CN109242046B - 基于非线性复杂***过程数据的在线故障诊断方法 - Google Patents

基于非线性复杂***过程数据的在线故障诊断方法 Download PDF

Info

Publication number
CN109242046B
CN109242046B CN201811178028.9A CN201811178028A CN109242046B CN 109242046 B CN109242046 B CN 109242046B CN 201811178028 A CN201811178028 A CN 201811178028A CN 109242046 B CN109242046 B CN 109242046B
Authority
CN
China
Prior art keywords
data
online
complex system
fault diagnosis
process data
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.)
Active
Application number
CN201811178028.9A
Other languages
English (en)
Other versions
CN109242046A (zh
Inventor
安宝冉
邓金华
吴淮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Original Assignee
COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS filed Critical COMPUTER APPLICATION RESEARCH INST CHINA ACADEMY OF ENGINEERING PHYSICS
Priority to CN201811178028.9A priority Critical patent/CN109242046B/zh
Publication of CN109242046A publication Critical patent/CN109242046A/zh
Application granted granted Critical
Publication of CN109242046B publication Critical patent/CN109242046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

针对非线性复杂***机理模型难以建立、过程数据不符合高斯分布的特点，本发明利用***中的离线正常工况训练数据和在线测量的过程数据，解决了非线性复杂***的在线故障诊断问题。本发明方法是通过：第一步、离线训练步，利用正常工况下采集到的过程数据进行故障模式识别***回归和阈值计算；第二步、在线检测步，利用模式识别***，对非线性复杂***在线采集到的过程数据进行检测统计量的在线计算；第三步、故障诊断步，通过计算得出统计量与阈值的在线比较，实现故障诊断。本发明具有以下优势：适用于过程数据不符合高斯分布的情况，且仅通过离线和在线数据即可实现故障诊断，而不依赖于机理模型；提出的在线故障诊断算法，适用于包含非线性特性的复杂***，且相比于传统方法显著提高了故障检测率。

Description

基于非线性复杂***过程数据的在线故障诊断方法
技术领域
本发明涉及基于非线性复杂***过程数据的在线故障诊断算法，具体涉及局部加权映射回归及主元分析
背景技术
***动力学定义非线性复杂***(The Nonlinear and complex system)为具有高阶次、多回路和非线性信息反馈结构的***。故非线性复杂***的主要特点包括：其一是高阶数，***的阶数由***内的状态变量的数目决定的，而非线性复杂***的阶数一般在四阶或五阶以上；其二是多回路，复杂***内部相互作用的回路数且一般在10以上，主要回路在3个或4个以上；其三是非线性，其正是非线性的关系导致前述的“主回路”转移，它可以使***中某一反馈回路在一段时期内对***的机制起主导作用，产生相应的***行为，然后又促使此主导作用向***内的其他回路转移，并产生另一模式的***行为。
而近年来随着计算机技术、信息化水平日益提高，复杂***如ICF、化工、核电等非线性及机理复杂程度越来越高，因此难以对这类复杂***实施基于机理模型的故障诊断。另一方面随着传感器和计算机储存技术的提高，复杂***存在大量未被充分利用的离线、在线数据。如何利用这些数据，实现非线性复杂***的在线故障诊断，从而提高非线性复杂***的可靠性、安全性是亟待解决的关键问题，得到了学术界的广泛关注。
另一方面现有基于过程数据的故障诊断算法通常假设过程数据服从高斯分布，而实际非线性复杂***运行过程中存在大量的不确定性，过程数据通常不符合高斯分布，这使得传统故障诊断算法在处理实际问题时故障检测率很低，进而影响运行过程的安全性和后续的控制决策等。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于非线性复杂***过程数据的在线故障诊断方法，其能够通过一种针对非线性复杂***结构复杂、机理模型难以建立、过程数据不符合高斯分布的特点，利用复杂***运行过程的离线正常工况训练数据和在线测量的过程数据，解决了非线性复杂***故障诊断***的设计问题，以适用于过程数据不符合高斯分布的情况，且仅通过离线在线数据实现不依赖于***模型，可适用于包含各种非线性特性的非线性复杂***，显著提高了故障检测率，具有更为广阔的适应性。
为了实现根据本发明的这些目的和其它优点，提供了一种基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，利用***中的离线正常工况训练数据及在线测量的过程数据，实现非线性复杂***的故障诊断，具体包括以下步骤：
步骤一，离线训练步，基于正常非线性复杂***运行过程中采集到的离线训练数据，通过离线训练算法得到与离线数据相关的全局数据统计量
Figure BDA0001824282890000021
以及阈值
Figure BDA0001824282890000022
步骤二，在线检测步，基于非线性复杂***在线运行过程中采集到的过程数据，通过在线检测算法以得到与过程数据相关的全局检测统计量
Figure BDA0001824282890000023
步骤三，故障诊断，若
Figure BDA0001824282890000024
且对于各个局部模型均有
Figure BDA0001824282890000025
则没有检测出异常，返回步骤二，否则产生报警信息。
优选的是，其中，所述的离线训练算法包括：
步骤A1：采集N组正常工况下的过程数据作为离线训练数据；
步骤A2：基于获得的离线训练数据，采用局部加权映射回归算法以获得R个局部模型；
步骤A3：构成处于正常工况的复杂***运行过程数据组成的输入数据集X＝[x1… xN]，以进行标准化和权重计算；
步骤A4：计算标准输入的协方差并进行奇异值分解，用奇异值的比值构造对角矩阵；
步骤A5：对于正常工况过程数据样本计算其在局部模型中的检测统计量；
步骤A6：计算非线性复杂***正常运行过程数据样本的全局统计量；
步骤A7：用高斯核估计统计量的概率密度并计算阈值。
优选的是，其中，所述的在线检测算法包括：
步骤B1：在线获得新的非线性复杂***运行过程输入测试数据xtest；
步骤B2：对每个局部模型分别对输入测试数据进行标准化处理xtest，r＝xtest-xr；
步骤B3：利用模型训练得到Sr，Ξr对每个局部模型分别计算局部检测统计量，其公式为
Figure BDA0001824282890000031
步骤B4：对局部检测统计量进行加权得到全局检测统计量，其公式为：
Figure BDA0001824282890000032
优选的是，其中，将离线训练数据划分为输出过程变量yn和输入过程变量xn，组成N组训练数据对(xn，yn)，i＝1，...，N；
在步骤A3中，对于步骤A2中得到的每个局部模型，对输入数据集分别进行0均值处理，得到R个标准化输入数据集，其公式如下所示：
Xr＝[x1-xr … xN-xr]，r＝1，…，R；
对于步骤A2中得到的每个局部模型，计算各过程变量样本点在局部模型中的权重，其公式如下所示：
ωrn＝exp(-0.5(xn-xr)TD(xn-xr))，，ωr＝[ωr1 … ωrN]，r＝1，...，R；
其中D为用常数对角矩阵。
优选的是，其中，在步骤A4中，通过计算标准输入的协方差并进行奇异值分解，其公式如下所示：
Figure BDA0001824282890000033
其中Λres≈0并有Λr＝diag(λ1，r，...，λm，r)，λ1，r≥λ2，r≥…≥λm，r，对于每个局部模型计算的公式为
Figure BDA0001824282890000034
在步骤A5中，基于离线训练数据样本，计算其在局部模型中的检测统计量，其计算公式为
Figure BDA0001824282890000035
在步骤A6中，基于离线训练数据样本以计算得到全局统计量，其计算公式为
Figure BDA0001824282890000041
在步骤A7中，估计统计量
Figure BDA0001824282890000042
的概率密度
Figure BDA0001824282890000043
其中，K(·)为高斯核，h＝1.06σN-0.2，σ为
Figure BDA0001824282890000044
的标准差；
对于给定的置信度α，计算检测统计量
Figure BDA0001824282890000045
的阈值
Figure BDA0001824282890000046
其公式如下所示：
Figure BDA0001824282890000047
优选的是，其中，在步骤三中的故障诊断后，如果复杂***仍在运行，则返回步骤二继续对下一组在线测量的过程数据进行故障诊断。
本发明至少包括以下有益效果：其一，适用于过程数据不符合高斯分布的情况，且仅通过离线和在线数据即可实现故障诊断，而不依赖于机理模型；
其二，本发明提出的在线故障诊断算法，适用于包含非线性特性的复杂***，且相比于传统方法显著提高了故障检测率。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的一个实施例中局部加权映射回归算法流程图；
图2为本发明在具体实施方式提出的设计方法的流程图；
图3为本发明在TE复杂***中模型回归效果图；
图4为本发明在TE复杂***典型故障诊断效果图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
根据本发明的一种基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，利用***中的离线正常工况训练数据及在线测量的过程数据，实现非线性复杂***的故障诊断，具体包括以下步骤：
步骤一，离线训练步，基于正常非线性复杂***运行过程中采集到的离线训练数据，通过离线训练算法得到与离线数据相关的全局数据统计量
Figure BDA0001824282890000051
以及阈值
Figure BDA0001824282890000052
步骤二，在线检测步，基于非线性复杂***在线运行过程中采集到的过程数据，通过在线检测算法以得到与过程数据相关的全局检测统计量
Figure BDA0001824282890000053
步骤三，故障诊断，若
Figure BDA0001824282890000054
且对于各个局部模型均有
Figure BDA0001824282890000055
则没有检测出异常，返回步骤二，否则产生报警信息。采用这种方案首先通过正常工况下采集到的过程数据进行故障模式识别***回归和阈值计算；然后利用模式识别***，对非线性复杂***在线采集到的过程数据进行检测统计量的在线计算；最终通过计算得出统计量与阈值的在线比较，实现故障诊断，故本发明仅通过离线和在线数据即可实现故障诊断，而不依赖于机理模型，且适用于过程数据不符合高斯分布的情况；此外，提出的在线故障诊断算法，适用于包含非线性特性的复杂***，相比于传统方法显著提高了故障检测率，具有适应性好，检测性能优异，稳定性好的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中，如图2所示，
所述的离线训练算法包括：
步骤A1：采集N组正常工况下的过程数据作为离线训练数据；
步骤A2：基于获得的离线训练数据，采用局部加权映射回归算法以获得R个局部模型；
步骤A3：构成处于正常工况的复杂***运行过程数据组成的输入数据集X＝[x1… xN]，以进行标准化和权重计算；
步骤A4：计算标准输入的协方差并进行奇异值分解，用奇异值的比值构造对角矩阵；
步骤A5：对于正常工况过程数据样本计算其在局部模型中的检测统计量；
步骤A6：计算非线性复杂***正常运行过程数据样本的全局统计量；
步骤A7：用高斯核估计统计量的概率密度并计算阈值。采用这种方案通过对离线训练步算法的设计，以使其能充分考虑过程数据不符合高斯分布的情况，显著提高非线性复杂***的故障检测率，具有可实施效果好，适应性强的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中，如图2所示，所述的在线检测算法包括：
步骤B1：在线获得新的非线性复杂***运行过程输入测试数据xtest；
步骤B2：对每个局部模型分别对输入测试数据进行标准化处理xtest，r＝xtest-xr；
步骤B3：利用模型训练得到Sr，Ξr对每个局部模型分别计算局部检测统计量，其公式为
Figure BDA0001824282890000061
步骤B4：对局部检测统计量进行加权得到全局检测统计量，其公式为：
Figure BDA0001824282890000062
采用这种方案对在线检测步的算法进行设计，以使得其与离线训练步的结果相配合，共同保证在线检测效果的优异性，具有可实施效果好，可操作性强，适应性好的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中，将离线训练数据划分为输出过程变量yn和输入过程变量xn，组成N组训练数据对(xn，yn)，i＝1，...，N；
在步骤A3中，对于步骤A2中得到的每个局部模型，对输入数据集分别进行0均值处理，得到R个标准化输入数据集，其公式如下所示：
Figure BDA0001824282890000063
对于步骤A2中得到的每个局部模型，计算各过程变量样本点在局部模型中的权重，其公式如下所示：
ωrn＝exp(-0.5(xn-xr)TD(xn-xr))，，ωr＝[ωr1 … ωrN]，r＝1，...，R；
其中D为用常数对角矩阵。采用这种方案通过对离线训练步中算法的具化，以使其更具有本发明所宣称的效果，具有可实施效果好，适应性强，稳定性好的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中，在步骤A4中，通过计算标准输入的协方差并进行奇异值分解，其公式如下所示：
Figure BDA0001824282890000071
其中Λres≈0并有Λr＝diag(λ1，r，...，λm，r)，λ1，r≥λ2，r≥…≥λm，r，对于每个局部模型计算的公式为
Figure BDA0001824282890000072
在步骤A5中，基于离线训练数据样本，计算其在局部模型中的检测统计量，其计算公式为
Figure BDA0001824282890000073
在步骤A6中，基于离线训练数据样本以计算得到全局统计量，其计算公式为
Figure BDA0001824282890000074
在步骤A7中，估计统计量
Figure BDA0001824282890000075
的概率密度
Figure BDA0001824282890000076
其中，K(·)为高斯核，h＝1.06σN-0.2，σ为
Figure BDA0001824282890000077
的标准差；
对于给定的置信度α，计算检测统计量
Figure BDA0001824282890000078
的阈值
Figure BDA0001824282890000079
其公式如下所示：
Figure BDA00018242828900000710
采用这种方案通过对离线训练步中各步骤的具化设计，以使得其可与其它步骤相互配合，共同具体的协作、配合，以使其达到本发明所宣称的技术效果，具有可实施效果好，适应性强的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
在另一种实例中，在步骤三中的故障诊断后，如果复杂***仍在运行，则返回步骤二继续对下一组在线测量的过程数据进行故障诊断。采用这种方案通过对检测后对工况继续检测，以使得其能对工况中的故障进行在线检测，以供工作人员对整个复杂***运行环节中故障的排除，具有可实施效果好，可操作性强，适应性好的有利之处。并且，这种方式只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
具体应用实施例：
以下将利用田纳西-伊斯曼(TennesseeEastman)复杂***仿真过程来说明本发明的有效性。该过程包含物料成分一共有八种，其中四种气体进料成分A，C，D，E；一种不可溶的惰性成分B；两种液态产品成分G和H，以及一种液态副产品成分F。本应用中对A/C进料比故障(IDV(1))、物料C集箱压力可用性降低故障(IDV(7))、A/B/C物料占比随机跳变(IDV(8))和过程运行过程发生的未知故障(IDV(17))开展研究。本应用举例中采集500个正常工况过程数据，并对每类故障采集960个用于算法测试的过程数据。依据本发明所提出的故障诊断流程具体实施方式：
步骤一、离线训练步，利用正常工况下采集的过程数据进行故障模式识别***回归
步骤A1：采集500组正常工况下的过程变量数据作为离线训练数据，选取产品质量成分分析E(XMEAS(38))划分为输出过程变量yn，选取22个过程变量(XMEAS(1-22))和操作变量(XMV(1-11))作为输入过程变量xn，组成500组训练数据对(xn，yn)，i＝1，...，N。
步骤A2：将500组训练数据对(xn，yn)用于局部加权映射回归算法，具体算法如图1所示，获得R个局部模型。
步骤A3：构成处于正常工况的复杂***运行过程数据组成的输入数据集，进行标准化得到Xr和权重ωr。
步骤A4：计算标准输入的协方差并进行奇异值分解得到Sr，Sr⊥，Λr，并用奇异值的比值构造对角矩阵Ξr。
步骤A5：对于正常工况过程数据样本计算其在局部模型中的检测统计量
Figure BDA0001824282890000081
步骤A6：计算复杂***正常运行过程数据样本的全局统计量
Figure BDA0001824282890000082
步骤A7：估计统计量
Figure BDA0001824282890000083
的概率密度p(T2)并计算检测统计量
Figure BDA0001824282890000084
的阈值
Figure BDA0001824282890000085
本发明对TE典型过程进行模型回归，并对产品质量成分分析E(XMEAS(38))进行预测，预测值和测量值得均方误差为4.45×10-6，预测结果和预测误差如图3所示。
步骤二、在线检测步，对在线采集到的过程数据进行在线诊断
步骤B1：从应用实例960个故障样本点中依次提取故障样本点xtest，模拟对复杂***运行过程中测量的过程数据进行在线故障诊断。
步骤B2：对故障样本点xtest进行标准化处理xtest，r＝xtest-xr
步骤B3：利用模型训练得到Sr，Ξr对每个局部模型分别计算局部检测统计量
Figure BDA0001824282890000091
步骤B4：对局部检测统计量进行加权得到全局检测统计量
Figure BDA0001824282890000092
步骤B5：若
Figure BDA0001824282890000093
且对于各个局部模型均有
Figure BDA0001824282890000094
则没有检测出异常，否则产生报警信息。返回步骤B1继续对下一组在线测量的过程数据进行故障诊断。
针对典型故障类型(IDV(1))、(IDV(7))、(IDV(8))、(IDV(17))本发明算法得故障诊断结果如图4所示。本发明所提出的设计方案的结果与与一般故障监测方法的结果对比如表1所示：
Figure BDA0001824282890000095
综上，本发明所提出的基于非线性复杂***过程数据的在线故障诊断方法对各典型故障的检测率可分别提高15％-150％，检测效果提升显著，且还具有以下几方面优势：
1、适用于过程数据不符合高斯分布的情况，且仅通过离线和在线数据即可实现故障诊断，而不依赖于机理模型；
2、本发明提出的在线故障诊断算法，适用于包含非线性特性的复杂***，且相比于传统方法显著提高了故障检测率。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的基于非线性复杂***过程数据的在线故障诊断方法的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (5)

1.一种基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，利用***中的离线正常工况训练数据及在线测量的过程数据，实现非线性复杂***的故障诊断，具体包括以下步骤：
步骤一，离线训练步，基于正常非线性复杂***运行过程中采集到的离线训练数据，通过离线训练算法得到与离线数据相关的全局数据统计量
Figure FDA0003290900930000011
以及阈值
Figure FDA0003290900930000012
步骤二，在线检测步，基于非线性复杂***在线运行过程中采集到的过程数据，通过在线检测算法以得到与过程数据相关的全局检测统计量
Figure FDA0003290900930000016
步骤三，故障诊断，若
Figure FDA0003290900930000014
且对于各个局部模型均有
Figure FDA0003290900930000015
则没有检测出异常，返回步骤二，否则产生报警信息；
所述的离线训练算法包括：
步骤A1：采集N组正常工况下的过程数据作为离线训练数据；
步骤A2：基于获得的离线训练数据，采用局部加权映射回归算法以获得R个局部模型；
步骤A3：构成处于正常工况的复杂***运行过程数据组成的输入数据集X＝[x1…xN]，以进行标准化和权重计算；
步骤A4：计算标准输入的协方差并进行奇异值分解，用奇异值的比值构造对角矩阵Ξr；
步骤A5：对于正常工况过程数据样本计算其在局部模型中的检测统计量；
步骤A6：计算非线性复杂***正常运行过程数据样本的全局统计量；
步骤A7：用高斯核估计统计量的概率密度并计算阈值。
2.如权利要求1所述的基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，所述的在线检测算法包括：
步骤B1：在线获得新的非线性复杂***运行过程输入测试数据xtest；
步骤B2：对每个局部模型分别对输入测试数据进行标准化处理xtest，r＝xtast-xr；
步骤B3：利用模型训练得到Sr，Ξr对每个局部模型分别计算局部检测统计量，其公式为
Figure FDA0003290900930000021
步骤B4：对局部检测统计量进行加权得到全局检测统计量，其公式为：
Figure FDA0003290900930000022
3.如权利要求1所述的基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，将离线训练数据划分为输出过程变量yn和输入过程变量xn，组成N组训练数据对(xn，yn)，i＝1，...，N；
在步骤A3中，对于步骤A2中得到的每个局部模型，对输入数据集分别进行0均值处理，得到R个标准化输入数据集，其公式如下所示：
Figure FDA0003290900930000023
对于步骤A2中得到的每个局部模型，计算各过程变量样本点在局部模型中的权重，其公式如下所示：
ωrn＝exp(-0.5(xn-xr)TD(xn-xr))，ωr＝[ωr1…ωrN]，r＝1，...，R；
其中D为常数对角矩阵。
4.如权利要求3所述的基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，在步骤A4中，通过计算标准输入的协方差并进行奇异值分解，其公式如下所示：
Figure FDA0003290900930000024
其中Λres≈0并有Λr＝diag(λ1，r，...，λm，r)，λ1，r≥λ2，r≥…≥λm，r，对于每个局部模型计算的公式为
Figure FDA0003290900930000025
在步骤A5中，基于离线训练数据样本，计算其在局部模型中的检测统计量，其计算公式为
Figure FDA0003290900930000026
在步骤A6中，基于离线训练数据样本以计算得到全局统计量，其计算公式为
Figure FDA0003290900930000027
在步骤A7中，估计统计量
Figure FDA0003290900930000028
的概率密度
Figure FDA0003290900930000029
其中，K(·)为高斯核，h＝1.06σN-0.2，σ为
Figure FDA00032909009300000210
的标准差；
对于给定的置信度α，计算检测统计量
Figure FDA00032909009300000211
的阈值
Figure FDA00032909009300000212
其公式如下所示：
Figure FDA0003290900930000031
5.如权利要求1所述的基于非线性复杂***过程数据的在线故障诊断方法，其特征在于，在步骤三中的故障诊断后，如果复杂***仍在运行，则返回步骤二继续对下一组在线测量的过程数据进行故障诊断。
CN201811178028.9A 2018-10-10 2018-10-10 基于非线性复杂***过程数据的在线故障诊断方法 Active CN109242046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811178028.9A CN109242046B (zh) 2018-10-10 2018-10-10 基于非线性复杂***过程数据的在线故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811178028.9A CN109242046B (zh) 2018-10-10 2018-10-10 基于非线性复杂***过程数据的在线故障诊断方法

Publications (2)

Publication Number Publication Date
CN109242046A CN109242046A (zh) 2019-01-18
CN109242046B true CN109242046B (zh) 2021-11-23

Family

ID=65055640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811178028.9A Active CN109242046B (zh) 2018-10-10 2018-10-10 基于非线性复杂***过程数据的在线故障诊断方法

Country Status (1)

Country Link
CN (1) CN109242046B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470426A (zh) * 2007-12-27 2009-07-01 北京北方微电子基地设备工艺研究中心有限责任公司 一种故障检测的方法和***
CN101777131A (zh) * 2010-02-05 2010-07-14 西安电子科技大学 双模人脸识别方法及装置
CN103359572A (zh) * 2013-05-23 2013-10-23 中国矿业大学 一种提升机故障诊断方法及装置
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法
CN104793604A (zh) * 2015-04-10 2015-07-22 浙江大学 一种基于主成分追踪的工业故障监测方法及应用
CN104794368A (zh) * 2015-05-15 2015-07-22 哈尔滨理工大学 基于foa-mksvm的滚动轴承故障分类方法
CN105425779A (zh) * 2015-12-24 2016-03-23 江南大学 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法
EP2998894A1 (en) * 2005-07-11 2016-03-23 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
CN107632592A (zh) * 2017-09-01 2018-01-26 南通大学 基于高效递推核主元分析的非线性时变过程故障监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2998894A1 (en) * 2005-07-11 2016-03-23 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
CN101470426A (zh) * 2007-12-27 2009-07-01 北京北方微电子基地设备工艺研究中心有限责任公司 一种故障检测的方法和***
CN101777131A (zh) * 2010-02-05 2010-07-14 西安电子科技大学 双模人脸识别方法及装置
CN103359572A (zh) * 2013-05-23 2013-10-23 中国矿业大学 一种提升机故障诊断方法及装置
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法
CN104793604A (zh) * 2015-04-10 2015-07-22 浙江大学 一种基于主成分追踪的工业故障监测方法及应用
CN104794368A (zh) * 2015-05-15 2015-07-22 哈尔滨理工大学 基于foa-mksvm的滚动轴承故障分类方法
CN105425779A (zh) * 2015-12-24 2016-03-23 江南大学 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法
CN107632592A (zh) * 2017-09-01 2018-01-26 南通大学 基于高效递推核主元分析的非线性时变过程故障监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An improved plant-wide fault detection scheme based on PCA and adaptive threshold for reliable process monitoring;Bakdi, Azzeddine等;《JOURNAL OF CHEMOMETRICS》;20171201;第1-16页 *
Data-driven Fault Diagnosis Scheme for Complex Integrated Control Systems;An, Baoran等;《2018 13TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》;20180708;第1255-1258页 *
胡云鹏.基于主元分析的冷水机组传感器故障检测效率研究.《中国博士学位论文全文数据库 工程科技Ⅱ辑 》.2014, *
马玉鑫.流程工业过程故障检测的特征提取方法研究.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2015, *

Also Published As

Publication number Publication date
CN109242046A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
EP3462267B1 (en) Anomaly diagnosis method and anomaly diagnosis apparatus
Li et al. An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction
Jiang et al. GMM and optimal principal components-based Bayesian method for multimode fault diagnosis
Tong et al. Ensemble modified independent component analysis for enhanced non-Gaussian process monitoring
Tong et al. Fault detection and diagnosis of dynamic processes using weighted dynamic decentralized PCA approach
Tian et al. A data-based approach for multivariate model predictive control performance monitoring
CN112200104B (zh) 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法
CN108549908B (zh) 基于多采样概率核主成分模型的化工过程故障检测方法
Lu et al. Sparse canonical variate analysis approach for process monitoring
CN109145256B (zh) 一种基于规范变量非线性主成分分析的过程监测方法
Zhang et al. Fault detection and diagnosis based on particle filters combined with interactive multiple-model estimation in dynamic process systems
El-Koujok et al. Multiple sensor fault diagnosis by evolving data-driven approach
Monroy et al. Fault diagnosis of a benchmark fermentation process: a comparative study of feature extraction and classification techniques
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN110175682A (zh) 一种基于混沌粒子群的优化核主元分析故障监测方法
Shokry et al. Dynamic kriging based fault detection and diagnosis approach for nonlinear noisy dynamic processes
CN109242046B (zh) 基于非线性复杂***过程数据的在线故障诊断方法
Fei et al. Online process monitoring for complex systems with dynamic weighted principal component analysis
Noruzi Nashalji et al. Fault detection of the Tennessee Eastman process using improved PCA and neural classifier
Zhang et al. A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches
Aftabi et al. A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems
CN114021465A (zh) 基于深度学习的电力***鲁棒状态估计方法及***
CN114383648A (zh) 一种温度仪表故障诊断方法及装置
Wan-Zhao et al. Chaotic time series prediction using mean-field theory for support vector machine
Skubalska-Rafajłowicz Random projection RBF nets for multidimensional density estimation

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