基于马氏距离kNN的多模态过程故障检测

王晓云, 王东琴, 郭金玉

(1. 沈阳理工大学 机械工程学院, 辽宁 沈阳 110159;2. 沈阳化工大学 信息工程学院, 辽宁 沈阳 110142)

随着自动化和智能化技术在工业生产中的广泛应用,生产过程中的监控环节越来越重要,为适应多模态的生产过程,基于多模态间歇过程的故障诊断就显得尤为重要。许多学者对基于数据驱动的故障检测技术进行了研究,主元分析(principal component analysis, PCA)[1]是一种对数据进行化简的传统多元统计过程监控方法(multivariate statistical process monitoring,MSPM)方法,也是较为成熟的算法,但是它提取的是线性特征,无法有效地检测非线性和多模态过程,而实际工业生产过程中更多的是非线性和多模态过程,所以它在纷繁复杂的多模态间歇过程当中,难以得到广泛应用。

很多研究人员对多模态工业过程故障检测进行了多角度、深层次的研究,并提出了一些新的故障诊断手段。文献[2]利用k近邻(k-nearest neighbor,kNN)的方式进行故障检测,并在半导体蚀刻工艺过程中得到成功应用。该方法能够对非高斯、非线性的多模态间歇过程进行故障检测,缺陷在于该算法在处理样本容量大的数据集时,使系统的计算负载和存储负担过大,每次分类都会进行重新计算导致计算量增加。除此之外,当多模态样本方差较大时,该算法也无法得到理想的处理结果。文献[3]提出的局部离群因子算法,能够利用单个模型对多模态过程进行有效监控,但该方法缺陷在于检测效果容易受参数影响,稳定性差,而且计算量也较大。文献[4]运用局部密度估计方法对多模态过程进行监控,能够迅速检测出多工况过程的故障。……