基于互信息的多块k 近邻故障监测及诊断

郑静，熊伟丽

（1.江南大学 轻工过程先进控制教育部重点实验室，江苏 无锡 214122;2.江南大学 物联网工程学院，江苏 无锡 214122）

随着新型传感器、数据采集设备和系统的迅速发展，一些先进工业过程积累了丰富的过程数据，使得多元统计过程监控(multivariate statistical process monitoring,MSPM)技术不断进步[1-3]。其中的主成分分析(principal component analysis,PCA)和k近邻方法(k-nearest neighbor,kNN)是较为基础的方法，得到了大量的研究和应用[4-7]。

作为一种降维技术，PCA 通过将数据投影到低维空间以有效地处理高维和线性相关的数据，通过建立主元子空间和残差子空间的统计量进行过程监控。但是，对于具有非线性和非高斯特性的过程数据，PCA 方法可能无法进行有效的监测。He 等[8]提出基于k近邻规则的故障监测算法，该算法不局限于线性和高斯数据，使用局部近邻距离度量样本相似度，根据故障样本和正常样本的相似度不同实现故障监测。但是由于每一个样本都需要计算与其他样本的距离，计算量明显增大。为此，学者们提出了许多改进的kNN 故障监测算法。例如：文献[9]利用改进K-means 聚类将原始建模数据分成多个类，对每个类分别建立kNN 监测模型，大大缩短故障检测时间；文献[10]提出将动态PCA 和kNN 相结合的故障诊断方法，先建立主元模型，再利用kNN 获取样本的k个近邻，明显提高了故障的报警率；文献[11]针对kNN模型不能及时更新的问题，提出了一种特征空间自适应k近邻故障检测方法，有效提高模型实时监测的能力；文献[12]考虑到多模态过程数据具有多中心、方差差异大等特点，通过构造标准距离，实现了kNN 方法对多模态数据的有效监测。……