一种基于邻域保持嵌入-典型变量分析的分布式局部故障检测方法

本发明公开了一种新的基于邻域保持嵌入‑典型变量分析的分布式局部故障检测方法，旨在针对高维、带噪声的动态数据构建精确的故障检测模型。该方法的核心在于根据高斯性与非高斯性、动态与非动态特征将数据划分为四个子空间。针对非动态特征，基于邻域保持嵌入(NPE)的降维技术将高维数据投射到低维嵌入空间，以保留数据的局部结构关系，从而减少噪声影响，提高建模的准确性；针对动态特征，使用典型变量分析(CVA)对数据的时序相关性进行建模，通过构建特征矩阵捕捉时间序列的动态关系，实现对特征的精确提取。随后计算降维后的数据的T2统计量，并通过核密度估计(KDE)对其估计阈值。此外使用互信息对子空间关联强度进行判断，基于局部离群因子策略，考虑各子空间统计量及子空间的互相关信息，建立综合性的统计量，并求出其统计阈值。最后根据阈值对测试数据进行故障检测，并可视化统计量的变化。与传统方法相比，本发明能够更有效地应对高维、带噪声数据，提高了故障检测的准确性和稳定性，是一种更优的故障检测方法。