基于多源异构大数据的电熔镁熔炼过程故障诊断方法的研究

This project takes the fused magnesium smelting industrial process as the research background, and studies the fault diagnosis problem of complex industrial process based on multi-source heterogeneous big data. It aims to use the complex statistical characteristics of multi-source heterogeneous big data to realize the purpose of early micro fault detection and diagnosis in industrial process. The existing research results ignore the internal connection between multi-source heterogeneous data and lose the inherent advantages of big data. This project establishes industrial multi-source heterogeneous big data warehouse by combining multi-source data. Using manifold maintenance and multi-view learning methods to extract feature and time-space relationship of multi-source heterogeneous big data, an offline collaborative optimization model is established. The effective fault diagnosis methods combining multivariate statistics and classification are adopted to improve the real-time and sensitivity of abnormal working condition detection and reduce false alarm and missing alarm. The research results of the project will provide suitable and effective methods and theoretical basis for improving the safety of complex industrial production process, which has important academic and application value.

本项目以电熔镁熔炼工业生产过程为研究背景，研究基于多源异构大数据的复杂工业生产过程的故障诊断问题。旨在利用多源异构大数据的复杂统计特性，实现工业生产过程中早期微小故障检测及诊断的目的。已有的研究成果忽略多源异构数据之间的内在联系，失去大数据的固有优势。本项目通过结合物理化学数据及图像视频声音等数据，建立工业多源异构大数据仓库；采用流形保持和多视角学习等方法对多源异构大数据进行特征提取及时间空间关系分析，建立离线协同优化模型；采用有效的多元统计与分类方法相结合的故障诊断方法，提高异常工况检测的实时性、灵敏性，并降低误报及漏报率。项目的研究成果将为提高复杂工业生产过程安全性提供适合、有效的方法和理论依据，具有重要的学术价值和应用价值。

本项目以电熔镁熔炼工业生产过程为研究背景，研究基于多源异构大数据的复杂工业生产过程的故障诊断问题。旨在利用多源异构大数据的复杂统计特性，实现工业生产过程中早期微小故障检测及诊断的目的。本项目通过结合物理化学数据及图像视频声音等数据，重点研究了多源异构数据的特征提取及基于数据的冶炼过程工业过程故障检测及诊断的方法策略。首先，提出了一种新的矢量数据处理方法，利用不同数据类别的平均值和标准差构建数据处理模型，达到在不同类别之间增加数据的方差信息，扩展数据信息，增加数据维度，为后续的数据分类方法提供有效数据基础。其次，建立离线协同优化模型，结合工业数据的非线性特征，提出利用KPCA贡献图法对大量工业数据进行过滤，得到对输出特性影响较大的新工具变量作为ELM算法的输入变量，解决算法无法处理变量冗余问题，同时建立离线协同优化模型，提高离线优化模型的准确性；再次，提出改进的半监督深度学习方法。利用标签传播算法给无标签数据添加伪标签；通过改进的卷积深度网络得到深度学习特征来训练网络模型；通过解决基于多媒体图像数据的异常工况检测算法需要大量标记样本的问题，同时达到对工业工程进行异常工况检测的目的；最后，进行工业仿真及实验验证。在电熔镁半实物仿真实验测试平台进行应用测试，实验结果表明项目的研究成果为提高复杂工业生产过程安全性提供适合、有效的方法和理论依据，具有重要的学术价值和应用价值。