基于DLNS-DSVDD的故障檢測(cè)方法

謝彥紅，張浩然，張 成，李 元

(1.沈陽(yáng)化工大學(xué)理學(xué)院，遼寧沈陽(yáng) 110142；2.沈陽(yáng)化工大學(xué)信息工程學(xué)院，遼寧沈陽(yáng) 110142)

隨著現(xiàn)代工業(yè)過(guò)程的快速發(fā)展，企業(yè)對(duì)系統(tǒng)安全提出了更高的要求。為保證系統(tǒng)的正常運(yùn)行和設(shè)備的可靠運(yùn)轉(zhuǎn)，過(guò)程監(jiān)控方法應(yīng)運(yùn)而生。其中，基于數(shù)據(jù)的過(guò)程監(jiān)控方法可以從大量數(shù)據(jù)中提取過(guò)程信息，被廣泛用于工業(yè)過(guò)程故障診斷領(lǐng)域[1-3]。

主成分分析(principle component analysis，PCA)[4-5]及其衍生方法，例如核主成分分析(kernel PCA,KPCA)[6-7]、動(dòng)態(tài)主成分分析(dynamic PCA,DPCA)[8-9]和概率主成分分析(probabilistic PCA,PPCA)[10]方法，作為經(jīng)典的過(guò)程監(jiān)控方法，在石油化工行業(yè)得到了廣泛應(yīng)用并取得了令人滿意的效果。但基于PCA的故障檢測(cè)方法通常要求數(shù)據(jù)服從高斯分布，而大多數(shù)過(guò)程數(shù)據(jù)不能滿足這個(gè)要求，因此上述方法有較高的誤報(bào)率[11-12]。針對(duì)非高斯數(shù)據(jù)的過(guò)程監(jiān)控問(wèn)題，TAX等[13]提出了支持向量數(shù)據(jù)描述(support vector data description，SVDD)方法。該方法通過(guò)在特征空間中構(gòu)建最優(yōu)超球體進(jìn)行故障檢測(cè)，已成功應(yīng)用于冷水機(jī)組[14]和模擬電路[15]等領(lǐng)域。盡管SVDD方法在非高斯故障檢測(cè)領(lǐng)域取得了顯著的成果，但是對(duì)多模態(tài)動(dòng)態(tài)過(guò)程的檢測(cè)效果有所降低[16]。針對(duì)過(guò)程數(shù)據(jù)的多模態(tài)特征，HE等[17]提出了FD-kNN(Fault detection using k nearest neighbor)的故障檢測(cè)方法，該方法通過(guò)計(jì)算樣本間的局部信息消除了多模態(tài)結(jié)構(gòu)對(duì)故障檢測(cè)的影響，并取得了較好的效果。但當(dāng)各模態(tài)協(xié)方差結(jié)構(gòu)特征差異較大時(shí)，F(xiàn)D-kNN方法無(wú)法準(zhǔn)確地檢測(cè)出故障[18]。ZHAO等[19]提出了WLS-SVDD(weighted local standardization SVDD)的故障檢測(cè)方法，該方法利用WLS克服了各模態(tài)協(xié)方差結(jié)構(gòu)差異的影響，簡(jiǎn)化了SVDD方法建模和監(jiān)控過(guò)程，提升了故障檢測(cè)性能。但是模態(tài)之間存在的故障樣本會(huì)降低了WLS-SVDD方法的檢測(cè)性能。馮立偉等[20]提出DLNS-PCA(double local neighborhood standardization and principal component analysis)的故障檢測(cè)方法，該方法不僅克服了各模態(tài)協(xié)方差結(jié)構(gòu)差異的影響，還將模態(tài)間的故障樣本與正常樣本進(jìn)行了有效地分離，較大地提升了DLNS-PCA方法對(duì)多模態(tài)特征數(shù)據(jù)的檢測(cè)效果。但DLNS方法并未考慮樣本間序列相關(guān)性對(duì)故障檢測(cè)的影響，若某個(gè)模態(tài)具有動(dòng)態(tài)特征時(shí)，檢測(cè)性能明顯降低。針對(duì)過(guò)程數(shù)據(jù)的動(dòng)態(tài)特征，KU等[9]提出了DPCA的故障檢測(cè)方法，該方法對(duì)原始數(shù)據(jù)矩陣進(jìn)行擴(kuò)展，構(gòu)造動(dòng)態(tài)增廣矩陣，將樣本間的相關(guān)性轉(zhuǎn)換為變量間的相關(guān)性，從而提高了對(duì)動(dòng)態(tài)過(guò)程的檢測(cè)性能。但是動(dòng)態(tài)增廣矩陣存在的冗余信息會(huì)增加DPCA方法的計(jì)算復(fù)雜度。GUO等[21]通過(guò)引入慢特征分析(slow feature analysis,SFA)方法提取原始數(shù)據(jù)的動(dòng)態(tài)信息，有效識(shí)別了原始數(shù)據(jù)的異常變化，郭金玉等[22]提出了DW-ICA-SVM的故障檢測(cè)方法，有效提取了變量間的非高斯特征并且降低了變量間自相關(guān)性對(duì)故障檢測(cè)的影響，上述方法均提升了對(duì)動(dòng)態(tài)過(guò)程數(shù)據(jù)的檢測(cè)性能，但是都未考慮到數(shù)據(jù)多模態(tài)特征對(duì)檢測(cè)性能的影響。

實(shí)際工業(yè)過(guò)程數(shù)據(jù)大多同時(shí)具有多模態(tài)特征和動(dòng)態(tài)特征，若僅考慮到了數(shù)據(jù)單一的特征，沒(méi)有對(duì)數(shù)據(jù)進(jìn)行多方位分析，則會(huì)出現(xiàn)較多的誤報(bào)和漏報(bào)現(xiàn)象。針對(duì)SVDD方法對(duì)多模態(tài)動(dòng)態(tài)過(guò)程故障檢測(cè)率低的問(wèn)題，本文提出DLNS-DSVDD(dynamic SVDD based on double local neighborhood standardization)方法。

1 基礎(chǔ)方法

1.1 支持向量數(shù)據(jù)描述

假設(shè)一組訓(xùn)練數(shù)據(jù)集X={x1,…,xi,…,xn}T，其中xi∈Rm，n為樣本個(gè)數(shù)，m為測(cè)量變量數(shù)，則SVDD方法的原始優(yōu)化問(wèn)題可表述為

(1)

式中：a和R分別是超球體球心和半徑；C是懲罰因子；松弛變量εi用于確定超球體之外離群點(diǎn)的個(gè)數(shù)。

通過(guò)引入拉格朗日乘數(shù)α={α1,…,αi,…,αn}T，并用核函數(shù)K(xi,xj)代替樣本的內(nèi)積運(yùn)算〈Φ(xi),Φ(xj)〉，式(1)的對(duì)偶問(wèn)題可表述為

(2)

(3)

對(duì)于一個(gè)測(cè)試樣本點(diǎn)z，其在特征空間中到球心的距離可由式(4)計(jì)算：

(4)

若Dz

1.2 雙局部近鄰標(biāo)準(zhǔn)化

(5)

(6)

(7)

經(jīng)過(guò)DLNS處理后，各模態(tài)數(shù)據(jù)被融合成中心相同、疏密程度相似的單模態(tài)數(shù)據(jù)，數(shù)據(jù)的多模態(tài)結(jié)構(gòu)被剔除。

2 基于雙局部近鄰標(biāo)準(zhǔn)化的動(dòng)態(tài)支持向量數(shù)據(jù)描述的故障檢測(cè)方法

2.1 動(dòng)態(tài)方法

(8)

(9)

2.2 舉例與檢測(cè)流程

SVDD方法統(tǒng)計(jì)量的計(jì)算公式如式(3)和式(4)所示，可以看出SVDD方法的統(tǒng)計(jì)量計(jì)算是在特征空間中樣本到超球體球心的歐氏距離。當(dāng)過(guò)程具有多模態(tài)動(dòng)態(tài)特征時(shí)，若過(guò)程在多個(gè)模態(tài)存在不同幅值的階躍故障時(shí)，根據(jù)式(3)和式(4)無(wú)法有效地檢測(cè)出故障。接下來(lái)通過(guò)修改文獻(xiàn)[23]中一個(gè)數(shù)值例子對(duì)SVDD方法進(jìn)行分析。該例子包含2個(gè)變量，由以下4個(gè)模態(tài)產(chǎn)生：

(10)

(11)

(12)

(13)

其中，a是過(guò)程參數(shù)，本節(jié)選取0.2；θ和t是輸入變量；模態(tài)1和模態(tài)2中的e1和e2為服從N(0,0.2)的高斯白噪聲，模態(tài)3和模態(tài)4中的e1和e2為服從N(0,0.8)的高斯白噪聲。過(guò)程在模態(tài)1至模態(tài)4下依次正常運(yùn)行4π時(shí)刻，各生成500個(gè)樣本作為訓(xùn)練數(shù)據(jù)集。接下來(lái)過(guò)程再次在模態(tài)1至模態(tài)4下依次正常運(yùn)行，但從2π時(shí)刻起在模態(tài)1和模態(tài)3的變量t上分別添加幅值為-1的階躍信號(hào)，在模態(tài)2和模態(tài)4的變量t上分別添加幅值為-4的階躍信號(hào)，產(chǎn)生共2 000個(gè)樣本作為測(cè)試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的空間分布以及SVDD方法建立的決策邊界如圖1所示。從圖1可以發(fā)現(xiàn)，決策邊界未能很好地?cái)M合正常數(shù)據(jù)，并且決策邊界內(nèi)存在大量的空白區(qū)域。此時(shí)決策邊界內(nèi)存在較多的故障樣本，導(dǎo)致SVDD方法檢測(cè)性能降低。

圖1 數(shù)據(jù)集空間分布及SVDD方法建立的決策邊界Fig.1 Data set spatial distribution and decision boundary established by SVDD method

基于上述分析，本文提出了基于雙局部近鄰標(biāo)準(zhǔn)化的動(dòng)態(tài)支持向量數(shù)據(jù)描述方法，提高了SVDD方法對(duì)多模態(tài)動(dòng)態(tài)過(guò)程的檢測(cè)效果。本文方法分為離線建模階段和在線檢測(cè)階段，如圖2所示。

圖2 故障檢測(cè)流程圖Fig.2 Flow chart of fault detection

圖2顯示了離線建模階段和在線檢測(cè)階段的步驟。

1)離線建模階段

①收集不同模態(tài)的正常樣本作為訓(xùn)練樣本集X。

④應(yīng)用SVDD方法建立檢測(cè)模型并使用式(3)計(jì)算控制限R。

2)在線檢測(cè)階段

DLNS-DSVDD方法在SVDD方法的基礎(chǔ)上結(jié)合了DLNS和動(dòng)態(tài)方法的優(yōu)點(diǎn)，既可以剔除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)，又可以消除序列相關(guān)性對(duì)故障檢測(cè)的影響。DLNS可以剔除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)并且擴(kuò)大正常數(shù)據(jù)與故障數(shù)據(jù)之間的差異，但是無(wú)法捕獲數(shù)據(jù)的動(dòng)態(tài)信息；動(dòng)態(tài)方法可以識(shí)別過(guò)程數(shù)據(jù)的異常變化，但是無(wú)法消除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)對(duì)故障檢測(cè)的影響。DLNS方法和動(dòng)態(tài)方法優(yōu)勢(shì)互補(bǔ)，二者結(jié)合提高了SVDD方法對(duì)多模態(tài)動(dòng)態(tài)過(guò)程的檢測(cè)性能。

3 仿真實(shí)驗(yàn)

本節(jié)通過(guò)2.2節(jié)的數(shù)值例子對(duì)本文方法的有效性進(jìn)行驗(yàn)證，并與SVDD方法、DLNS-SVDD方法進(jìn)行比較分析。3種方法的具體參數(shù)設(shè)置如下: 1)在SVDD方法中，懲罰參數(shù)C=0.5，核寬參數(shù)σ=7；2)在DLNS-SVDD方法中，近鄰數(shù)k=4，雙層近鄰數(shù)K=5，懲罰參數(shù)C=0.5，核寬參數(shù)σ=2； 3)在DLNS-DSVDD方法中，近鄰數(shù)k=4，雙層近鄰數(shù)K=5，滯后參數(shù)l=5，懲罰參數(shù)C=0.5，核寬參數(shù)σ=2.2。懲罰參數(shù)C和核寬參數(shù)σ可以采用交叉驗(yàn)證[24]方法進(jìn)行確定，也可以采用經(jīng)驗(yàn)法進(jìn)行確定。本文采用交叉驗(yàn)證方法獲取最優(yōu)的懲罰參數(shù)C和核寬參數(shù)σ。

圖3為SVDD方法的故障檢測(cè)結(jié)果，可以發(fā)現(xiàn)大部分故障樣本位于控制限以下，故障檢測(cè)率較低。其主要原因是SVDD方法既無(wú)法識(shí)別數(shù)據(jù)的多模態(tài)特征，又無(wú)法捕獲數(shù)據(jù)的動(dòng)態(tài)信息。當(dāng)數(shù)據(jù)具有多模態(tài)動(dòng)態(tài)特征時(shí)，SVDD方法為了更好地?cái)M合數(shù)據(jù)會(huì)將正常樣本之間過(guò)多的空白區(qū)域包含在超球體中，導(dǎo)致了SVDD方法建立的故障檢測(cè)模型泛化能力較差。若故障樣本位于該空白區(qū)域中會(huì)被誤報(bào)成正常樣本，造成了漏報(bào)率過(guò)高，制約了SVDD方法的故障檢測(cè)性能。

圖3 SVDD方法故障檢測(cè)結(jié)果Fig.3 SVDD method fault detection results

圖4為DLNS-SVDD方法的故障檢測(cè)結(jié)果，可以發(fā)現(xiàn)相比于SVDD方法，DLNS-SVDD方法的故障檢測(cè)效果有所提升。其主要原因是DLNS-SVDD方法降低了數(shù)據(jù)的多模態(tài)結(jié)構(gòu)對(duì)故障檢測(cè)的影響，提高了故障檢測(cè)性能。從式(7)可以看出，DLNS本質(zhì)上在衡量樣本與樣本所在雙層近鄰集中心的差異，并且獲得了樣本相對(duì)于雙層近鄰集中心的變化信息[25-26]。

圖4 DLNS-SVDD方法故障檢測(cè)結(jié)果Fig.4 DLNS-SVDD method fault detection results

圖5是經(jīng)過(guò)DLNS方法處理后標(biāo)準(zhǔn)數(shù)據(jù)集的空間分布情況，通過(guò)圖5可以看出標(biāo)準(zhǔn)數(shù)據(jù)集不包括過(guò)程的結(jié)構(gòu)信息，原始數(shù)據(jù)的多模態(tài)結(jié)構(gòu)被剔除。因此在標(biāo)準(zhǔn)數(shù)據(jù)集上應(yīng)用SVDD方法進(jìn)行故障檢測(cè)，消除了原始數(shù)據(jù)多模態(tài)結(jié)構(gòu)對(duì)故障檢測(cè)的影響，檢測(cè)性能得到了提高。值得注意的是，通過(guò)圖5可以發(fā)現(xiàn)仍有部分故障樣本混入正常樣本之中，制約了DLNS-SVDD方法的檢測(cè)性能，因此DLNS-SVDD方法的故障檢測(cè)性能具有較大的提升空間。

圖6為DLNS-DSVDD方法的故障檢測(cè)結(jié)果，可以發(fā)現(xiàn)DLNS-DSVDD方法可以檢測(cè)出大部分的故障樣本。其主要原因是該方法既可以剔除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)，又可以有效識(shí)別動(dòng)態(tài)過(guò)程的異常變化，大幅度提升了SVDD方法對(duì)多模態(tài)動(dòng)態(tài)過(guò)程的檢測(cè)性能。

圖6 DLNS-DSVDD方法故障檢測(cè)結(jié)果Fig.6 DLNS-DSVDD method fault detection results

圖7為原始數(shù)據(jù)集單變量結(jié)構(gòu)對(duì)比圖，由圖7可以發(fā)現(xiàn)，原始數(shù)據(jù)故障幅度較小，故障樣本與正常樣本的變化軌跡較為接近；還可以發(fā)現(xiàn)故障樣本相比于正常樣本具有明顯的中心偏移現(xiàn)象，原始數(shù)據(jù)存在較強(qiáng)的動(dòng)態(tài)特征。圖8為標(biāo)準(zhǔn)數(shù)據(jù)集的單變量結(jié)構(gòu)對(duì)比圖，可以發(fā)現(xiàn)，故障樣本與正常樣本的變化軌跡發(fā)生了改變，二者之間差異被擴(kuò)大化，此時(shí)數(shù)據(jù)的動(dòng)態(tài)特征更易于捕獲。動(dòng)態(tài)方法通過(guò)量化異常條件與正常操作下過(guò)程的統(tǒng)計(jì)差異實(shí)現(xiàn)故障樣本與正常樣本的區(qū)分。因此原始數(shù)據(jù)在經(jīng)過(guò)DLNS處理后應(yīng)用動(dòng)態(tài)方法可以準(zhǔn)確地捕獲數(shù)據(jù)的動(dòng)態(tài)特征，SVDD方法的檢測(cè)性能得到進(jìn)一步提升。如圖9所示，在標(biāo)準(zhǔn)數(shù)據(jù)集的基礎(chǔ)上經(jīng)過(guò)動(dòng)態(tài)方法處理后，正常樣本與故障樣本之間存在明顯界限，實(shí)現(xiàn)了正常樣本與故障樣本的分離。接下來(lái)應(yīng)用SVDD方法進(jìn)行故障檢測(cè)，通過(guò)圖9可以發(fā)現(xiàn)，SVDD方法的決策邊界內(nèi)包含大多數(shù)的正常樣本，并且大多數(shù)的故障樣本被排斥在決策邊界之外。

圖7 原始數(shù)據(jù)集單變量結(jié)構(gòu)對(duì)比圖Fig.7 Comparison chart of univariate structure of original data set

圖8 標(biāo)準(zhǔn)數(shù)據(jù)集單變量結(jié)構(gòu)對(duì)比圖Fig.8 Comparison chart of univariate structure of standard data set

圖9 數(shù)據(jù)集空間分布及SVDD方法建立的決策邊界Fig.9 Spatial distribution of the data set and the decision boundary established by SVDD method

表1給出了3種方法的誤報(bào)率(fault alarm rate,FAR)和故障檢測(cè)率(fault detection rate,FDR)。通過(guò)表1可以看出，SVDD方法的故障檢測(cè)率較低，僅為26.2%。其主要原因是故障樣本分散在4個(gè)模態(tài)中且靠近正常樣本，SVDD方法建立的決策邊界為了包含盡可能多的正常樣本導(dǎo)致了過(guò)多的故障樣本混入其中，造成了SVDD方法的檢測(cè)率較低。DLNS-SVDD方法的故障檢測(cè)率相比于SVDD方法有所提高，達(dá)到了62.4%。其主要原因是DLNS方法可以將多模態(tài)數(shù)據(jù)融合成中心相同、密集程度近似的單模態(tài)數(shù)據(jù)，降低了數(shù)據(jù)的多模態(tài)結(jié)構(gòu)對(duì)故障檢測(cè)的影響，提高了SVDD方法的檢測(cè)效果。但是多模態(tài)數(shù)據(jù)中部分故障尺度較小的樣本經(jīng)DLNS方法處理后仍混入正常樣本中，導(dǎo)致了DLNS-SVDD方法的檢測(cè)效果無(wú)法達(dá)到工業(yè)過(guò)程的檢測(cè)要求。DLNS-DSVDD方法的檢測(cè)率最高，達(dá)到了98.4%。其主要原因是DLNS-DSVDD方法在剔除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)后可以有效地捕獲數(shù)據(jù)的動(dòng)態(tài)特征，因此可以準(zhǔn)確識(shí)別出故障樣本。綜合對(duì)比可以發(fā)現(xiàn)，DLNS-DSVDD方法在保證較低的誤報(bào)率的情況下，具有較高的故障檢測(cè)率，證明了該方法在多模態(tài)動(dòng)態(tài)過(guò)程故障檢測(cè)的有效性。

表1 3種方法的誤報(bào)率和故障檢測(cè)率

4 TE過(guò)程

田納西-伊斯曼(tennessee-eastman,TE)過(guò)程[27-29]作為一個(gè)完備的工業(yè)過(guò)程仿真平臺(tái)，已被廣泛應(yīng)用于過(guò)程監(jiān)控和故障檢測(cè)領(lǐng)域。如圖10所示，該過(guò)程主要包括5個(gè)轉(zhuǎn)換單元、4 種反應(yīng)物、2種產(chǎn)物、1種惰性氣體和1種副產(chǎn)物。TE過(guò)程可以模擬正常生產(chǎn)過(guò)程，并且可以通過(guò)操控已知的干擾因素產(chǎn)生28 種不同故障的過(guò)程，部分已知故障類型如表2所示。一旦過(guò)程出現(xiàn)故障，該過(guò)程的所有變量都會(huì)受到影響，其中某些變量值會(huì)發(fā)生改變。

圖10 TE過(guò)程基本結(jié)構(gòu)Fig.10 Basic structure of TE process

表2 故障描述及變化類型

TE仿真器[30]可以模擬6種工作環(huán)境，本節(jié)選用模態(tài)1和模態(tài)3兩種工況數(shù)據(jù)進(jìn)行監(jiān)控。TE過(guò)程生成的數(shù)據(jù)集共包含53個(gè)變量，由于生成的數(shù)據(jù)中有3個(gè)控制變量在整個(gè)過(guò)程中恒定不變，選擇舍去，故本節(jié)保留其中的50個(gè)變量進(jìn)行故障檢測(cè)。設(shè)采樣周期為0.01 h，過(guò)程在模態(tài)1下正常運(yùn)行10 h后轉(zhuǎn)換到模態(tài)3繼續(xù)運(yùn)行10 h，共采集2 000個(gè)正常數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)集。再次讓過(guò)程在模態(tài)1下正常運(yùn)行5 h后引入故障，10 h后轉(zhuǎn)換到模態(tài)3正常運(yùn)行，15 h后引入故障，20 h后結(jié)束采集，組成測(cè)試數(shù)據(jù)集。

本節(jié)使用DLNS-DSVDD方法進(jìn)行故障檢測(cè)，并與SVDD方法、DLNS-SVDD方法進(jìn)行比較。其中SVDD方法的懲罰參數(shù)C選取0.5，核寬參數(shù)σ選取15；DLNS-SVDD方法的懲罰參數(shù)C選取0.5，核寬參數(shù)σ選取7，近鄰數(shù)k選取4，雙層近鄰數(shù)K選取5；DLNS-DSVDD方法的懲罰參數(shù)C選取0.5，核寬參數(shù)σ選取5，近鄰數(shù)k選取4，雙層近鄰數(shù)K選取5，滯后參數(shù)l選取3。

圖11—13分別為3種方法對(duì)于故障26的故障檢測(cè)結(jié)果。通過(guò)圖11可以看出，當(dāng)SVDD方法處理具有多模態(tài)特征或者動(dòng)態(tài)特征的過(guò)程數(shù)據(jù)時(shí)，建立的決策邊界無(wú)法很好擬合正常樣本，造成了過(guò)多故障樣本位于決策邊界內(nèi)，導(dǎo)致了檢測(cè)率較低；通過(guò)圖12可以看出，DLNS-SVDD方法降低了過(guò)程的多模態(tài)特征對(duì)故障檢測(cè)的影響，檢測(cè)效果有所提升，但是無(wú)法捕獲過(guò)程的動(dòng)態(tài)信息，檢測(cè)性能受到了制約；通過(guò)圖13可以看出，DLNS-DSVDD方法既可以剔除數(shù)據(jù)的多模態(tài)結(jié)構(gòu)，又可以消除樣本間序列相關(guān)性對(duì)故障檢測(cè)的影響，因此可以準(zhǔn)確地識(shí)別故障樣本，具有較高的檢測(cè)性能。

圖11 SVDD故障檢測(cè)結(jié)果Fig.11 SVDD fault detection results

圖12 DLNS-SVDD方法故障檢測(cè)結(jié)果Fig.12 DLNS-SVDD method fault detection results

圖13 DLNS-DSVDD方法故障檢測(cè)結(jié)果Fig.13 DLNS-DSVDD method fault detection results

表3列出了SVDD方法、DLNS-SVDD方法和DLNS-DSVDD方法對(duì)模態(tài)1、模態(tài)3和全部模態(tài)的TE過(guò)程的故障檢測(cè)率。通過(guò)表3可以發(fā)現(xiàn)，對(duì)模態(tài)1和模態(tài)3中故障類型為9，15，26，28的TE過(guò)程進(jìn)行檢測(cè)時(shí)，相比于SVDD方法和DLNS-SVDD方法，DLNS-DSVDD方法的檢測(cè)性能均具有明顯的優(yōu)勢(shì)。除了上述故障類型的TE過(guò)程，對(duì)模態(tài)1中故障類型為5，8，12，22的TE過(guò)程進(jìn)行檢測(cè)時(shí)，DLNS-DSVDD方法的檢測(cè)性能相比于SVDD方法和DLNS-SVDD方法具有顯著得提升，對(duì)模態(tài)3中故障類型為3，21，23，27的TE過(guò)程進(jìn)行檢測(cè)時(shí)，DLNS-DSVDD方法的檢測(cè)性能相比于SVDD方法和DLNS-SVDD方法同樣具有顯著得提升。對(duì)其他故障類型的TE過(guò)程進(jìn)行檢測(cè)時(shí)，DLNS-DSVDD方法的檢測(cè)性能在不同程度上均高于SVDD方法和DLNS-SVDD方法的檢測(cè)性能。綜合對(duì)比上述方法對(duì)TE過(guò)程的故障檢測(cè)效果可以發(fā)現(xiàn)，DLNS-DSVDD方法的故障檢測(cè)效果最優(yōu)，檢測(cè)結(jié)果證明了本文所提方法在多模態(tài)動(dòng)態(tài)過(guò)程故障檢測(cè)的優(yōu)異性。

表3 3種方法的故障檢測(cè)率

5 結(jié) 語(yǔ)

針對(duì)多模態(tài)動(dòng)態(tài)工業(yè)過(guò)程數(shù)據(jù)的故障檢測(cè)問(wèn)題，提出了DLNS-DSVDD故障檢測(cè)方法。首先，DLNS方法利用樣本的局部空間信息消除了數(shù)據(jù)的多模態(tài)特征，并且擴(kuò)大了正常樣本和故障樣本之間的差異；其次，動(dòng)態(tài)方法通過(guò)量化正常樣本與故障樣本的統(tǒng)計(jì)差異，有效地捕獲了數(shù)據(jù)的動(dòng)態(tài)特征；最后，應(yīng)用SVDD方法建立基于空間距離的統(tǒng)計(jì)量，準(zhǔn)確地檢測(cè)到故障樣本。DLNS方法和動(dòng)態(tài)方法優(yōu)勢(shì)互補(bǔ)，二者結(jié)合提高了SVDD方法對(duì)多模態(tài)動(dòng)態(tài)的過(guò)程檢測(cè)性能。

將DLNS-DSVDD方法應(yīng)用于田納西-伊斯曼過(guò)程進(jìn)行仿真測(cè)試，并與傳統(tǒng)方法對(duì)比分析。仿真結(jié)果表明，SVDD方法的平均故障檢測(cè)率為49.7%，DLNS-SVDD方法的平均故障檢測(cè)率為70.0%，而DLSN-DSVDD方法的平均故障檢測(cè)率為88.2%。在平均誤報(bào)率均小于5%的前提下，DLNS-DSVDD方法的故障檢測(cè)率較高，因此可證明該方法的優(yōu)越性。依次分析TE過(guò)程的28種故障類型，DLNS-DSVDD方法對(duì)于每種故障類型的故障檢測(cè)率相比于其他2種方法均有不同程度的提高，并且除了故障類型3，16，21，22，23難以檢測(cè)外，其他故障類型的故障檢測(cè)率均滿足化工過(guò)程的檢測(cè)要求，因此可進(jìn)一步證明本文所提出方法的優(yōu)越性。

本文主要研究了DLNS-DSVDD方法在多模態(tài)動(dòng)態(tài)過(guò)程中的實(shí)現(xiàn)與應(yīng)用，并取得了一定的成果。但是由于實(shí)際化工過(guò)程的復(fù)雜性，早期的微小故障往往存在難以捕獲的動(dòng)態(tài)特征，制約了本文所提算法的檢測(cè)性能。因此，未來(lái)將致力于改進(jìn)DLNS-DSVDD方法，拓寬本文所提方法的適用領(lǐng)域。