CN111736567A - 一种基于故障敏感慢特征的多块故障监测方法 - Google Patents
一种基于故障敏感慢特征的多块故障监测方法 Download PDFInfo
- Publication number
- CN111736567A CN111736567A CN202010397236.9A CN202010397236A CN111736567A CN 111736567 A CN111736567 A CN 111736567A CN 202010397236 A CN202010397236 A CN 202010397236A CN 111736567 A CN111736567 A CN 111736567A
- Authority
- CN
- China
- Prior art keywords
- fault
- slow
- sensitivity
- block
- training set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000035945 sensitivity Effects 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000009776 industrial production Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 17
- 230000002087 whitening effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000011272 standard treatment Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 23
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于故障敏感慢特征的多块故障监测方法，包括，采集工业生产***中的数据，并将所得数据划分为训练集和测试集；对训练集进行慢特征分析，计算出慢特征变换矩阵；定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征对故障的敏感程度；定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的选取，并作为训练子块；本发明通过对统计量计算公式的分析，定义故障敏感程度系数，对慢特征进行重新排序，选择变量方向上对故障最敏感的慢特征，并对每一维变量进行敏感慢特征的选择并进行并行监测，能够有效实现多个维度动态及大规模过程上有效的监测。
Description
技术领域
本发明涉及的工业生产过程故障监测和诊断技术领域，尤其涉及一种基于 故障敏感慢特征的多块故障监测方法。
背景技术
现代工业生产过程对产品质量和安全性的要求日益提高，若复杂工业过程 发生故障，则会造成巨大的损失，因此对过程进行有效的监控至关重要。随着 传感和检测技术飞速发展，工业生产的信息化程度不断提高，产生了大量的生 产过程数据，因而多元统计过程监控(MSPM)方法得到了广泛应用。其中主 元分析法(PCA)、偏最小二乘(PLS)和独立元分析(ICA)等是比较经典的 多元统计监控方法；然而这些方法都无法有效解决动态和大规模问题。
传统的MSPM方法是静态过程监视方法，认为样本彼此独立，换言之，当 前时刻的样本与过去时刻的样本无关。但是，由于工业过程非常复杂并且具有 未知的动态特性，因此静态监视方法将忽略重要的过程动态信息，从而导致监 视性能不佳。
以大规模和多个操作单元为特征的现代生产过程越来越多，而当这样的生 产过程发生故障时，可能只有部分变量受到影响，这时若只建立全局模型，那 么局部信息可能会被淹没，因此，多块或分布式过程监控成为一种有效的解决 方案。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。
鉴于上述现有故障监测方法不能有效对动态及大规模过程进行监测，提出 了本发明。
因此，本发明目的是提供一种基于故障敏感慢特征的多块故障监测方法。
为解决上述技术问题，本发明提供如下技术方案：一种基于故障敏感慢特 征的多块故障监测方法，包括，
采集工业生产***中的数据，并将所得数据划分为训练集和测试集；
对训练集进行慢特征分析，计算出慢特征变换矩阵；
定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征对故 障的敏感程度；
定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的选 取，并作为训练子块；
对每一个训练子块分别计算故障统计量，并采用支持向量数据描述模型计 算出超球体半径作为故障控制限；
对每一个测试样本分别计算出故障统计量，带入支持向量数据描述模型中 计算出距离球心的距离，通过比较与球心距与半径大小判断是否产生故障。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：采集工业生产***中数据，并将数据划分为训练集和测试集的步骤 包括：
通过传感器采集工业生产***中的数据；
根据不同工况，将数据分为正常数据和故障数据；
将正常数据作为训练集，其故障数据作为测试集；
分别对训练集和测试集进行标准化处理。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：传感器为温度传感器、压力传感器和流量传感器。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：训练集标准化处理步骤包括：
计算训练集X的平均值μ；
计算训练集X的标准差δ；
标准化后的训练集
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：测试集Y标准化处理的平均值和标准差采用训练集的平均值和标准 差；
其中，标准化后的测试集Y：
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：对训练集进行慢特征分析，计算出慢特征变换矩阵的步骤如下：
给定一个m维的时序信号，并按照由慢到快的顺序进行排列；
取慢特征的问题转为优化问题；
对线性慢特征分析进行变换；
采用SVD分解对数据作白化处理；
将优化问题转化为求解正交矩阵；
根据白化矩阵和正交矩阵获取慢特征变换矩阵。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：将故障敏感程度系数定义为：
εij＝|wij|
其中，εij为第i个慢特征对第j维变量上发生故障的敏感程度系数，wij为 慢特征变换矩阵中第i行第j列的元素。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：将故障敏感程度阈值定义为：
其中，εjlim为第j个变量维度上选择故障敏感慢特征的阈值，
为第 j个变量维度上最大的故障敏感系数，μ为一个0～1之间的系数。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：慢特征分析模型中故障统计量计算如下：
其中，sk为通过故障敏感程度所选择的慢特征矩阵。
作为本发明所述基于故障敏感慢特征的多块故障监测方法的一种优选方 案，其中：支持向量数据描述模型下的故障统计量与故障控制限如下：
s.t.||Φ(yi)-a||2≤R2+ξi
其中，R是超球体半径；a是超球体球心；惩罚系数C权衡超球体的体积和训 练样本的错误率；ξi是松弛变量。
其中，上式的优化问题可转化为求解其对偶问题的优化问题：
其中，K为核函数；αi为拉格朗日乘子；xi和xj为第i个和第j个训练样 本，支持向量为满足0＜αi＜C的样本；
其中，通过解决此优化问题，可得超球体半径：
其中，测试样本与超球体球心的距离为：
本发明的有益效果：本发明通过对统计量计算公式的分析，定义故障敏感 程度系数，对慢特征进行重新排序，选择变量方向上对故障最敏感的慢特征， 并对每一维变量进行敏感慢特征的选择并进行并行监测，能够有效实现多个维 度动态及大规模过程上有效的监测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：
图1为本发明基于故障敏感慢特征的多块故障监测方法的TE过程的工艺 流程图。
图2为本发明基于故障敏感慢特征的多块故障监测方法的建模流程图。
图3为本发明基于故障敏感慢特征的多块故障监测方法的传统方法PCA 对TE过程故障16的监测结果图。
图4为本发明基于故障敏感慢特征的多块故障监测方法对TE过程故障16 的监测结果图。
图5为本发明基于故障敏感慢特征的多块故障监测方法的基于传统慢特征 排序下各慢特征的统计量贡献百分比。
图6为本发明基于故障敏感慢特征的多块故障监测方法的基于故障敏感程 度重新排序后各慢特征的统计量贡献百分比。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便 于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图 只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长 度、宽度及深度的三维空间尺寸。
实施例1
参照图1，提供了一种基于故障敏感慢特征的多块故障监测方法的整体结 构示意图，如图1，一种基于故障敏感慢特征的多块故障监测方法包括步骤，
S1：采集工业生产***中的数据，并将所得数据划分为训练集和测试集；
S2：对训练集进行慢特征分析，计算出慢特征变换矩阵；
S3：定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征 对故障的敏感程度；
S4：定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的 选取，并作为训练子块；
S5：对每一个训练子块分别计算故障统计量，并采用支持向量数据描述 (SVDD)模型计算出超球体半径作为故障控制限；
S6：对每一个测试样本分别计算出故障统计量，带入支持向量数据描述(SVDD)模型中计算出距离球心的距离，通过比较与球心距与半径大小判断 是否产生故障。
本发明针对动态大规模工业过程，提出故障敏感慢特征的概念，通过对统 计量计算公式的分析，定义故障敏感程度系数，对慢特征进行重新排序，选择 变量方向上对故障最敏感的慢特征；然后基于多块监测的思想，对每一维变量 进行敏感慢特征的选择并进行并行监测，这样无论故障发生在哪个维度上都可 以对其进行有效的监测；最终将子块监测结果通过SVDD融合为一个直观的监 测结果，为动态故障监测提供了一种多块监测方法。
具体的，本方法包括，
S1：采集工业生产***中的数据，并将数据划分为训练集和测试集；
其中，采集工业生产***中的数据，并将数据划分为训练集和测试集的步 骤包括：
S11：通过传感器采集工业生产***(田纳西-伊斯曼过程，高炉炼铁生产 设备)中数据；需说明的是，传感器为温度传感器、压力传感器和流量传感器 等，工业生产***为田纳西-伊斯曼过程或高炉炼铁工业生产线涉及到的设备， 如反应器、冷凝器、压缩机、分离器和汽提塔等；
S12：根据不同工况，将所得数据分为正常数据和故障数据；其中，采集 工况包括正常工况和故障工况；
S13：将正常数据作为训练集，而故障数据作为测试集；
S14：分别对正常数据和故障数据进行标准化处理。
需说明的是，训练集标准化处理步骤包括：
计算训练集X的平均值μ；
计算训练集X的标准差δ；
标准化后的训练集
需强调的是，测试集Y的平均值和标准差采用训练集的平均值和标准差。
S2：对训练集进行慢特征分析，计算出慢特征变换矩阵；
其中，对训练集进行慢特征分析，计算出慢特征变换矩阵的步骤如下：
给定一个m维的时序信号，并按照由慢到快的顺序进行排列；
取慢特征的问题转为优化问题；
对线性慢特征分析进行变换；
采用SVD分解对数据作白化处理；
将优化问题转化为求解正交矩阵；
根据白化矩阵和正交矩阵获取慢特征变换矩阵。
具体的，慢特征分析及慢特征变换矩阵的计算如下：给定一个m维的时序 信号x(t)＝[x1(t),x2(t),...,xm(t)]，慢特征分析的目的就是找到一个变换函数 g(t)＝[g1(t),g2(t),...,gm(t)]以保证提取的目标特征 s(t)＝g[x(t)]＝[s1(t),s2(t),...,sm(t)]按照由慢到快的顺序进行排列。提取慢特征 的问题可以转为以下优化问题：
<si>t＝0(零均值约束)
<si,sj>t＝0,i≠j(不相关约束)
其中si为第i个慢特征；Δs为慢特征的一阶差分；<·>为序列的期望。
线性慢特征分析可变换成如下形式：
s(t)＝Wx(t)
其中，W为变换矩阵。
为了计算出W，首先采用SVD分解，对数据作白化处理以满足上述约束。 R＝<x(t)x(t)T>t为x(t)的协方差矩阵，对其进行SVD分解：
R＝UΛUT
其中，U为特征向量矩阵，Λ为包含特征值的对角阵，白化矩阵为Q＝Λ-1/2UT。
数据(即训练集)进行白化后可写为：
z＝Λ-1/2UTx＝Qx
其中，“z”表示对原始数据进行白化处理后的数据；
因此，慢特征可由下式得到：
s＝Wx＝WQ-1z＝Pz
其中，“P”是由训练集提取的慢特征，其P＝WQ-1。
因为，<z>t＝0，满足第一个约束。
约束二和三等效于以下等式：
<ssT>＝P<zzT>tPT＝PPT＝I
因此，上述优化问题可进一步转化为求解正交矩阵P，使得
最小。 通过对<(Δz)(Δz)T>进行SVD(表示奇异值分解)分解，可得：
<(Δz)(Δz)T>t＝PTΩP
其中，△z表示z的差分；
然后，可由一下等式得到慢特征变换矩阵W：
W＝PQ＝PΛ-1/2UT
S3：定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征 对故障的敏感程度；
其中，故障敏感程度系数定义如下：
εij＝|wij|
其中εij为第i个慢特征对第j维变量上发生故障的敏感程度系数，wij为慢 特征变换矩阵中第i行第j列的元素。
S4：定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的 选取，并作为训练子块；
其中，故障敏感程度阈值定义如下：
其中为εjlim第j个变量维度上选择故障敏感慢特征的阈值，
为第j 个变量维度上最大的故障敏感系数，μ为一个0～1之间的系数。
S5：对每一个训练子块分别计算故障统计量，并采用支持向量数据描述 (SVDD)模型计算出超球体半径作为故障控制限；
其中：慢特征分析模型中故障统计量计算如下：
其中，sk为通过故障敏感程度所选择的慢特征矩阵
支持向量数据描述(SVDD)模型下的故障统计量与故障控制限如下：
s.t.||Φ(yi)-a||2≤R2+ξi
其中，R是超球体半径；a是超球体球心；惩罚系数C权衡超球体的体积 和训练样本的错误率；ξi是松弛变量。上式的优化问题可转化为求解其对偶问 题的优化问题：
其中，K为核函数；αi为拉格朗日乘子；xi和xj为第i个和第j个训练样 本；支持向量为满足0＜αi＜C的样本。
通过解决此优化问题，可得超球体半径：
作为新的故障控制限。
S6：对每一个测试样本分别计算出故障统计量，带入支持向量数据描述 (SVDD)模型中计算出距离球心的距离，通过比较与球心距与半径大小判断 是否产生故障。
测试样本与超球体球心的距离为：
作为新的故障统计量。
若测试样本与超球体球心的距离大于超球体半径，即为超限，超限表示发 生故障，将对其进行故障隔离并发送警报提醒；未超限，表示正常。
实施例2
为了验证所提方法的有效性和可行性，在田纳西-伊斯曼(Tennessee Eastman，简称TE)软件平台上搭建了五个主要单元：反应器、冷凝器、压缩 机、分离器和汽提塔，如图1所示，包含22个过程测量变量、19个成分测量变 量以及12个操作变量仿真模型，需说明，TE过程模型由伊斯曼化学公司创建 并用于评价过程控制和监控方法的一个现实的工业过程；在TE过程共预设了 21种不同类型的故障，故障类型有阶跃变化、随机变化、缓慢漂移、阀门黏滞， 其中16个为已知故障，5个为未知故障；实验中采用正常工况下的960个样本 作为训练数据集，故障工况下的960个样本作故障测试集，故障均从第161个样 本点引入，表1所示为TE过程21种故障描述。
表1TE过程故障描述
采用本发明提出的基于故障敏感慢特征的多块故障监测方法，选取TE过 程中22个过程测量变量以及除搅拌速度外的11个操作变量共33个变量用于 建模与监测，如表2所示。对训练数据集进行慢特征分析，得到慢特征变换矩 阵W；通过定义的故障敏感系数εij和阈值εjlim(本方法中μ的值选择为0.6)对 33维变量分别进行故障敏感慢特征的选择，因此可得33个子块，具体的分块 结果如表3所示。
表2TE过程监测变量
表3子块划分结果
| 子块序号 | 慢特征序号 | 子块序号 | 慢特征序号 |
| 1 | 16,25,27 | 18 | 5 |
| 2 | 16,21,32 | 19 | 13,30 |
| 3 | 6,7,8,9,20,28 | 20 | 4,16,23 |
| 4 | 11 | 21 | 32 |
| 5 | 14,15,19,30 | 22 | 5,31 |
| 6 | 18 | 23 | 7,9,12,14,26,32 |
| 7 | 12,21,26,27 | 24 | 7,8,9,20,28 |
| 8 | 14,17,23,25,31 | 25 | 16,25,27 |
| 9 | 11,15,21,26,33 | 26 | 12,17,27 |
| 10 | 18,21,28,29,30 | 27 | 17,21,22,29,31 |
| 11 | 4,8,10,11,22,23,31,32 | 28 | 18,21,27,28,29,30 |
| 12 | 22,28,30 | 29 | 22,28,30 |
| 13 | 12,14,23,26,27 | 30 | 24 |
| 14 | 16,19,23,25,30,31 | 31 | 5,13 |
| 15 | 24 | 32 | 11,15,33 |
| 16 | 14,21,22,23 | 33 | 3,4,5 |
| 17 | 3,4,5 |
表4给出了传统PCA故障监测方法与本发明方法对TE过程18种故障的监 测结果，故障3、9、15在诸多方法均难以被监测到，所 以在此不做比较。可以看出本发明方法在所有故障情况下的监测结果均优于传 统PCA故障监测方法(表中数字含义为故障检测率，数值越大说明监测效果越 好)。
为进一步说明本发明方法的性能，选取故障16做详细分析。图5和图6为 PCA方法和本发明方法下的监测结果。由图可以看出本发明方法下的故障监测 效果明显优于PCA方法下的故障监测效果，故障检测率达到0.95。图5为按照 传统慢特征排序时各慢特征对应的统计量的贡献百分比，表明对该故障的敏感 程度。由图可知，当选择最慢的慢特征对故障进行监测时，可能无法获得最大 的统计量贡献值，这是因为最慢的特征不一定对故障最敏感。图6为经过故障 敏感程度重新排序后子块31中各慢特征对应的统计量的贡献百分比。由于变量 31是故障16发生的主要原因，因此子块31中以敏感系数ε排序的慢特征对故障的敏感程度是依次减少的，由此保证根据阈值选择后的慢特征总是对故障最 敏感，进而提升了模型的监测性能。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和 布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅 此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖 教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结 构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使 用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或 元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围 内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺 序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的 执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明 的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他 替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展 至仍落在所附的权利要求书的范围内的多种改型。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的 所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于 实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项 目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时 的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所 述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于故障敏感慢特征的多块故障监测方法，其特征在于：包括，
采集工业生产***中的数据，并将所得数据划分为训练集和测试集；
对训练集进行慢特征分析，计算出慢特征变换矩阵；
定义故障敏感程度系数，并由慢特征变换矩阵中的系数得出各慢特征对故障的敏感程度；
定义故障敏感程度阈值，对训练集每一维变量进行故障敏感慢特征的选取，并作为训练子块；
对每一个训练子块分别计算故障统计量，并采用支持向量数据描述模型计算出超球体半径作为故障控制限；
对每一个测试样本分别计算出故障统计量，带入支持向量数据描述模型中计算出距离球心的距离，通过比较与球心距与半径大小判断是否产生故障。
2.如权利要求1所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：所述采集工业生产***中数据，并将数据划分为训练集和测试集的步骤包括：
通过传感器采集工业生产***中的数据；
根据不同工况，将数据分为正常数据和故障数据；
将正常数据作为训练集，其故障数据作为测试集；
分别对训练集和测试集进行标准化处理。
3.如权利要求2所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：所述传感器为温度传感器、压力传感器和流量传感器。
4.如权利要求2或3所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：训练集标准化处理步骤包括：
计算训练集X的平均值μ；
计算训练集X的标准差δ；
标准化后的训练集
5.如权利要求4所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：测试集Y标准化处理的平均值和标准差采用训练集的平均值和标准差；
其中，标准化后的测试集Y：
6.如权利要求5所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：对训练集进行慢特征分析，计算出慢特征变换矩阵的步骤如下：
给定一个m维的时序信号，并按照由慢到快的顺序进行排列；
取慢特征的问题转为优化问题；
对线性慢特征分析进行变换；
采用SVD分解对数据作白化处理；
将优化问题转化为求解正交矩阵；
根据白化矩阵和正交矩阵获取慢特征变换矩阵。
7.如权利要求5或6所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：将故障敏感程度系数定义为：
εij＝|wij|
其中，εij为第i个慢特征对第j维变量上发生故障的敏感程度系数，wij为慢特征变换矩阵中第i行第j列的元素。
8.如权利要求7所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：将故障敏感程度阈值定义为：
其中，εjlim为第j个变量维度上选择故障敏感慢特征的阈值，
为第j个变量维度上最大的故障敏感系数，μ为一个0～1之间的系数。
9.如权利要求8所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：慢特征分析模型中故障统计量计算如下：
其中，sk为通过故障敏感程度所选择的慢特征矩阵。
10.如权利要求8或9所述的基于故障敏感慢特征的多块故障监测方法，其特征在于：支持向量数据描述模型下的故障统计量与故障控制限如下：
s.t.||Φ(yi)-a||2≤R2+ξi
其中，R是超球体半径；a是超球体球心；惩罚系数C权衡超球体的体积和训练样本的错误率；ξi是松弛变量。
其中，上式的优化问题可转化为求解其对偶问题的优化问题：
其中，K为核函数；αi为拉格朗日乘子；xi和xj为第i个和第j个训练样本，支持向量为满足0＜αi＜C的样本；
其中，通过解决此优化问题，可得超球体半径：
其中，测试样本与超球体球心的距离为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397236.9A CN111736567B (zh) | 2020-05-12 | 2020-05-12 | 一种基于故障敏感慢特征的多块故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397236.9A CN111736567B (zh) | 2020-05-12 | 2020-05-12 | 一种基于故障敏感慢特征的多块故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111736567A true CN111736567A (zh) | 2020-10-02 |
| CN111736567B CN111736567B (zh) | 2021-10-26 |
Family
ID=72647132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010397236.9A Active CN111736567B (zh) | 2020-05-12 | 2020-05-12 | 一种基于故障敏感慢特征的多块故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111736567B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
| CN113092907A (zh) * | 2021-04-02 | 2021-07-09 | 长春工业大学 | 一种基于分块慢特征分析的***故障检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054840A (zh) * | 2016-06-29 | 2016-10-26 | 北京科技大学 | 一种全流程产品质量在线管控*** |
| CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
| JP2018026052A (ja) * | 2016-08-12 | 2018-02-15 | トヨタ自動車株式会社 | システム故障解析方法 |
| CN108716398A (zh) * | 2018-06-21 | 2018-10-30 | 中国石油大学(北京) | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
-
2020
- 2020-05-12 CN CN202010397236.9A patent/CN111736567B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054840A (zh) * | 2016-06-29 | 2016-10-26 | 北京科技大学 | 一种全流程产品质量在线管控*** |
| JP2018026052A (ja) * | 2016-08-12 | 2018-02-15 | トヨタ自動車株式会社 | システム故障解析方法 |
| CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
| CN108716398A (zh) * | 2018-06-21 | 2018-10-30 | 中国石油大学(北京) | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 索寒生，等: "基于SFA的工业过程质量相关的在线故障检测", 《控制工程》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112631258B (zh) * | 2020-12-29 | 2021-11-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
| CN112947150B (zh) * | 2021-01-28 | 2023-02-28 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
| CN113092907A (zh) * | 2021-04-02 | 2021-07-09 | 长春工业大学 | 一种基于分块慢特征分析的***故障检测方法 |
| CN113092907B (zh) * | 2021-04-02 | 2023-02-03 | 长春工业大学 | 一种基于分块慢特征分析的***故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111736567B (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111736567B (zh) | 一种基于故障敏感慢特征的多块故障监测方法 | |
| 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 | |
| CN107493277B (zh) | 基于最大信息系数的大数据平台在线异常检测方法 | |
| CN111046341A (zh) | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 | |
| 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 | |
| CN109507972B (zh) | 基于分层式非高斯监测算法的工业生产过程故障监测方法 | |
| CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
| CN110794797A (zh) | 一种基于互信息和多块信息提取的pca故障监测方法 | |
| Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
| Lee et al. | Assessing the lifetime performance index of exponential products with step-stress accelerated life-testing data | |
| CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
| CN112990379A (zh) | 一种基于聚类的输电塔风荷载易损性快速分析方法及设备 | |
| CN112000081A (zh) | 基于多块信息提取和马氏距离的故障监测方法及*** | |
| CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
| CN103995985B (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
| CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
| CN113011086B (zh) | 一种基于ga-svr算法森林生物量的估测方法 | |
| CN114297921A (zh) | 基于am-tcn的故障诊断方法 | |
| CN117521518A (zh) | 一种基于机器学习的镁合金热处理工艺优化方法 | |
| CN113253682B (zh) | 非线性化工过程故障检测方法 | |
| CN115615466A (zh) | 一种复杂工程***健康状态确定方法及*** | |
| CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
| CN110501986B (zh) | 一种基于加权部分互信息的质量相关过程监控方法 | |
| CN114997216A (zh) | 一种基于张量多模态特征高阶匹配的轴承故障识别方法 | |
| Geng et al. | Fault diagnosis of chemical processes based on a novel adaptive kernel principal component analysis |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240110 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province Patentee before: Jiangnan University |
|
| TR01 | Transfer of patent right |