CN110109435B - 一种改进两步子空间划分的在线监测方法 - Google Patents
一种改进两步子空间划分的在线监测方法 Download PDFInfo
- Publication number
- CN110109435B CN110109435B CN201910432047.8A CN201910432047A CN110109435B CN 110109435 B CN110109435 B CN 110109435B CN 201910432047 A CN201910432047 A CN 201910432047A CN 110109435 B CN110109435 B CN 110109435B
- Authority
- CN
- China
- Prior art keywords
- data
- new
- theta
- subspace
- matrix
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000009628 steelmaking Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种改进两步子空间划分的在线监测方法,包括如下步骤:步骤1、根据采样样本的空间特性对进行子空间划分,并对原始数据按照划分后的子空间进行划分子集并标准化;步骤2、根据主元素法进行监测,并计算监测指标判断是否出现异常。本发明能够更精确地实施监测。
Description
技术领域
本发明属于自动化工业过程监测领域,具体涉及一种工业过程的改进两步子空间划分的在线监测方法。
背景技术
实际生产过程的复杂多样性导致了单一空间监测的精度和快速性已经不能够满足要求。于是在大量生产数据的前提下产生划分子空间的监测方法,这些方法将原本单一的空间按照某种特征划分成两个或多个子空间,并在每个子空间进行监测。这些监测方法将数据细化并分类,并且针对不同类的数据都监测,虽然实际工作量增大许多,但是其精确的优点很显著,故在工业应用中有极大的优势,且应用广泛。
发明内容
本发明目的是针对单一空间监测不够精确,将原有空间划分为两个子空间,得到一种新的监测方法,能够更精确地实施监测。该方法首先基于工业生产过程,采样得到监测点的情况,对数据空间进行划分并反之划分数据,然后根据主元素法进行监测,并计算监测指标判断是否出现异常。
本发明的步骤包括:
步骤1、根据采样样本的空间特性对进行子空间划分,并对原始数据按照划分后的子空间进行划分子集并标准化,具体步骤是:
1-1.通过采样得到某一时刻的数据,并进行标准化:
其中X’是某一时刻的采样数据,X是经过标准化后的数据,X’a是数据X’的平均值,X’sd是数据X’的方差。
1-2.将标准化后的数据进行主元素提取:
X=APT+E
其中,A是主元素矩阵,E是残差矩阵,P是负荷矩阵,T是转置符号。
1-3.计算每个数据与主元空间的角度:
其中θi是第i个数据与主元空间的角度,cos-1是反余弦函数,Ui、Vi是两个数据矩阵,QA是主元数据的一组标准正交基,Qi是第i个数据的一组标准正交基,Σi是前i个数据的和。
1-4.计算所有角度的平均值:
其中θa是所有角度平均值,Σ(θi)是i个角度的和。
1-5.将每个角度与θa比较,若θi<θa则该数据与主元特征空间相似性强,并将所有符合所有该条件的数据组合成子空间S(A)对应数据为XA;若θi>θa则该数据与残差特征空间相似性强,并将所有符合所有该条件的数据组合成子空间S(E)对应数据为XE,若θi=θa则该数据与两个子空间相似性相当,为方便计算划入S(A)。
1-6.计算历史平方预测误差的均值和方差:
e=X(I-PPT)
SPE=eeT
其中e是数据的残差矩阵,I是单位矩阵,SPE1…SPEi分别是第1时刻…第i时刻的平方预测误差,m、v分别是历史平方预测误差的均值和方差。
步骤2、故障监测,具体步骤是:
2-1.采样获取某个新时刻的数据,根据步骤1-1和1-2的建模过程得:
Xnew=Anew(Pnew)T+Enew
其中Xnew是新数据,Anew是新数据主元素矩阵,E是新数据的残差矩阵,P是新数据的负荷矩阵。
2-2.将新数据Xnew根据步骤1-3、1-4、1-5得到子空间Snew(A)、Snew(E)对应数据分别为Xnew A、Xnew E。
2-3.对子空间Snew(A)的数据Xnew A选取次序相同的R个数据得到主过程向量,剩余J-R个数据得到剩余向量,计算新数据的残差矩阵和得分向量:
tnew=XnewPnew
其中enew是新数据的残差矩阵,tnew是新数据的得分向量,pnew是新数据的负荷矩阵。
2-4.计算新数据的平方预测误差:
SPEnew=(enew)(enew)T
2-5.计算实时信息统计量:
(Tnew)2=tnewΛ-1(tnew)T
2-6.将实时信息统计量的表达式化简得到:
(Tnew)2=XnewPΛ-1P-1(Xnew)T
其中FR,α是自由度为R和α的F分布;
2-9.对子空间Snew(E)重复步骤2-3至步骤2-8。
具体实施方式
下面对本发明作进一步说明。
以工业炼钢为例,以炼钢炉温度为监测目标:
本发明的方法步骤包括:
步骤1、根据采样得到炼钢炉温度数据的空间特性对进行子空间划分,并对原始温度数据按照划分后的子空间进行划分子集并标准化,具体步骤是:
步骤1、根据温度数据的主元素和高斯性对数据进行子空间划分,并对原始温度数据按照空间划分子集并标准化,具体步骤是:
1-1.通过采样得到某一时刻的温度数据,并进行标准化:
其中X’是某一时刻的温度数据,X是经过标准化后的温度数据,X’a是温度数据X’的平均值,X’sd是温度数据X’的方差。
1-2.将标准化后的温度数据进行主元素提取:
X=APT+E
其中,A是主温度矩阵,E是温度残差矩阵,P是负荷矩阵,T是转置符号。
1-3.计算每个温度数据与主温度数据空间的角度:
其中θi是第i个温度数据与主温度空间的角度,cos-1是反余弦函数,Ui、Vi是两个数据矩阵,QA是主温度数据的一组标准正交基,Qi是第i个温度数据的一组标准正交基,Σi是前i个温度数据的和。
1-4.计算所有角度的平均值:
其中θa是所有角度平均值,Σ(θi)是i个角度的和。
1-5.将每个温度的角度与θa比较,若θi<θa则该温度数据与主温度特征空间相似性强,并将所有符合所有该条件的温度数据组合成子空间S(A)对应温度数据为XA;若θi>θa则该温度数据与温度残差特征空间相似性强,并将所有符合所有该条件的温度数据组合成子空间S(E)对应数据为XE,若θi=θa则该温度数据与两个子空间相似性相当,为方便计算划入S(A)。
1-6.计算历史温度平方预测误差的均值和方差:
e=X(I-PPT)
SPE=eeT
其中e是温度数据的残差矩阵,I是单位矩阵,SPE1…SPEi分别是第1时刻…第i时刻的温度平方预测误差,m、v分别是历史温度平方预测误差的均值和方差。
步骤2、故障监测,具体步骤是:
2-1.采样获取某个新时刻的温度数据,根据步骤1-1和1-2的建模过程得:
Xnew=Anew(Pnew)T+Enew
其中Xnew是新温度数据,Anew是新温度数据的主温度矩阵,E是新温度数据的温度残差矩阵,P是新温度数据的负荷矩阵。
2-2.将新温度数据Xnew根据步骤1-3、1-4、1-5得到子空间Snew(A)、Snew(E)对应温度数据分别为Xnew A、Xnew E。
2-3.对子空间Snew(A)的温度数据Xnew A选取次序相同的R个温度数据得到主温度向量,剩余J-R个温度数据得到剩余温度向量,计算新温度数据的温度残差矩阵和得分向量:
tnew=XnewPnew
其中enew是新温度数据的残差矩阵,tnew是新温度数据的得分向量,pnew是新温度数据的负荷矩阵。
2-4.计算新温度数据的平方预测误差:
SPEnew=(enew)(enew)T
2-5.计算实时信息统计量:
(Tnew)2=tnewΛ-1(tnew)T
2-6.将实时信息统计量的表达式化简得到:
(Tnew)2=XnewPΛ-1P-1(Xnew)T
其中FR,α是自由度为R和α的F分布;
2-9.对子空间Snew(E)重复步骤2-3至步骤2-8。
Claims (1)
1.一种改进两步子空间划分的在线监测方法,包括如下步骤:
步骤1、根据采样样本的空间特性对进行子空间划分,并对原始数据按照划分后的子空间进行划分子集并标准化;
步骤2、根据主元素法进行监测,并计算监测指标判断是否出现异常;
所述步骤1具体如下:
1-1.通过采样得到某一时刻的数据,并进行标准化:
其中X’是某一时刻的采样数据,X是经过标准化后的数据,X’a是数据X’的平均值,X’sd是数据X’的方差;
1-2.将标准化后的数据进行主元素提取:
X=APT+E
其中,A是主元素矩阵,E是残差矩阵,P是负荷矩阵,T是转置符号;
1-3.计算每个数据与主元空间的角度:
其中θi是第i个数据与主元空间的角度,cos-1是反余弦函数,Ui、Vi是两个数据矩阵,QA是主元数据的一组标准正交基,Qi是第i个数据的一组标准正交基,Σi是前i个数据的和;
1-4.计算所有角度的平均值:
其中θa是所有角度平均值,Σ(θi)是i个角度的和;
1-5.将每个角度与θa比较,若θi<θa则该数据与主元特征空间相似性强,并将所有符合该条件的数据组合成子空间S(A)对应数据为XA;若θi>θa则该数据与残差特征空间相似性强,并将所有符合所有该条件的数据组合成子空间S(E)对应数据为XE,若θi=θa则该数据与两个子空间相似性相当,为方便计算划入S(A);
1-6.计算历史平方预测误差的均值和方差:
e=X(I-PPT)
SPE=eeT
其中e是数据的残差矩阵,I是单位矩阵,SPE1…SPEi分别是第1时刻…第i时刻的平方预测误差,m、v分别是历史平方预测误差的均值和方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432047.8A CN110109435B (zh) | 2019-05-22 | 2019-05-22 | 一种改进两步子空间划分的在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910432047.8A CN110109435B (zh) | 2019-05-22 | 2019-05-22 | 一种改进两步子空间划分的在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109435A CN110109435A (zh) | 2019-08-09 |
CN110109435B true CN110109435B (zh) | 2020-07-24 |
Family
ID=67491796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910432047.8A Active CN110109435B (zh) | 2019-05-22 | 2019-05-22 | 一种改进两步子空间划分的在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109435B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及*** |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN109189028A (zh) * | 2018-10-15 | 2019-01-11 | 江南大学 | 基于多块信息提取的pca故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7328126B2 (en) * | 2003-09-12 | 2008-02-05 | Tokyo Electron Limited | Method and system of diagnosing a processing system using adaptive multivariate analysis |
CN103389701B (zh) * | 2013-07-15 | 2015-08-19 | 浙江大学 | 基于分布式数据模型的厂级过程故障检测与诊断方法 |
CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
-
2019
- 2019-05-22 CN CN201910432047.8A patent/CN110109435B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及*** |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN109189028A (zh) * | 2018-10-15 | 2019-01-11 | 江南大学 | 基于多块信息提取的pca故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于多PCA模型的过程监测方法;常玉清,王姝,王福利,谭帅,刘炎;《仪器仪表学报》;20140430;第35卷(第4期);901-908 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109435A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227653B (zh) | 一种基于随机化核主元分析的大规模非线性过程监控方法 | |
CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
CN106054840B (zh) | 一种全流程产品质量在线管控*** | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
CN111914889B (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
US9910430B2 (en) | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN106647650A (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN108388234A (zh) | 一种基于相关性划分多变量块pca模型的故障监测方法 | |
CN110109435B (zh) | 一种改进两步子空间划分的在线监测方法 | |
US20220146527A1 (en) | Method of creating characteristic profiles of mass spectra and identification model for analyzing and identifying features of microorganisms | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN107346122A (zh) | 改进模糊支持向量机的制造过程多元质量诊断分类器 | |
CN109783698B (zh) | 基于Merkle-tree的工业生产数据实体识别方法 | |
CN110045714A (zh) | 一种基于权重近邻规则的工业过程监控方法 | |
CN111914471A (zh) | 一种基于快速核独立成分分析的精馏塔故障检测方法 | |
CN106569982A (zh) | 带奇异点检测补偿的gpr在线软测量方法及*** | |
CN111126671A (zh) | 一种炼油生产中初馏塔冲塔故障预警的方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业***工况监测方法和*** | |
CN111983994B (zh) | 一种基于复杂工业化工过程的v-pca故障诊断方法 | |
CN111291020A (zh) | 基于局部加权线性动态***的动态过程软测量建模方法 | |
CN116904673B (zh) | 一种基于平稳特征提取的高炉异常炉况检测方法 | |
Lu et al. | A clustering hyperrectangle model based on kernel density estimation for product quality detection | |
CN113495550B (zh) | 一种基于黎曼度量的航天器故障检测方法 |
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 |