本技术提供一种基于时空融合保持嵌入的过程监测方法,涉及工业过程监测技术领域,本发明通过学习样本的密度信息,提取并保存数据集的局部和全局空间结构。同时,在时间序列上提取局部和全局特征以保留数据集的动态特征,更充分地保持了降维后数据集的原始分布关系。充分挖掘数据集的时间序列的动态特征,最大化样本的局部时间近邻样本的影响,同时减少全局非时间近邻样本的相关性。基于以上信息进行降维投影,对异常工况进行检测提高过程监测的准确率。
背景技术
现代工业过程变得越来越复杂,其特点包括规模更大、加工变量更多、生产的不确定性和可变性更大。这些复杂的工业过程产生的数据集呈现出数据量大、多样性、多维度关联等特点。因此,对工业过程有效监测显得尤为重要,可靠的监测系统能够保证员工人身安全、支持预防性维护措施、最大限度地减少经济损失以及提高产品质量。在这种趋势下,对复杂工业过程的监测需求不断增加,建立高效的过程监测方法以检测异常事件并预防故障已成当今时代的迫切需求。
基于数据驱动的方法是最常用的工业过程监测方法,其将工业过程视为黑箱,只需要充足准确的过程数据而不需要额外的系统理论或严格的过程建模技术,可以轻松实现各种复杂生产过程的监测。学者们对基于数据驱动的过程监测方法进行了广泛的探索与研究,其中多元统计过程监测(MSPM)因其适度的建模成本而受到了广泛的关注和应用。常见的MSPM方法如主元分析、独立元分析等,这些方法通过采用多元投影将工业过程中的高维过程变量集转换为低维子空间,提取原始数据集中关键的特征信息进行实时统计分析以检测异常工况。
尽管之前的研究已经显示出了可观的成果,但是在对子空间的学习中这些方法仍存在对数据的原始空间结构挖掘不够充分的问题,并没有有效地保存完整的时间动态和空间结构。这些研究往往忽略了某些方面,例如投影过程中原始数据的密度信息,导致无法充分捕捉原始数据的本质特征,特定的异常信息可能会丢失,降低模型的准确性。鉴于上述困境,亟需开发一种新的过程监测方法,来应对复杂工业过程中检测异常事件的任务。
实现思路