非完整数据过程的鲁棒故障检测与故障认知方法

Data-driven fault diagnosis methods have become the current hot research topic in the field of process control. One of the key characteristic of complex industrial processes is the incomplete data issue.This characteristic will reduce the robustness and accuracy of the fault diagnosis meodel. Non-negative Matrix Factorization (NMF) is a new dimension reduction technique which can preserve spatial relationships corresponding and retain the intrinsic structure of original data. The non-negativity constraint allows only additions in the synthesis and no cancellations or interference of patterns via subtraction or negative feature vector values. This makes NMF have sparsity,interpretability and learn localized part-based representations. NMF provides a new method to solve the incomplete data issue for fault diagnosis. Therefore, NMF is very potential for the research of fault diagnosis methods. This project has planned to propose a new fault diagnosis method based on NMF algorithms and to research several key problems of NMF-based method. The main content of the work is following:1) In order to obtain the transformation matrix betweem the original data space and the lower dimensional space, this project will propose a new method named transformation embeded NMF (TE-NMF) algorithm for fault diagnosis; 2) this project will propose a new NMF algorithm which can strengthen the sparsity of NMF and increase the robustness of fault detection methods; 3）In order to slove the structurally incomplete data problem, this projiect will research the additionally increment approximation model and improve fault detection reliability; 4)This project will study the equivalence relationship between the basis vectors and the fuzzy membership function, in a certain regularization and identifiable constraint, and study the fault identification under fuzzy logic space based on NMF methods;?5) Besides simulation om the Tennessee Eastman (TE) process model, this project will build an experimental platform based on an actual project- - Cryogenic Ground Support Equipment (CGSE) in order to verify the new NMF-based fault diagnosis methods.

数据的非完整性是复杂过程中非常常见的数据特性，该特性会使数据驱动的故障诊断技术表现出鲁棒性变差及误报漏报严重的现象。非负矩阵分解(NMF)是近年来机器学习领域中日益显现特色的数据变换方法，具有正向纯加性、稀疏性、可解释性并体现了一种深刻的人工智能认知机理。本申请针对过程数据的非完整性问题，研究基于NMF方法的鲁棒故障检测与故障认知方法，包括：1）研究一类嵌入变换矩阵NMF（TE-NMF）算法，解决NMF用于故障诊断时首先遇到的测量-特征空间的变换求取问题；2）研究NMF稀疏性强化方法，抑制非完整数据的缺失项影响，提高故障检测鲁棒性；3）研究NMF正向纯加性的增量逼近模式，可在数据结构不完备条件下提高故障检测鲁棒性；4）研究在一定正则性和特征鉴别性约束条件下，NMF基矩阵向量与模糊隶属度函数的等价关系，以及NMF方法在模糊逻辑空间下的多类故障认知方法；5）搭建理论仿真和实际验证平台。

数据的非完整性是复杂过程中非常常见的数据特性，该特性会使数据驱动的故障诊断技术表现出鲁棒性变差及误报漏报严重的现象。非负矩阵分解NMF是一种基于“部分构成整体思想”的特征提取方法，能够产生基于部分的数据表示，能够很好地反映数据或被研究对象内在隐含的结构，是一种可以用于故障辨识与特征认知的有效分析工具。本课题还研究了基于统计可解释性机理的故障特征认知及主动学习算法。. 本课题研究重点集中在以下四个方面。. 第一，针对数据结构不完备的非完整问题，研究基于NMF正向纯加性结构的鲁棒性故障检测方法，主要成果有：提出了一种嵌入线性投影的广义非负矩阵投影（GNMP）算法，建立了一种基于GNMP算法的故障检测与诊断新模型，提出了一种处理不完整数据的RGNMP算法，提出一种针对工况时变性问题MWGNMP算法；研究了结合FDA最优分类思想的有监督FGNMP分类算法。. 第二，研究基于NMF 可解释性机理的故障特征识别和认知算法，主要成果有：提出了一种基于方差保持正则项的方差保持非负矩阵分解（VNMF）模型；提出了一种低相关非负矩阵分解（LNMF）的模型；研究了一种基于Fisher-KNMF多故障识别与认知算法；研究了一种KNMF 故障诊断算法。 . 第三，研究基于统计可解释性机理的多类故障特征识别和认知算法，主要成果有：提出一种基于符号有向图（SDG）模型和数据重构的故障诊断方法；提出了一种基于ForeCA的故障诊断方法； 研究了ForeCA与偏最小二乘法（PLS）结合的故障检测方法以及基于MCUSUM-ForeCA的微小故障特征识别与认知算法； 研究了一种基于核可预测元分析及集成核主成分分析的非线性故障检测算法；研究了基于拓扑流形结构的故障特征辨识与认知算法。. 第四， 针对过程数据不完整及故障数据的稀缺性特点，研究适合于工业过程数据处理的主动学习方法。主要成果有：研究了一种基于特征选择的主动学习方法；研究了一种基于子空间投影的主动学习方法；研究了一种基于半监督聚类的主动学习支持向量机；提出了一种新的主动学习停止标准。