器的性能差異。
　　 (5)為實(shí)現(xiàn)過(guò)程多工況的辨識(shí)和故障檢測(cè)，首先提出了一種融合移動(dòng)窗技術(shù)的集成聚類(lèi)新方法，該方法在基于獨(dú)立元分析-主元分析(ICA-PCA)方法兩步提取特征后，基于k-ICA-PCA

7、模型的兩層集成聚類(lèi)可實(shí)現(xiàn)多工況建模。在此基礎(chǔ)上，建立了一個(gè)基于多獨(dú)立元分析-主元分析鄰接模型，實(shí)現(xiàn)了多工況過(guò)程的辨識(shí)和故障檢測(cè)。
　　 (6)針對(duì)多工況間的瞬態(tài)過(guò)程監(jiān)測(cè)問(wèn)題，提出了一種融合動(dòng)態(tài)集成聚類(lèi)的瞬態(tài)過(guò)程監(jiān)測(cè)方法。為了獲取瞬態(tài)過(guò)程數(shù)據(jù)的動(dòng)態(tài)、非高斯特性并類(lèi)標(biāo)簽化瞬態(tài)過(guò)程，提出了一種面向瞬態(tài)過(guò)程模式分析的集成聚類(lèi)方法，建立了一個(gè)新型的動(dòng)態(tài)k-ICA-PCA模型。然后使用基于主元分析的特征提取和基于多類(lèi)SVDD的模式分類(lèi)來(lái)實(shí)現(xiàn)