CN111045415A - 一种基于局部概率密度双子空间的多模态过程故障检测方法 - Google Patents

一种基于局部概率密度双子空间的多模态过程故障检测方法 Download PDF

Info

Publication number
CN111045415A
CN111045415A CN201911219710.2A CN201911219710A CN111045415A CN 111045415 A CN111045415 A CN 111045415A CN 201911219710 A CN201911219710 A CN 201911219710A CN 111045415 A CN111045415 A CN 111045415A
Authority
CN
China
Prior art keywords
gaussian
data
subspace
fault detection
modal
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.)
Withdrawn
Application number
CN201911219710.2A
Other languages
English (en)
Inventor
郭金玉
王东琴
李元
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.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
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 Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN201911219710.2A priority Critical patent/CN111045415A/zh
Publication of CN111045415A publication Critical patent/CN111045415A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Complex Calculations (AREA)

Abstract

一种基于局部概率密度双子空间的多模态过程故障检测方法，涉及一种多模态过程故障检测方法，所述方法包括将正常状态下的历史数据作为建模数据的训练集，利用局部概率密度方法进行预处理，然后运用PCA和ICA方法进行建模和故障检测。把服从非高斯分布的数据投影到ICA模型上，并计算出各子模型的统计量。最后，利用贝叶斯融合技术将各个子模型的检测结果进行组合计算出统计量ESPE和ET2，并将其与控制限1‑α进行比较，根据统计量是否超过控制限来判断该时刻数据是否正常。如果统计量超过控制限，则该时刻数据是故障的；否则是正常的。如果测试表明***出现故障，则需要工作人员及时查明情况，排除险情。有效提高了多模态过程监控***的性能。

Description

一种基于局部概率密度双子空间的多模态过程故障检测方法
技术领域
本发明涉及一种多模态过程故障检测方法，特别是涉及一种基于局部概率密度双子空间的多模态过程故障检测方法。
背景技术
多模态过程具有严重的非线性、时变性和多工况等特性，这使得多模态过程数据的故障检测更加具有挑战性。多模态过程存在于现实工业生产过程中，被广泛应用于高质量、高产值的生产行业中，是一个十分重要的工业生产过程。因此，多模态过程的故障检测一直备受国内外学术界的广泛关注。多模态过程数据结构对于故障检测往往具有十分重要的作用。因此，这就对多模态过程故障检测的性能提出了很高的要求。
以主元分析(principal component analysis, PCA)为代表的多元统计分析方法迅速发展，并衍生出多种新的故障检测方法。传统PCA方法假定采集的数据服从单峰或高斯分布，而独立元分析(independent component analysis, ICA)方法能够有效地提取数据中的非高斯信息。由于工业过程的复杂性和多模态特性，采集到的数据往往遵循不同的分布。因此，如何有效的分别提取出生产过程中原始数据不同分布的信息对多模态过程进行监视成为故障检测技术研究的重要内容。
发明内容
本发明的目的在于提供一种基于局部概率密度双子空间的多模态过程故障检测方法，该方法能有效的提取工业生产过程中原始多模态过程数据不同分布的特征信息，通过对过程数据的特征信息进行KS检验，分别建立高斯子空间和非高斯子空间的模型，根据Bayesian融合方法将两个子模型的各统计量的值转化成故障发生的概率，有效提高了多模态过程监控***的性能。
本发明的目的是通过以下技术方案实现的：
一种基于局部概率密度双子空间的多模态过程故障检测方法，所述方法包括以下检测过程：
原始工业过程数据服从不同的分布，局部概率密度双子空间方法的目的就是提高具有多模态和非高斯特征的工业过程故障检测效果；首先，收集正常生产操作条件下的历史数据集作为训练样本，对训练样本运用局部概率密度方法进行预处理，消除数据的多模态特性；然后用KS（Kolmogorov-Smirnov，KS）检验法检测预处理后的数据中变量的正态分布特性，对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和基于ICA的非高斯子空间故障检测模型；计算高斯子空间的Q和T2统计量，由核密度估计法确定Q和T2统计量的控制限Q lim 和T2 lim ；然后计算非高斯子空间的SPE和I2统计量，同样根据核密度估计法确定SPE和I2统计量的控制限SPE lim 和I2 lim ；最后，利用Bayesian决策将检测结果转化成发生故障概率的形式，将检测结果组合成最终的统计信息，进行故障检测；
所述的一种基于局部概率密度双子空间的多模态过程故障检测方法，所述述建模过程包括正常状态模型和故障检测模型；对于工业过程中的数据运用局部概率密度方法进行预处理，消除数据的多模态特性；用KS检验法检测预处理后的数据中变量的正态分布特性，对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型，并计算高斯子空间的Q和T2统计量及非高斯子空间的SPE和I2统计量；
所述的一种基于局部概率密度双子空间的多模态过程故障检测方法，所述故障检测模型将待检测样本预处理后投影到不同的子模型上计算其统计量，利用贝叶斯融合技术将各个子模型的检测结果进行组合，计算出统计量ESPE和ET2；将ESPE和ET2与控制限进行比较，根据统计量是否超过控制限来判断样本的状态。本发明的优点与效果是：
1. 本发明利用局部概率密度算法，剔除了数据的多模态特性。
2. 本发明能够有效地提取工业过程数据中的高斯和非高斯信息。由于工业过程的复杂性，采集到的数据往往遵循不同的分布。传统PCA要求数据服从高斯分布，在非高斯过程中的故障检测效果不理想，而ICA可以有效地提取数据的非高斯信息。本发明利用KS检验数据中变量的正态分布特性，对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型，从而有效地提取工业过程数据中的高斯和非高斯信息。
3. 本发明改善了故障检测效果。利用贝叶斯融合技术将各个子模型的检测结果进行融合形成统一的检测指标，与控制限比较进行故障检测。本发明确定控制限不需要数据的高斯分布假设，更具有普遍性意义，而且故障检测效果也得到了改善。
附图说明
图1为本发明基于局部概率密度双子空间的多模态过程故障检测的流程图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
本发明是运用局部概率密度算法对过程数据进行预处理，剔除原始数据的多模态信息。在预处理的基础上，使用KS算法将数据分为高斯子空间和非高斯子空间，使用PCA和ICA方法分别对高斯子空间和非高斯子空间的数据建立模型。利用Bayesian决策将检测结果转化成发生故障概率的形式，然后将检测结果组合成最终的统计信息，进行多模态过程的故障检测。本技术解决了如何有效地提取多模态过程数据中的高斯和非高斯信息问题。
基于局部概率密度双子空间的多模态过程故障检测技术：为了进行过程故障检测，需要利用已知的正常数据建模，然后对新来的数据进行检测。本发明将采集到的正常历史数据作为建模数据的训练集，用局部概率密度进行预处理以后，用KS检验法将数据空间分为高斯子空间和非高斯子空间。使用PCA和ICA方法分别对高斯子空间和非高斯子空间的数据进行处理，并计算出各子模型的统计量，再利用核密度估计法确定各子模型统计量的控制限。对于新来时刻的样本进行预处理后，把服从高斯分布的数据投影到PCA模型上，而把服从非高斯分布的数据投影到ICA模型上，并计算出各个子模型的统计量。最后，利用贝叶斯融合技术将各个子模型的检测结果进行组合后用于多模态过程的故障检测。
软件***：为了能够实现故障检测，本发明采用MathWorks公司的MALTAB软件编程开发。对工业过程中采集到的多模态过程数据进行检测，当待检测数据的统计量超过控制限时，则该时刻数据是故障的，即***出现故障，需要工作人员及时查明情况，排除险情。
本发明由以下两部分组成：正常状态模型和故障检测模型。对于工业过程中的正常历史数据，运用局部概率密度进行预处理以后，用KS检验法把数据分为高斯子空间和非高斯子空间。使用PCA和ICA方法分别对高斯子空间和非高斯子空间的数据进行处理，并计算出各子模型的统计量，再利用核密度估计法确定各子模型统计量的控制限。
对于新来时刻的数据，在进行预处理后，用KS检验法将数据空间分为高斯子空间和非高斯子空间。使用PCA和ICA方法分别对高斯子空间和非高斯子空间的数据建立模型，并计算出各子模型的统计量。最后，利用贝叶斯融合技术将各个子模型的检测结果进行组合计算出最终的统计量ESPE和ET2，并将其与控制限1-α进行比较，根据统计量是否超过控制限来判断该时刻数据是否正常。如果统计量超过控制限，则该时刻数据是故障的；否则是正常的，实现了基于局部概率密度双子空间的多模态过程故障检测。
本发明利用局部概率密度方法剔除工业过程数据的多模态特性，然后用KS检验法将数据空间分为高斯子空间和非高斯子空间。因为传统PCA方法假定采集的数据服从单峰或高斯分布，而传统ICA方法假定采集的数据服从非高斯分布，这样就可以使用PCA和ICA方法分别对高斯子空间和非高斯子空间的数据进行处理。与此同时，利用贝叶斯融合技术将各个子模型的检测结果进行组合后用于过程数据的故障检测，提高了多模态过程故障检测的精确度。

Claims (3)

1.一种基于局部概率密度双子空间的多模态过程故障检测方法，其特征在于，所述方法包括以下检测过程：
原始工业过程数据服从不同的分布，局部概率密度双子空间方法的目的就是提高具有多模态和非高斯特征的工业过程故障检测效果；首先，收集正常生产操作条件下的历史数据集作为训练样本，对训练样本运用局部概率密度方法进行预处理，消除数据的多模态特性；然后用KS（Kolmogorov-Smirnov，KS）检验法检测预处理后的数据中变量的正态分布特性，对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和基于ICA的非高斯子空间故障检测模型；计算高斯子空间的Q和T2统计量，由核密度估计法确定Q和T2统计量的控制限Q lim 和T2 lim ；然后计算非高斯子空间的SPE和I2统计量，同样根据核密度估计法确定SPE和I2统计量的控制限SPE lim 和I2 lim ；最后，利用Bayesian决策将检测结果转化成发生故障概率的形式，将检测结果组合成最终的统计信息，进行故障检测。
2.根据权利要求1所述的一种基于局部概率密度双子空间的多模态过程故障检测方法，其特征在于，所述述建模过程包括正常状态模型和故障检测模型；对于工业过程中的数据运用局部概率密度方法进行预处理，消除数据的多模态特性；用KS检验法检测预处理后的数据中变量的正态分布特性，对高斯分布和非高斯分布的数据分别建立基于PCA的高斯子空间和ICA的非高斯子空间故障检测模型，并计算高斯子空间的Q和T2统计量及非高斯子空间的SPE和I2统计量。
3.根据权利要求1所述的一种基于局部概率密度双子空间的多模态过程故障检测方法，其特征在于，所述故障检测模型将待检测样本预处理后投影到不同的子模型上计算其统计量，利用贝叶斯融合技术将各个子模型的检测结果进行组合，计算出统计量ESPE和ET2；将ESPE和ET2与控制限进行比较，根据统计量是否超过控制限来判断样本的状态。
CN201911219710.2A 2019-12-03 2019-12-03 一种基于局部概率密度双子空间的多模态过程故障检测方法 Withdrawn CN111045415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911219710.2A CN111045415A (zh) 2019-12-03 2019-12-03 一种基于局部概率密度双子空间的多模态过程故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911219710.2A CN111045415A (zh) 2019-12-03 2019-12-03 一种基于局部概率密度双子空间的多模态过程故障检测方法

Publications (1)

Publication Number Publication Date
CN111045415A true CN111045415A (zh) 2020-04-21

Family

ID=70234440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911219710.2A Withdrawn CN111045415A (zh) 2019-12-03 2019-12-03 一种基于局部概率密度双子空间的多模态过程故障检测方法

Country Status (1)

Country Link
CN (1) CN111045415A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679648A (zh) * 2020-05-22 2020-09-18 浙江浙能技术研究院有限公司 一种基于高斯过程回归的多变量闭环控制回路性能评估方法
CN114528939A (zh) * 2022-02-21 2022-05-24 南通大学 一种基于Kolmogorov-Smirnov检验的微小故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150160098A1 (en) * 2013-11-01 2015-06-11 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
CN104777830A (zh) * 2015-04-01 2015-07-15 浙江大学 一种基于kpca混合模型的多工况过程监控方法
CN104914775A (zh) * 2015-06-12 2015-09-16 华东理工大学 基于vine copula相关性描述的多模态过程故障检测方法及***
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
US20190219994A1 (en) * 2018-01-18 2019-07-18 General Electric Company Feature extractions to model large-scale complex control systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150160098A1 (en) * 2013-11-01 2015-06-11 Hitachi Power Solutions Co., Ltd. Health management system, fault diagnosis system, health management method, and fault diagnosis method
CN104777830A (zh) * 2015-04-01 2015-07-15 浙江大学 一种基于kpca混合模型的多工况过程监控方法
CN104914775A (zh) * 2015-06-12 2015-09-16 华东理工大学 基于vine copula相关性描述的多模态过程故障检测方法及***
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
US20190219994A1 (en) * 2018-01-18 2019-07-18 General Electric Company Feature extractions to model large-scale complex control systems

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUANG, J等: "Gaussian and non-Gaussian Double Subspace Statistical Process Monitoring Based on Principal Component Analysis and Independent Component Analysis", 《INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH》 *
刘舒锐等: "基于IJB-PCA-ICA算法的故障检测", 《化工学报》 *
郭校根等: "基于局部邻域标准化和贝叶斯推断的多工况过程监测", 《信息与控制》 *
钟娜等: "基于LECA的多工况过程故障检测方法", 《化工学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679648A (zh) * 2020-05-22 2020-09-18 浙江浙能技术研究院有限公司 一种基于高斯过程回归的多变量闭环控制回路性能评估方法
CN114528939A (zh) * 2022-02-21 2022-05-24 南通大学 一种基于Kolmogorov-Smirnov检验的微小故障检测方法
CN114528939B (zh) * 2022-02-21 2024-05-17 南通大学 一种基于Kolmogorov-Smirnov检验的微小故障检测方法

Similar Documents

Publication Publication Date Title
CN109675935B (zh) 一种变控制限的ipca轧制过程在线故障诊断方法
CN104390657B (zh) 一种发电机组运行参数测量传感器故障诊断方法及***
CN108229553B (zh) 一种otdr曲线数据分析方法
CN104793606B (zh) 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法
CN105511445A (zh) 基于局部近邻标准化矩阵的多模态过程故障检测方法
CN111045415A (zh) 一种基于局部概率密度双子空间的多模态过程故障检测方法
TWM575368U (zh) 智能化工具機雲端運算系統
CN116560327A (zh) 一种基于物联网的电动工具生产控制方法及***
CN110119579B (zh) 一种基于oica的复杂工业过程故障监测方法
CN105955214A (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
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN105184673A (zh) 一种配电网图模文件可视化离线校核方法
CN117421684B (zh) 基于数据挖掘和神经网络的异常数据监测与分析方法
CN117420967A (zh) 一种软件采集数据存储性能提升方法和***
CN111062364B (zh) 一种基于深度学习的监测装配操作的方法和装置
CN113934536B (zh) 面向边缘计算的数据采集方法
CN112630579A (zh) 一种伺服驱动器老化测试方法及***
CN116704729A (zh) 一种基于大数据分析的工业窑炉预警***及方法
CN104517034A (zh) 火电机组回路通道模型辨识方法和***
CN116748352A (zh) 一种金属弯管机加工参数监测控制方法、***及存储介质
CN115544772B (zh) 一种救生伞动态开伞仿真数据多元回归与拟合的方法、装置及终端
CN116079498A (zh) 一种刀具异常信号的识别方法
CN114155914B (zh) 基于宏基因组拼接错误的检测校正***
CN115526407A (zh) 基于因果机器学习的电网大数据安全检测预警方法及***
CN115659135A (zh) 一种面向多源异构工业传感器数据的异常检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200421