基于t-SNE-BPNN结合时空邻居中心距离的复杂多阶段过程故障检测

《Canadian Journal of Chemical Engineering》：Complex multi-stage process fault detection based on t-SNE-BPNN combined with spatiotemporal neighbour center distance

针对非线性、动态、多阶段过程的故障检测难题，提出时空邻域中心距离（SNCD）结合t-SNE和BPNN的tB-SNCD方法，利用时空邻域信息提升特征提取全面性，解决数据自相关和动态问题，实验表明其故障检测率高于KPCA、DPCA等经典方法，尤其在时间相关故障中表现更优。

　　

摘要

为了解决非线性、动态和多阶段过程中故障检测的难题，本文提出了一种时空邻居中心距离（SNCD）统计方法。该方法将SNCD与t分布随机邻居嵌入（t-SNE）和反向传播神经网络（BPNN）相结合，形成了t-SNE-BPNN-SNCD（tB-SNCD）故障检测算法。t-SNE-BPNN利用BPNN在t-SNE特征提取和降维过程中学习非线性隐式映射关系，从而解决了新样本在t-SNE中的嵌入问题。SNCD不仅考虑了样本的空间邻居信息，还包含了它们的时间邻居信息，从而更全面地提取过程特征，消除了过程数据的自相关性，并克服了过程动态性对故障检测带来的挑战。由于SNCD的决策基于样本的邻域信息，因此该方法适用于非线性、多阶段过程。通过数值模拟实验和田纳西东曼（Tennessee Eastman）过程的应用测试表明，tB-SNCD的故障检测率显著高于KPCA、DPCA、DKPCA、KNN、PC-WKNN和LOF等方法。特别是在故障具有时间相关性的情况下，tB-SNCD的故障检测率明显优于传统方法。