CN113741263A - 基于全局-局部信息聚类的多模态过程模态划分方法 - Google Patents
基于全局-局部信息聚类的多模态过程模态划分方法 Download PDFInfo
- Publication number
- CN113741263A CN113741263A CN202111000439.0A CN202111000439A CN113741263A CN 113741263 A CN113741263 A CN 113741263A CN 202111000439 A CN202111000439 A CN 202111000439A CN 113741263 A CN113741263 A CN 113741263A
- Authority
- CN
- China
- Prior art keywords
- division
- modal
- data
- mode
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000000638 solvent extraction Methods 0.000 title abstract description 15
- 230000007704 transition Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于全局‑局部信息聚类的多模态过程模态划分方法。首先，采用高斯混合模型(GMM)实现第1步划分，提取过程数据的全局信息并获得多模态过程稳定模态的划分结果；然后采用一种改进的密度峰值聚类(DPC)算法，即基于局部密度关系搜索的DPC算法(LDRSDPC)，充分挖掘过程变量之间的局部信息；构造了一种新的聚类中心判别标准，能够自动和精确地找到过渡模态的起止边界。最后综合分析两步划分结果,将多模态工业过程划分为若干个不同的稳定模态和过渡模态。本发明提出了一种分层模态识别策略，包括全局粗划分和局部细划分，充分挖掘和利用原始过程数据的全局特征和局部特征，同时全局划分为局部划分缩小了数据空间，提高了划分的效率和准确率。
Description
技术领域
本发明涉及基于数据驱动的过程监控技术领域，特别是涉及一种针对多模态工业过程多模态特性提出的一种基于全局-局部信息聚类的多模态过程模态划分方法。本发明利用高斯混合模型实现第1步划分，提取过程数据的全局信息；之后采用基于局部密度关系搜索的密度峰值聚类算法提取表征多模态过程数据的局部信息实现第2步划分，综合分析两步划分结果最终将生产过程划分为不同的稳定模态和过渡模态。
背景技术
可靠的工业过程监测对于现代工业的可持续发展和持久盈利至关重要。由于市场需求的变化、产品原材料的波动、外界环境的影响、过程本身固有特性的变化等，导致工业过程在不同的工作点工作。简而言之，一个生产过程运行于多个生产模态，在不同的生产模态下，过程特性具有较大的差异。当前，工业过程通常具有多模态的特性，历史数据在不同的生产模态下具有不同的分布特征。
在这种情况下，传统的多元统计过程监测方法(例如主成分分析、偏最小二乘等)不能直接应用于多模态过程建模。如果使用整个过程数据建立单一模型，势必出现大量的故障误报和漏报。因此，许多国内外专家针对多模态建模问题进行了大量研究，一种较为常见的多模态建模方法是为每个生产模态分别构建子模型。而多模型建模方法对模态划分的准确性有很高的要求，其划分结果直接影响到后续建立的多个子模型的监控性能。因此，有必要首先区分和识别生产样本所属的模态。Xie等提出了一种基于模糊C均值(Fuzzy C-means,FCM)的多模态识别方法，FCM是K-means的拓展，通过FCM得到的隶属度信息划分过程为多个稳定模态。Lou等提出了一种基于隐半马尔可夫的模态划分方法，Jiang等提出了基于高斯混合模型(Gaussian Mixture Model,GMM)的多模态划分方法。Yan提出了VBGMM和典型相关分析方法，最大限度地发挥了VBGMM在自动模式识别和CCA在局部故障检测中的优势。以上方法均没有考虑到对过渡模态的识别，仅仅可以获得过程变量的全局信息，不能很好地反应过渡模态的特性。相比各个稳定模态下的运行状态，模态之间的过渡状态具有复杂的动态特性，对生产效率的影响较大，因此准确识别过渡模态的边界对生产和后续分析具有重大的意义。密度峰值聚类(Density Peaks Clustering,DPC)是由Rodriguez和Laio在2014年提出的，它可以通过计算数据集中每个样本点的相对密度来处理非球形分布数据的聚类问题。由于工业过程中稳定模态的持续时间较长，它可能对应于特征空间中更大的集群，并且稳定模态对应的局部密度值更高。另一方面，多模态过程数据分布具有多峰的特征，DPC算法的局部密度指标能够更好地刻画过程数据的局部特征。这样，DPC算法就可以有效地应用于多模态过程中过渡模态的识别。Liu等提出了SNN-DPC算法用于改进局部密度和距离度量，并消除人为确定截止距离的影响。Liu等通过引入K近邻约束自适应地计算截止距离和局部密度。针对现有算法在稀疏区域容易被忽略的问题，Guo等将局部密度重新定义为相邻点之间的距离约束。上述研究工作都侧重于设计新的局部密度和来改进传统的DPC算法，对DPC算法聚类中心确定准则的改进工作很少。由于多模态过程数据具有多峰的特性，稳定模态的持续时间较长，导致稳定模态具有多个局部密度峰值，而这些局部密度峰值点很可能就是该模态下的聚类中心。如果我们仍使用传统DPC算法的决策图确定聚类中心，我们会发现很多满足条件的聚类中心，而无法确定这些聚类中心的归属。因此，传统DPC算法确定聚类中心的规则很难应用于多模态过程数据集。
发明内容
多模态过程中数据之间的局部信息的提取是否充分，直接影响到过渡模态识别是否准确。因此本发明采用一种基于全局-局部信息聚类的多模态过程模态划分方法，用于解决现有技术对多模态过程过渡模态划分不准确的问题。本发明主要有以下创新点：1)提出了一种分层模态识别策略，包括全局粗划分和局部细划分，本发明提出的方法充分挖掘和利用了原始过程数据的全局特征和局部特征，同时全局划分为局部划分缩小了数据空间，提高了划分的效率。2)本发明提出了一种改进的DPC算法，即基于局部密度关系搜索的DPC算法(LDRSDPC)，构造了一种新的聚类中心判别标准，能够自动和精确地找到过渡模态的起止边界。3)综合两步聚类结果可以将整个生产过程准确划分为若干个稳定模态和过渡模态，使得划分结果符合实际生产过程。
基于全局-局部信息聚类的多模态过程模态划分方法，其特征在于包括以下步骤：
Ⅰ进行数据预处理；
采集多模态过程正常工况下的历史数据，由离线测试得到的同一多模态工业过程下的数据构成样本集X＝[x1,x2,…,xN]T∈RN×A，该样本集包含N个采样时刻，每个采样时刻采集A个过程变量，即第i个采样时刻采集的数据为xi＝[xi,1,xi,2,…,xi,A]。
对历史过程数据X进行标准化处理，处理方法为：首先计算历史数据X所有时刻上所有过程变量的均值和标准方差，其中第a个过程变量的计算公式为，
xi,a表示第i个采样时刻的第a个过程变量的测量值；第a个过程变量的标准方差计算公式为，
然后对历史过程数据X进行标准化，其中第i个采样时刻的第a个过程变量的标准化计算公式如下：
其中，i＝1,2,…,N，a＝1,2,…,A；
上述预处理后使第i时刻每个元素的值限定在0～1的范围之间。
Ⅱ第一步划分；
1)将标准化处理后的数据重新构造成二维矩阵X′∈RN×A，该样本集共由N个采样时刻组成，即X′＝[x′1,x′2,…,x′N]T，每个采样时刻i均包含A个过程变量的观测值，
并且i＝1,2,…,N。输入的历史过程数据X′包括M个稳定模态和M-1个过渡模态，表达式为：
其中，Sr和Tr分别表示第r个稳定模态和第r个过渡模态。
2)将标准化后的历史过程数据X′输入包含有K个高斯成分的GMM聚类算法进行聚类，其中K＝M+(M-1)＝2M-1，即高斯成分分量的个数K等于历史过程数据稳定模态和过渡模态的数量总和。
3)采用EM算法通过不断迭代更新GMM的参数，充分提取过程数据的全局信息，完成对所有采样时刻的初次模态划分。
Ⅲ第二步划分；
1)为了减少LDRSDPC算法的输入空间，充分利用第一步粗划分得到的结果并提高划分效率，将第一步划分结果中两个相邻的稳定模态中间部分采样时刻的数据作为LDRSDPC算法的输入。这样，算法的输入数据XD只包含前后两个稳定模态的一部分数据以及他们之间过渡模态的数据。
2)计算第i个时刻的LDRSDPC算法的局部密度指标ρi：
其中，dij表示第i个采样时刻与第j个采样时刻的欧氏距离，集合Sinn由第i个样本xi的k个最近邻组成。xm,xn分别表示第m个采样时刻和第n个采样时刻的样本，dmax是整个样本集XD中的最大距离。目前，参数k并没有确切的确定方式，设置k的值为占到总样本集XD数量的2％-7％之间。
3)获得第i个采样时刻xi与其高密度邻点xj之间的相对距离δi，计算公式为：
其中，xi的局部密度ρi小于xj的局部密度。
基于相对距离δi中xi与其高密度邻点xj之间的关系，引入直接下属的定义。如果存在δi＝dij，即xj是xi最近的高密度邻点，则称xi是xj的直接下属，xj是xi的直接上属。局部密度表征的是样本i附近近邻点的密集程度，局部密度越大，表明该点为局部密度峰值点的程度越高，其直接下属的数量多于邻点，根据DPC算法的假设，局部密度峰值点，也就是直接下属数量多的点，可以视为聚类中心。
4)对于样本集XD，xi的直接下属数量计算如下：
其中，Sinn表示xi的k近邻子集，v→u表示样本v是样本u的直接下属，ηi为第i个样本xi直接下属的数量。
5)遍历整个样本集XD，得到每个采样时刻直接下属的数量。筛选直接下属数量ηi＞θc(参数θc根据实际生产过程确定，取θc＝5)的样本，构成的集合进行升序排列，得到如下样本集：
其中，前一个稳定模态、过渡模态、过渡模态后稳定模态的聚类中心样本集分别表示为
三个模态的聚类中心划分方法具体表示为：由于多模态过程中，稳定模态的持续时间较长，在稳定模态下的历史过程数据中存在多个局部密度峰值，进而对应多个直接下属数量大的样本。通过结合第一步划分结果以及模态发生的前后顺序，可以将集合中Ξsub的样本分别划分到三个聚类中心集合C1、C2、C3中。
6)当确定三个聚类中心集合C1、C2、C3后，将样本集XD中非中心样本与其最近的聚类中心聚合为一类，完成最终的聚类操作。最终，准确地划分出多模态过程中的过渡模态。
Ⅳ综合分析粗划分和细化分结果，将第一步划分结果未截取的部分以及第二步划分结果拼接在一起，准确地将多模态工业过程分为稳定模态和过渡模态。
有益效果
本发明实现了多模态过程的多模态划分，而且在划分模态的时候为了同时考虑过程变量全局信息与局部信息对生产过程模态划分的影响，构建基于全局-局部信息聚类的多模态过程模态划分方法。采用基于GMM聚类算法充分利用过程数据中的全局信息，实现第1步粗划分；然后采用LDRSDPC算法，设计一种新的聚类中心判定准则，充分挖掘和运用过程数据中的局部信息，对其进行第2步划分。综合分析两步划分结果，将多模态工业过程划分为若干个不同的稳定模态和过渡模态，可以有效提高模态划分精度，对工业过程的多模型故障监测有很重要的意义。
附图说明
图1所示为本发明方法的流程图；
图2所示为第二步划分输入数据图示；
图3所示为使用GMM的第一步划分结果图示；
图4 a)所示为第二步划分3000～7500采样时刻ρ-δ决策图
图4 b)所示为第二步划分3000～7500采样时刻局部密度结果图
图4 c)所示为第二步划分3000～7500采样时刻的划分结果图；
图5 a)所示为第二步划分13000～17500采样时刻ρ-δ决策图
图5 b)所示为第二步划分13000～17500采样时刻局部密度结果图
图5 c)所示为第二步划分13000～17500采样时刻的划分结果图；
图6 a)所示为第二步划分18000～22000采样时刻ρ-δ决策图
图6 b)所示为第二步划分18000～22000采样时刻局部密度结果图
图6 c)所示为第二步划分18000～22000采样时刻的划分结果图；
具体实施方式
田纳西-伊斯曼过程(TE过程)是一个对实际过程工业系统进行仿真的模型，经常作为测试复杂多模态工业过程的基准。TE过程包含五个操作单元：反应器单元、产物分离器单元、冷凝器单元、压缩机单元和汽提塔单元。本发明基于该仿真模型对多模态工业过程进行实验仿真，如表1、2所示，选取22个过程变量和19个成分变量，共41个观测变量，该过程使用原料A、C、D、E生成两个液态产品G、H。根据最优操作条件，仿真中设置了四种模态，如表3所示。设定生产过程执行的总时长为300h，采样时间间隔为0.01h，采集的原始过程数据如下：在0～50h之内过程运行在模态1下，在第50h切换到模态2，第150h时切换到模态0，接着在第200h切换到模态3直到过程结束。采集到的历史过程数据包括四种稳定模态和三种过渡模态，其中50～57h过程处在过渡模态1下，150～156h处在过渡模态2下，200～203h处在过渡模态3下。
表1TE过程选取的过程变量
Table 1 Process variables selected of TE process
表2TE过程选取的成分变量
Table 2 Component variables selected of TE process
表3四种模态参数
Table 3 Details of four modes
基于以上描述，按照发明内容，具体过程实现如下：
Ⅰ进行数据预处理。
本文选取了上述过程数据表示为X30000×41，共有30000个采样时刻，每个时刻均采集41个观测变量。将X30000×41进行标准化处理，使其中每个值限定在0～1的范围内，避免量纲对后续结果产生消极的影响。
Ⅱ进行第一步划分。
1)标准化完成后，采用包含有7个高斯成分分量的GMM聚类算法进行聚类。
2)采用EM算法通过不断迭代更新GMM的参数，充分提取过程数据的全局信息，完成对所有采样时刻的初次模态划分。
划分结果如图3所示，观察划分结果可明显看出一些属于稳定模态的样本被错误地归类到过渡模态，例如第5700～6449、15601～16450、第20300～22326个样本点。第15004～15341的样本被错误地归类为先前的过渡模态，这表明处于过渡模态初始阶段的样本很可能更接近于先前的过渡模态的分布。但大部分属于稳定模态的样本识别的类别是正确的。上述结果说明GMM不能完全提取过程数据的局部信息，因此无法准确识别稳定模态之间过渡过程的边界。
III进行第二步划分。
1)如图2所示，结合第一步划分结果，对标准化后的过程数据截取为三段，分别为3000～7500、13000～17500和18000～22000。将这三段数据依次作为LDRSDPC算法的输入。
2)设置参数k＝300，计算每个时刻的局部密度指标ρi：
获得第i个采样时刻xi与其高密度邻点xj之间的相对距离δi，并存储样本点之间的直接下属关系。遍历整个样本集，得到每个采样时刻直接下属的数量。筛选直接下属数量ηi＞5的样本，构成的集合进行升序排列。结合第一步划分样本之间模态发生的前后顺序，将这些集合中的样本分别划分到对应的聚类中心集合当中，最终完成对截取样本的二次模态划分。
从图4a)、图5a)、图6a)的决策图中，可以直观看到有很多个ρ和δ都很大的样本点，利用传统DPC算法的决策图很难找到所属模态的聚类中心。三段样本的局部密度如图4b)、图5b)、图6b)所示，从图中能够观测到稳定模态对应多个局部密度峰值，过渡模态对应少量的局部密度峰值，并且过渡模态的局部密度一般低于稳定模态的局部密度。因此，我们可以认为每个局部密度峰值点与具有数量多的直接下属样本点一一对应。这样，我们就可以根据上述流程自动确定每个模态下所属的聚类中心集合，完成聚类分析。如图4c)、图5c)、图6c)为三段样本的模态划分结果，观察可以得到5001～5700、15001～15600、20000～20300之间的采样时刻处于过渡模态。
Ⅳ最后综合结合两步划分结果，模态划分的最终结果为：1～5000，5701～15000，15601～20000，20301～30000时刻为稳定模态，5001～5700，15001～15600，20000～20300时刻为过渡模态。所得结果与实际情况相符，通过本发明方法能够充分发掘多模态过程数据的全局信息和局部信息，准确将多模态过程划分为若干个稳定模态和过渡模态。实验仿真也验证了本发明方法在模态划分的有效性。
Claims (1)
1.基于全局-局部信息聚类的多模态过程模态划分方法，其特征在于包括以下步骤：
Ⅰ进行数据预处理；
采集多模态过程正常工况下的历史数据，由离线测试得到的同一多模态工业过程下的数据构成样本集X＝[x1,x2,…,xN]T∈RN×A，该样本集包含N个采样时刻，每个采样时刻采集A个过程变量，即第i个采样时刻采集的数据为xi＝[xi,1,xi,2,…,xi,A]；
对历史过程数据X进行标准化处理，处理方法为：首先计算历史数据X所有时刻上所有过程变量的均值和标准方差，其中第a个过程变量的计算公式为，
xi,a表示第i个采样时刻的第a个过程变量的测量值；第a个过程变量的标准方差计算公式为，
然后对历史过程数据X进行标准化，其中第i个采样时刻的第a个过程变量的标准化计算公式如下：
其中，i＝1,2,…,N，a＝1,2,…,A；
上述预处理后使第i时刻每个元素的值限定在0～1的范围之间；
Ⅱ第一步划分；
1)将标准化处理后的数据重新构造成二维矩阵X′∈RN×A，该样本集共由N个采样时刻组成，即X′＝[x′1,x′2,…,x′N]T，每个采样时刻i均包含A个过程变量的观测值，
并且i＝1,2,…,N；输入的历史过程数据X′包括M个稳定模态和M-1个过渡模态，表达式为：
其中，Sr和Tr分别表示第r个稳定模态和第r个过渡模态；
2)将标准化后的历史过程数据X′输入包含有K个高斯成分的GMM聚类算法进行聚类，其中K＝M+(M-1)＝2M-1，即高斯成分分量的个数K等于历史过程数据稳定模态和过渡模态的数量总和；
3)采用EM算法通过不断迭代更新GMM的参数，充分提取过程数据的全局信息，完成对所有采样时刻的初次模态划分；
Ⅲ第二步划分；
1)为了减少LDRSDPC算法的输入空间，充分利用第一步粗划分得到的结果并提高划分效率，将第一步划分结果中两个相邻的稳定模态中间部分采样时刻的数据作为LDRSDPC算法的输入；这样，算法的输入数据XD只包含前后两个稳定模态的一部分数据以及他们之间过渡模态的数据；
2)计算第i个时刻的LDRSDPC算法的局部密度指标ρi：
其中，dij表示第i个采样时刻与第j个采样时刻的欧氏距离，集合Sinn由第i个样本xi的k个最近邻组成；xm,xn分别表示第m个采样时刻和第n个采样时刻的样本，dmax是整个样本集XD中的最大距离；目前，参数k并没有确切的确定方式，设置k的值为占到总样本集XD数量的2％-7％之间；
3)获得第i个采样时刻xi与其高密度邻点xj之间的相对距离δi，计算公式为：
其中，xi的局部密度ρi小于xj的局部密度；
基于相对距离δi中xi与其高密度邻点xj之间的关系，引入直接下属的定义；如果存在δi＝dij，即xj是xi最近的高密度邻点，则称xi是xj的直接下属，xj是xi的直接上属；局部密度表征的是样本i附近近邻点的密集程度，局部密度越大，表明该点为局部密度峰值点的程度越高，其直接下属的数量多于邻点，根据DPC算法的假设，局部密度峰值点，也就是直接下属数量多的点，可以视为聚类中心；
4)对于样本集XD，xi的直接下属数量计算如下：
其中，Sinn表示xi的k近邻子集，v→u表示样本v是样本u的直接下属，ηi为第i个样本xi直接下属的数量；
5)遍历整个样本集XD，得到每个采样时刻直接下属的数量；筛选直接下属数量ηi＞θc的样本，θc＝5；构成的集合进行升序排列，得到如下样本集：
其中，前一个稳定模态、过渡模态、过渡模态后稳定模态的聚类中心样本集分别表示为
三个模态的聚类中心划分方法具体表示为：由于多模态过程中，稳定模态的持续时间较长，在稳定模态下的历史过程数据中存在多个局部密度峰值，进而对应多个直接下属数量大的样本；通过结合第一步划分结果以及模态发生的前后顺序，可以将集合中Ξsub的样本分别划分到三个聚类中心集合C1、C2、C3中；
6)当确定三个聚类中心集合C1、C2、C3后，将样本集XD中非中心样本与其最近的聚类中心聚合为一类，完成最终的聚类操作；准确地划分出多模态过程中的过渡模态；
Ⅳ综合分析粗划分和细化分结果，将第一步划分结果未截取的部分以及第二步划分结果拼接在一起，将多模态工业过程分为稳定模态和过渡模态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000439.0A CN113741263B (zh) | 2021-08-28 | 2021-08-28 | 基于全局-局部信息聚类的多模态过程模态划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111000439.0A CN113741263B (zh) | 2021-08-28 | 2021-08-28 | 基于全局-局部信息聚类的多模态过程模态划分方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113741263A true CN113741263A (zh) | 2021-12-03 |
| CN113741263B CN113741263B (zh) | 2024-08-16 |
Family
ID=78733742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111000439.0A Active CN113741263B (zh) | 2021-08-28 | 2021-08-28 | 基于全局-局部信息聚类的多模态过程模态划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113741263B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537249A (zh) * | 2018-03-15 | 2018-09-14 | 华中科技大学 | 一种密度峰值聚类的工业过程数据聚类方法 |
| CN110348488A (zh) * | 2019-06-19 | 2019-10-18 | 华中科技大学 | 一种基于局部密度峰值聚类的模态辨识方法 |
| CN112199829A (zh) * | 2020-09-27 | 2021-01-08 | 浙江大学 | 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法 |
| CN112329191A (zh) * | 2019-08-05 | 2021-02-05 | 华中科技大学 | 一种多模态过程中模态辨识方法和过渡模态故障检测方法 |
-
2021
- 2021-08-28 CN CN202111000439.0A patent/CN113741263B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537249A (zh) * | 2018-03-15 | 2018-09-14 | 华中科技大学 | 一种密度峰值聚类的工业过程数据聚类方法 |
| CN110348488A (zh) * | 2019-06-19 | 2019-10-18 | 华中科技大学 | 一种基于局部密度峰值聚类的模态辨识方法 |
| CN112329191A (zh) * | 2019-08-05 | 2021-02-05 | 华中科技大学 | 一种多模态过程中模态辨识方法和过渡模态故障检测方法 |
| CN112199829A (zh) * | 2020-09-27 | 2021-01-08 | 浙江大学 | 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENG Y, WANG Y, YAN H, ET AL: "Density peaks clustering-based steady/transition mode identification and monitoring of multimode processes", 《THE CANADIAN JOURNAL OF CHEMICAL ENGINEERING》, vol. 98, no. 10, pages 2137 - 2149 * |
| 王飞宇等: "基于密度峰值聚类算法的模态参数识别", 《振动与冲击》, vol. 38, no. 2, pages 172 - 178 * |
| 陶志勇等: "融合密度峰值的高斯混合模型聚类算法", 《计算机应用》, vol. 12, no. 38, pages 3433 - 3437 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113741263B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866819A (zh) | 一种基于元学习的自动化信贷评分卡生成方法 | |
| Sun et al. | Multiclassification of tool wear with support vector machine by manufacturing loss consideration | |
| CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
| CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN110134719B (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
| CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
| CN111046532B (zh) | 一种基于肘形判据的同调机群聚类识别方法 | |
| CN111367801B (zh) | 一种面向跨公司软件缺陷预测的数据变换方法 | |
| CN104155245B (zh) | 一种基于模式识别与谱图映射的油品多类性质的检测方法 | |
| CN112580693A (zh) | 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法 | |
| CN110826785A (zh) | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 | |
| CN117033912A (zh) | 一种设备故障预测方法、装置、可读存储介质及电子设备 | |
| CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
| CN117557143A (zh) | 一种基于风险分析的产品质量抽样方法 | |
| CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
| CN112258235A (zh) | 一种电力营销稽核新业务发现方法及系统 | |
| CN113741263A (zh) | 基于全局-局部信息聚类的多模态过程模态划分方法 | |
| CN110855519A (zh) | 一种网络流量预测方法 | |
| CN113523904A (zh) | 一种刀具磨损检测方法 | |
| CN110647922B (zh) | 基于公共和特有特征提取的分层式非高斯过程监测方法 | |
| Liu et al. | Study on Chinese text clustering algorithm based on K-mean and evaluation method on effect of clustering for software-intensive system | |
| Mohseni et al. | Outlier Detection in Test Samples using Standard Deviation and Unsupervised Training Set Selection | |
| CN110942089B (zh) | 一种基于多级决策的击键识别方法 | |
| Zhou et al. | A review of a text classification technique: K-Nearest Neighbor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |