CN103309347B - 一种基于稀疏表示的多工况过程监控方法 - Google Patents
一种基于稀疏表示的多工况过程监控方法 Download PDFInfo
- Publication number
- CN103309347B CN103309347B CN201310221329.6A CN201310221329A CN103309347B CN 103309347 B CN103309347 B CN 103309347B CN 201310221329 A CN201310221329 A CN 201310221329A CN 103309347 B CN103309347 B CN 103309347B
- Authority
- CN
- China
- Prior art keywords
- centerdot
- data
- operating mode
- dictionary
- overbar
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000001052 transient effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000012631 diagnostic technique Methods 0.000 abstract 1
- 208000014446 corneal intraepithelial dyskeratosis-palmoplantar hyperkeratosis-laryngeal dyskeratosis syndrome Diseases 0.000 description 4
- TYAQXZHDAGZOEO-KXQOOQHDSA-N 1-myristoyl-2-stearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC TYAQXZHDAGZOEO-KXQOOQHDSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发公开了一种基于稀疏表示的多工况过程监控方法,属于工业过程监控与诊断技术领域。该方法并不要求过程数据服从正态分布,仅假设过程某工况下正常运行数据与该工况历史数据分布相同。首先,根据各工况历史数据建立构建字典;然后,计算在线数据在该字典上的稀疏表示,再依据表示系数的集中程度判断过程是否发生异常。另外,对于正常数据还可以辨识过程当前处于某单一工况或过渡过程,以保证产品符合生产要求。本发明将稀疏表示的思想用于多工况过程监控,该方法并不要求过程数据服从正态分布,其适用范围更广且可解释性更强。
Description
技术领域
本发明属于流程工业过程监控与故障诊断领域,特别涉及一种基于稀疏表示的多工况过程监控方法。
背景技术
对于过程监控和故障诊断问题,传统的方法大多采用多元统计过程控制技术(MultivariableStatisticalProcessControl,MSPC),其中以主元分析(PrincipalComponentAnalysis,PCA)和偏最小二乘(PartialLeastSquares,PLS)为代表等方法已在工业过程监控中得到了成功的应用。传统的MSPC方法均假设过程运行在单一的操作工况下,但是实际上由于产品改变、产能调整等原因过程常在多个工况中频繁的切换。
针对多工况问题,传统方法要么采用单一的MSPC模型覆盖所有的操作工况,要么采用多模型的方法分别对工况建立子MSPC模型,或者利用模型迭代更新的方法适应工况的变化。以上方法大多假设过程变量满足正态分布假设,这样的假设并不一定符合实际情况,会导致方法适用性弱。
发明内容
本发明的目的在针对现有技术的不足,提供一种基于稀疏表示的多工况过程监控方法。
本发明提出的基于稀疏表示的多工况过程监控方法,包括以下各步骤:
1)利用多传感器数据采集***收集过程各个正常工况的数据构成字典其中,k表示过程正常工况的个数,表示对应过程工况i的数据矩阵(子字典),m为过程变量个数。
2)对字典进行归一化处理,使得中每一列数据的l2范数均等于1,得到新的字典矩阵为
3)采集过程在线运行数据
4)对过程在线运行数据计算它在字典A上的稀疏表示,根据表示稀疏集中指数SCI进行监控。
5)工况辨识。对于判定为正常的运行数据,可进一步根据它在字典A的稀疏表示残差进行工况辨识以确定过程当前处于某稳定工况或工况过度阶段。
本发明的有益效果是:本发明将稀疏表示的思想用于多工况过程监控,该方法并不要求过程数据服从正态分布,其适用范围更广且可解释性更强。另外,针对正常过程数据,也可辨识过程当前运行所处的工况以确保生产符合要求。
附图说明
图1是本发明方法的流程框图。
具体实施方式
本发明提出的一种基于稀疏表示的多工况过程监控方法,其流程框图如图1所示,包括以下各步骤:
1)利用多传感器数据采集***收集过程各个正常工况的数据构成字典(这里表示数据库)其中,k表示过程正常工况的个数,表示对应过程工况i的数据矩阵(子字典),m为过程变量个数。
2)对字典进行归一化处理,使得中每一列数据的l2范数即该列向量长度的长度均等于1,得到新的归一化的字典矩阵为
3)过程在线运行,同样利用多传感器数据采集***对m个过程变量数据进行采集,每次采集得到的过程在线运行数据为t表示采样时刻。通过式(1)求解得到
约束条件为
Ax=yt或||Ax-yt||2≤ε(2)
其中,||·||2表示该符号中向量的l2范数即向量的长度,表示误差上限。
4)判断过程是否正常运行。首先,根据步骤(3)得到的系数计算的稀疏集中程度(SparseConcentrationIndex,SCI)
其中,是特征函数。的作用是将中在索引集对应位置上的元素不变同时将其它位置上的元素置为0,索引集Ii表示第i个工况数据在字典矩阵A中的列索引。
若则判定过程发生异常。反之,需要进一步判断过程是处于某稳定工况或是工况之间的过渡过程。
5)判断过程所处工况。如果根据步骤(4)判定过程运行未发生异常,那么需进一步判断过程当前是处于某稳定单一工况下或是两个工况之间的过渡过程。首先,计算在线数据yt在字典A稀疏表示下的残差
其中,是特征函数。的作用是将中在索引集对应位置上的元素不变同时将其它位置上的元素置为0,索引集Ip,q表示p、q两个工况数据在字典矩阵A中的列索引。
然后,求取最小残差并根据该值辨识在线监测数据所处工况
当时,判定过程运行处于第工况;当 时,判定过程运行处于工况 的过渡阶段。
Claims (1)
1.一种基于稀疏表示的多工况过程监控方法,其特征在于该方法包括以下各步骤:
1)利用多传感器数据采集***收集过程各个正常工况的数据构成字典其中,k表示过程正常工况的个数,表示对应过程工况i的子字典,m为过程变量个数,ni为各工况数据个数,n为数据总个数;
2)对字典进行归一化处理,使得中每一列数据的l2范数均等于1,得到归一化后的字典矩阵为
3)采集过程在线运行数据t表示采样时刻;通过式(1)求解得到
约束条件为
Ax=yt或||Ax-yt||2≤ε(2)
其中,||·||2表示该符号中向量的l2范数,表示误差上限;
4)判断过程是否正常运行;首先,计算系数的稀疏集中指数SCI
其中,是特征函数;的作用是将中在索引集对应位置上的元素不变同时将其它位置上的元素置为0,索引集Ii表示第i个工况数据在归一化后的字典矩阵A中的列索引;
若则判定过程发生异常;反之,需要进一步判断过程是处于某稳定工况或是工况之间的过渡过程;
5)判断过程所处工况;首先,计算在线数据yt在归一化后的字典矩阵A稀
疏表示下的残差
其中,是特征函数;的作用是将中在索引集对应位置上的元素不变同时将其它位置上的元素置为0,索引集Ip,q表示p、q两个工况数据在归一化后的字典矩阵A中的列索引;
然后,求取最小残差并根据该最小残差辨识在线监测数据所处工况
那么,当时,判定过程运行处于第工况;当时,判定过程运行处于工况的过渡阶段,其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310221329.6A CN103309347B (zh) | 2013-06-05 | 2013-06-05 | 一种基于稀疏表示的多工况过程监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310221329.6A CN103309347B (zh) | 2013-06-05 | 2013-06-05 | 一种基于稀疏表示的多工况过程监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103309347A CN103309347A (zh) | 2013-09-18 |
CN103309347B true CN103309347B (zh) | 2015-11-18 |
Family
ID=49134671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310221329.6A Expired - Fee Related CN103309347B (zh) | 2013-06-05 | 2013-06-05 | 一种基于稀疏表示的多工况过程监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103309347B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199441B (zh) * | 2014-08-22 | 2017-03-01 | 清华大学 | 基于稀疏贡献图的高炉多工况故障分离方法及*** |
CN104182642B (zh) * | 2014-08-28 | 2017-06-09 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104848883B (zh) * | 2015-03-27 | 2017-10-17 | 重庆大学 | 一种基于稀疏表示的传感器噪声与故障的判别方法 |
CN109885027B (zh) * | 2019-03-13 | 2020-11-17 | 东北大学 | 基于双向二维稀疏正交判别分析的工业过程故障诊断方法 |
CN110530638B (zh) * | 2019-07-31 | 2020-10-27 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN116382103B (zh) * | 2023-06-07 | 2023-08-25 | 广东石油化工学院 | 一种生产过程间歇故障及趋势畸变的监测与辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949678A (en) * | 1993-12-22 | 1999-09-07 | Telefonaktiebolaget Lm Ericsson | Method for monitoring multivariate processes |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101713983A (zh) * | 2009-11-23 | 2010-05-26 | 浙江大学 | 基于独立成分分析和贝叶斯推理的半导体过程监测方法 |
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT412678B (de) * | 2002-09-30 | 2005-05-25 | Gerhard Dr Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
US8014880B2 (en) * | 2006-09-29 | 2011-09-06 | Fisher-Rosemount Systems, Inc. | On-line multivariate analysis in a distributed process control system |
-
2013
- 2013-06-05 CN CN201310221329.6A patent/CN103309347B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949678A (en) * | 1993-12-22 | 1999-09-07 | Telefonaktiebolaget Lm Ericsson | Method for monitoring multivariate processes |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101713983A (zh) * | 2009-11-23 | 2010-05-26 | 浙江大学 | 基于独立成分分析和贝叶斯推理的半导体过程监测方法 |
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于MEWMA-PCA的微小故障检测方法研究及其应用;葛志强等;《信息与控制》;20071031;第36卷(第5期);第650-656页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103309347A (zh) | 2013-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103309347B (zh) | 一种基于稀疏表示的多工况过程监控方法 | |
Shang et al. | Recursive slow feature analysis for adaptive monitoring of industrial processes | |
CN103927412B (zh) | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN108763729B (zh) | 基于网络结构熵的流程工业机电***耦合状态评估方法 | |
CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断***及方法 | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
CN104166787A (zh) | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 | |
CN106021826A (zh) | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
WO2012149901A1 (zh) | 基于相似度曲线的设备故障早期预警及优化的方法和*** | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断*** | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN116658492B (zh) | 智能动力猫道及其方法 | |
CN113033084B (zh) | 一种基于孤立森林和滑动时窗的核电站***在线监测方法 | |
Scott et al. | A holistic probabilistic framework for monitoring nonstationary dynamic industrial processes | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN103926919A (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
CN104503436A (zh) | 一种基于随机投影和k近邻的快速故障检测方法 | |
Yu et al. | Early fault diagnosis model design of reciprocating compressor valve based on multiclass support vector machine and decision tree | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151118 Termination date: 20200605 |