CN112000081B - 基于多块信息提取和马氏距离的故障监测方法及*** - Google Patents

基于多块信息提取和马氏距离的故障监测方法及*** Download PDF

Info

Publication number
CN112000081B
CN112000081B CN202010897994.7A CN202010897994A CN112000081B CN 112000081 B CN112000081 B CN 112000081B CN 202010897994 A CN202010897994 A CN 202010897994A CN 112000081 B CN112000081 B CN 112000081B
Authority
CN
China
Prior art keywords
data set
sample
sub
block information
fault
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
CN202010897994.7A
Other languages
English (en)
Other versions
CN112000081A (zh
Inventor
熊伟丽
吴晓东
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.)
Dragon Totem Technology Hefei Co ltd
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202010897994.7A priority Critical patent/CN112000081B/zh
Publication of CN112000081A publication Critical patent/CN112000081A/zh
Application granted granted Critical
Publication of CN112000081B publication Critical patent/CN112000081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种基于多块信息提取和马氏距离的故障监测方法及***，方法包括：获取原始正常工况数据集X0及待测样本x，对X0进行标准化处理得到原始正常工况标准数据集
Figure DDA0002658991840000011
对x进行标准化操作得到待测标准样本xμ；对
Figure DDA0002658991840000012
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，对xμ进行多块信息提取，得到第三子块信息
Figure DDA0002658991840000013
和第四子块信息
Figure DDA0002658991840000014
分别求
Figure DDA0002658991840000015
第一子块信息数据集和第二子块信息数据集的统计量及控制限；根据贝叶斯推断，将xμ、
Figure DDA0002658991840000016
和
Figure DDA0002658991840000017
的监测结果融合为
Figure DDA0002658991840000018
统计量并判断是否故障。本方案，可提高对微小偏移和脉冲振荡类型故障的检出率，对非线性非高斯数据有一定的监测优势，同时改善了传统kNN故障监测方法的监测性能。

Description

基于多块信息提取和马氏距离的故障监测方法及***
技术领域
本发明涉及复杂工业过程建模和故障诊断领域,尤其涉及一种基于多块信息提取和马氏距离的故障监测方法及***。
背景技术
故障监测是通过统计学方法对生产过程中的数据进行定量分析，不仅可以改善产品质量还可以提升过程的安全性。随着生产过程工艺复杂性及自动化程度的提高，过程变量逐渐增多，生产过程数据量也成倍地增加。在这样的背景下，基于过程数据的多变量统计分析故障监测算法被广泛应用于过程监控领域。其中常见的多元统计过程监控方法主要有主元分析法(PCA)、偏最小二乘法 (PLS)、独立元分析法(ICA)及kNN故障监测方法。kNN故障监测方法根据故障样本与正常样本相比会产生偏移量的特性，寻找故障样本的前k个最近邻样本，构造统计量进行过程监控。
寻找故障样本的前k个最近邻样本，也可称为K近邻集，经常采用的距离计算方法有欧式距离计算法和马氏距离计算法。欧式距离计算法比较简单，但存在着赋予样本偏移量相同权重的弊端，同时如果在计算距离之前没有对故障样本数据进行标准化处理，最终结果会在很大程度上受量纲影响。马氏距离在计算过程中会考虑数据集分布特性即数据集内变量和变量的相关性。因此，选取不同距离公式计算的相同两点间的距离是不同的，从而也会影响kNN故障监测方法的监测结果。He等首先基于k近邻规则，采用样本与其最近邻的k个样本欧氏距离的平方和作为统计量，提出了kNN故障监测方法；Ferreira等在kNN 故障监测方法的基础上，将近邻样本搜寻与统计量计算中的欧式距离换为马氏距离，提升了kNN故障监测方法的性能。
由于在现代复杂工业过程中，过程变量经常来自许多不同的操作单元，导致全局建模策略存在统计量计算困难且不易解释等问题。基于多块建模策略的监测方法越来越多地得到应用，多块建模中数据的分块对监测结果会产生很大的影响。Song等通过局部异常因子对数据分块；Wang等利用KL散度对数据进行分块；王振雷等首先通过J-B监测将数据分成高斯子块与非高斯子块，接着利用Hellinger距离对子块进一步划分；Ge等将原始非线性空间近似为多个线性子空间。这些多块建模方法都在原始数据集上进行子块划分，在某种意义上忽略了原始数据集中隐含的部分有效信息，而提取这部分隐含的有效信息有利于提高监测算法的性能。因此在kNN故障监测模型中，选用何种距离公式寻找近邻样本、计算统计量以及如何提取数据集中隐含的有效信息构造子块从而达到较准确地监测故障，成为本领域的一大难题。
发明内容
针对传统kNN故障检测仅考虑近邻样本观测信息的问题，提出一种基于多块信息提取和马氏距离的故障监测方法。
第一方面，根据本发明实施例提供一种基于多块信息提取和马氏距离的故障监测方法，用于对TE过程中的故障进行监测，包括如下步骤：
步骤S12、获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000021
及对待测样本x进行标准化操作得到待测标准样本xμ；
步骤S14、对所述原始正常工况标准数据集
Figure BDA0002658991820000022
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure BDA0002658991820000023
和第四子块信息
Figure BDA0002658991820000024
步骤S16、分别求取原始正常工况标准数据集
Figure BDA0002658991820000025
第一子块信息数据集、第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000026
和第四子块信息
Figure BDA0002658991820000027
的统计量，并求取原始正常工况标准数据集
Figure BDA0002658991820000028
第一子块信息数据集和第二子块信息数据集的控制限；
步骤S18、根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA0002658991820000031
统计量并判断是否故障。
在一个实施例中，所述对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000032
采用的第一数学模型为：
Figure BDA0002658991820000033
其中，x表示原始正常工况数据集X0∈Rm×n中的一个样本，x*表示样本x经过标准化后处理后得到的原始正常工况标准数据集
Figure BDA0002658991820000034
中对应的样本， mean(X0)表示原始正常工况数据集X0按行求均值得到的均值向量，std(X0)表示原始正常工况数据集X0按行求标准差得到的标准差向量，m代表样本维数，n代表样本个数；所述原始正常工况数据集X0为矩阵。
在一个实施例中，所述对所述原始正常工况标准数据集
Figure BDA0002658991820000035
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，包括：
从原始正常工况标准数据集
Figure BDA0002658991820000036
中提取累计信息数据集DInt，采用的第二数学模型为：
Figure BDA0002658991820000037
从原始正常工况标准数据集
Figure BDA0002658991820000038
中提取变化率信息数据集DDif，采用的第三数学模型为：
Figure BDA0002658991820000039
其中，
Figure BDA00026589918200000310
为累计信息数据集DInt中的第i个样本，由于累计信息数据集DInt的获取需要前置样本，前T个样本点无法提取出累计信息数据集，故DtnI∈R(m×n)T-。
Figure BDA00026589918200000311
为变化率信息数据集DDif中第i个样本，DDif∈Rm×(n-T)。
在一个实施例中，所述分别求取原始正常工况标准数据集
Figure BDA0002658991820000041
第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000042
和第四子块信息
Figure BDA0002658991820000043
的统计量，包括：
分别对
Figure BDA0002658991820000044
累计信息数据集DInt、变化率信息数据集DDif、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000045
及第四子块信息
Figure BDA0002658991820000046
采用马氏距离故障监测方法建模，得到各数据集的第i个样本的统计量
Figure BDA0002658991820000047
采用的第四数学模型为：
Figure BDA0002658991820000048
其中，统计量
Figure BDA0002658991820000049
为各数据集的第i个样本的统计量。
在一个实施例中，所述求取原始正常工况标准数据集
Figure BDA00026589918200000410
第一子块信息数据集和第二子块信息数据集的控制限，包括：
根据核密度估计方法和置信度确定各数据集的控制限
Figure BDA00026589918200000411
采用的第五数学模型为：
Figure BDA00026589918200000412
其中，xi是数据集中待测统计量的第i个样本，x是
Figure BDA00026589918200000413
中的元素，
Figure BDA00026589918200000414
是样本 xi在其补集
Figure DEST_PATH_DEST_PATH_1
上的k近邻样本集，d2(xi,x)表示样本xi、x间马氏距离的平方。
在一个实施例中，所述根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA00026589918200000416
统计量并判断是否故障，包括：
根据各数据集
Figure BDA00026589918200000417
的D2统计量和控制限计算该数据集
Figure BDA00026589918200000418
中该样本为故障样本的概率
Figure BDA00026589918200000419
根据该数据集
Figure BDA00026589918200000420
中该样本为故障样本的概率
Figure BDA00026589918200000421
及故障样本条件下数据集
Figure BDA00026589918200000422
的似然函数
Figure BDA00026589918200000423
确定
Figure BDA00026589918200000424
统计量；
根据该样本为故障样本的概率
Figure BDA00026589918200000425
及
Figure BDA00026589918200000426
统计量确定待测样本是否故障。
在一个实施例中，所述根据该样本为故障样本的概率
Figure BDA00026589918200000427
及
Figure BDA00026589918200000428
统计量确定待测样本是否故障，包括：
当
Figure BDA0002658991820000051
统计量大于等于故障样本的概率
Figure BDA0002658991820000052
时，则确定待测样本发生了故障。
在一个实施例中，在本发明实施例中，所述根据各数据集
Figure BDA0002658991820000053
的D2统计量和控制限计算该数据集
Figure BDA0002658991820000054
中该样本为故障样本的概率
Figure BDA0002658991820000055
采用的第六数学模型为：
Figure BDA0002658991820000056
其中，
Figure BDA0002658991820000057
中i为1、2、3，
Figure BDA0002658991820000058
为待测标准样本xμ，
Figure BDA0002658991820000059
为第三子块信息
Figure BDA00026589918200000510
Figure BDA00026589918200000511
第四子块信息
Figure BDA00026589918200000512
Figure BDA00026589918200000513
为故障样本条件下数据集
Figure BDA00026589918200000514
的似然函数，
Figure BDA00026589918200000515
为正常样本条件下数据集
Figure BDA00026589918200000516
的似然函数，
Figure BDA00026589918200000517
是正常样本的先验概率，
Figure BDA00026589918200000518
是故障样本的先验概率；
所述根据该数据集
Figure BDA00026589918200000519
中该样本为故障样本的概率
Figure BDA00026589918200000520
及故障样本条件下数据集
Figure BDA00026589918200000521
的似然函数
Figure BDA00026589918200000522
确定
Figure BDA00026589918200000523
统计量，采用的第七数学模型为：
Figure BDA00026589918200000524
Figure RE-GDA00027014036000000525
统计量控制限为1-β；当
Figure RE-GDA00027014036000000526
统计量超过控制限时，则认为该监测样本发生了故障。
在一个实施例中，故障样本条件下数据集
Figure BDA00026589918200000527
的似然函数
Figure BDA00026589918200000528
正常样本条件下数据集
Figure BDA00026589918200000529
的似然函数
Figure BDA00026589918200000530
的求取模型为：
Figure BDA00026589918200000531
其中
Figure BDA00026589918200000532
分别表示待测样本在第i个子块上的统计量和控制限。
第二方面，根据本发明实施例提供一种基于多块信息提取和马氏距离的故障监测***，用于对TE过程中的故障进行监测，包括：
标准化处理模块，用于获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000061
及对待测样本x进行标准化操作得到待测标准样本xμ；
信息提取模块，用于对所述原始正常工况标准数据集
Figure BDA0002658991820000062
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure BDA0002658991820000063
和第四子块信息
Figure BDA0002658991820000064
统计量求取模块，用于分别求取原始正常工况标准数据集
Figure BDA0002658991820000065
第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000066
和第四子块信息
Figure BDA0002658991820000067
的统计量，并求取原始正常工况标准数据集
Figure BDA0002658991820000068
第一子块信息数据集和第二子块信息数据集的控制限；
故障诊断模块，用于根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA0002658991820000069
统计量并判断是否故障。
本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测方法及***，一方面可以提高对微小偏移和脉冲振荡类型故障的检出率，另一方面相较于PCA方法对于非线性非高斯数据有一定的监测优势，同时改善了传统kNN 故障监测方法的监测性能。
附图说明
图1为本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测方法的流程图；
图2为本发明实施例提供的方法生成控制限的示意图；
图3为本发明实施例提供的方法确定样本是否故障的结构示意图；
图4a为本发明实施例提供的方法在数值仿真采用kNN故障监测(FD-kNN) 方法的故障检测方法监测结果示意图；
图4b为本发明实施例提供的方法在数值仿真采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法的监测结果示意图；
图5a为kNN故障监测(FD-kNN)方法对数值仿真的诊断结果示意图；
图5b为基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法对数值仿真的诊断结果示意图；
图6a为采用本发明实施例的方法监测到的原始正常工况标准数据集
Figure BDA0002658991820000071
中故障变量x2的曲线图；
图6b为采用本发明实施例的方法监测到的原始正常工况标准数据集的第一子块信息数据集中故障变量x2的曲线图；
图6c为采用本发明实施例的方法监测到的原始正常工况标准数据集的第二子块信息数据集中故障变量x2的曲线图；
图6d为采用本发明实施例的方法监测到的原始正常工况标准数据集中故障变量x3的曲线图；
图6e为采用本发明实施例的方法监测到的原始正常工况标准数据集的第一子块信息数据集中故障变量x3的曲线图；
图6f为采用本发明实施例的方法监测到的原始正常工况标准数据集的第二子块信息数据集中故障变量x3的曲线图；
图7为采用本发明实施例的方法监测到的TE过程故障11的诊断结果示意图；
图8为TE过程对于故障11，原始正常工况标准数据集的第一子块信息数据集、原始正常工况标准数据集的第二子块信息数据集中变量9和32的曲线图；
图9a为FD-kNN方法对TE过程中的故障11的监测结果示意图；
图9b为MD-kNN方法对TE过程中故障11的监测结果示意图；
图9c为采用本发明实施例的监测方法对TE过程中的故障11的监测结果示意图；
图10为本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测***的模块图。
具体实施方式
本发明实施例公开一种基于多块信息提取和马氏距离的故障监测方法，用于对TE过程中的故障进行监测，参见图1所示，包括如下步骤：
步骤S12、获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000081
及对待测样本x进行标准化操作得到待测标准样本xμ；
步骤S14、对所述原始正常工况标准数据集
Figure BDA0002658991820000082
进行多块信息提取，得到第一子块信息数据集、第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure BDA0002658991820000083
和第四子块信息
Figure BDA0002658991820000084
步骤S16、分别求取原始正常工况标准数据集
Figure BDA0002658991820000085
第一子块信息数据集、第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000086
和第四子块信息
Figure BDA0002658991820000087
的统计量，并求取原始正常工况标准数据集
Figure BDA0002658991820000088
第一子块信息数据集和第二子块信息数据集的控制限；
步骤S18、根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA0002658991820000089
统计量并判断是否故障。
在本发明实施例中，步骤S12中对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000091
采用的第一数学模型为：
Figure BDA0002658991820000092
其中，x表示原始正常工况数据集X0∈Rm×n中的一个样本，x*表示样本x经过标准化后处理后得到的原始正常工况标准数据集
Figure BDA0002658991820000093
中对应的样本， mean(X0)表示原始正常工况数据集X0按行求均值得到的均值向量，std(X0)表示原始正常工况数据集X0按行求标准差得到的标准差向量，m代表样本维数，n代表样本个数；所述原始正常工况数据集X0为矩阵。
在本发明实施例中，步骤S14中，对所述原始正常工况标准数据集
Figure BDA0002658991820000094
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，包括：
从原始正常工况标准数据集
Figure BDA0002658991820000095
中提取累计信息数据集DInt，采用的第二数学模型为：
Figure BDA0002658991820000096
从原始正常工况标准数据集
Figure BDA0002658991820000097
中提取变化率信息数据集DDif，采用的第三数学模型为：
Figure BDA0002658991820000098
其中，
Figure BDA0002658991820000099
为累计信息数据集DInt中的第i个样本，由于累计信息数据集DInt的获取需要前置样本，前T个样本点无法提取出累计信息数据集，故DtnI∈R(m×n)T-。
Figure BDA00026589918200000910
为变化率信息数据集DDif中第i个样本，DDif∈Rm×(n-T)。
在本发明实施例中，步骤S16中，分别求取原始正常工况标准数据集
Figure BDA00026589918200000911
第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA00026589918200000912
和第四子块信息
Figure BDA00026589918200000913
的统计量，包括：
分别对
Figure BDA0002658991820000101
累计信息数据集DInt、变化率信息数据集DDif、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000102
及第四子块信息
Figure BDA0002658991820000103
采用马氏距离故障监测方法建模，得到各数据集的第i个样本的统计量
Figure BDA0002658991820000104
采用的第四数学模型为：
Figure BDA0002658991820000105
其中，统计量
Figure BDA0002658991820000106
为各数据集的第i个样本的统计量。
所述求取原始正常工况标准数据集
Figure BDA0002658991820000107
第一子块信息数据集和第二子块信息数据集的控制限，包括：
根据核密度估计方法和置信度确定各数据集的控制限
Figure BDA0002658991820000108
采用的第五数学模型为：
Figure BDA0002658991820000109
其中，xi是数据集中待测统计量的第i个样本，x是
Figure BDA00026589918200001010
中的元素，
Figure BDA00026589918200001011
是样本 xi在其补集
Figure 978451DEST_PATH_DEST_PATH_1
上的k近邻样本集，d2(xi,x)表示样本xi、x间马氏距离的平方。
在本发明实施例中，步骤S18中，所述根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA00026589918200001013
统计量并判断是否故障，包括：
1)根据各数据集
Figure BDA00026589918200001014
的D2统计量和控制限计算该数据集
Figure BDA00026589918200001015
中该样本为故障样本的概率
Figure BDA00026589918200001016
2)根据该数据集
Figure BDA00026589918200001017
中该样本为故障样本的概率
Figure BDA00026589918200001018
及故障样本条件下数据集
Figure BDA00026589918200001019
的似然函数
Figure BDA00026589918200001020
确定
Figure BDA00026589918200001021
统计量；
3)根据该样本为故障样本的概率
Figure BDA00026589918200001022
及
Figure BDA00026589918200001023
统计量确定待测样本是否故障。
进一步地，所述根据该样本为故障样本的概率
Figure BDA00026589918200001024
及
Figure BDA00026589918200001025
统计量确定待测样本是否故障，包括：
当
Figure BDA00026589918200001026
统计量大于等于故障样本的概率
Figure BDA00026589918200001027
时，则确定待测样本发生了故障。
在本发明实施例中，所述根据各数据集
Figure BDA0002658991820000111
的D2统计量和控制限计算该数据集
Figure BDA0002658991820000112
中该样本为故障样本的概率
Figure BDA0002658991820000113
采用的第六数学模型为：
Figure BDA0002658991820000114
其中，
Figure BDA0002658991820000115
分别为待测标准样本xμ、第三子块信息
Figure BDA0002658991820000116
及第四子块信息
Figure BDA0002658991820000117
Figure BDA0002658991820000118
为故障样本条件下数据集
Figure BDA0002658991820000119
的似然函数，
Figure BDA00026589918200001110
为正常样本条件下数据集
Figure BDA00026589918200001111
的似然函数，
Figure BDA00026589918200001112
是正常样本的先验概率，
Figure BDA00026589918200001113
是故障样本的先验概率；在此指出，
Figure BDA00026589918200001114
是正常样本的先验概率，表示的是任意采样一定数量的样本(这批样本中有正常的也有故障的，可以理解成未知的生产工况数据)，其中正常工况的样本出现的概率。
所述根据该数据集
Figure BDA00026589918200001115
中该样本为故障样本的概率
Figure BDA00026589918200001116
及故障样本条件下数据集
Figure BDA00026589918200001117
的似然函数
Figure BDA00026589918200001118
确定
Figure BDA00026589918200001119
统计量，采用的第七数学模型为：
Figure BDA00026589918200001120
Figure RE-GDA00027014036000001121
统计量控制限为1-β；当
Figure RE-GDA00027014036000001122
统计量超过控制限时，则认为该监测样本发生了故障。
在本发明实施例中，所述故障样本条件下数据集
Figure BDA00026589918200001123
的似然函数
Figure BDA00026589918200001124
正常样本条件下数据集
Figure BDA00026589918200001125
的似然函数
Figure BDA00026589918200001126
的求取模型为：
Figure BDA00026589918200001127
其中
Figure BDA00026589918200001128
分别表示待测样本在第i个子块上的统计量和控制限。
如下，列举一个具体实施例进行阐述：
以一个数值例子及TE过程为例，对数值例子中设定的2种故障及TE过程的21种故障进行了监测，其中，TE过程是Tenessee Eastman化学公司基于某实际化工生产过程提出的一个仿真***，在过程***工程领域的研究中，TE过程是一个常用的标准问题(Benchmark problem)，其较好的模拟了实际复杂工业过程***的许多典型特征，因此被作为仿真示例广泛应用于控制、优化、过程监控与故障诊断的研究中。TE过程主要有反应器、冷凝器、压缩机、分离器和汽提塔五个主要单元组成。该过程包含22个过程测量变量、19个成分测量变量以及12个操作变量。本发明实施例选取22个过程测量变量以及除搅拌速度外的11个操作变量用于建模与监测。TE过程共包含21种故障，本发明实施例采集正常工况下的960个样本作为训练数据集，各种故障工况时的960个样本用作故障测试集，其中故障均从第161个样本点处加入，但由于累计信息会丢失前T个样本(仿真中T取5)，故后续故障监测图中实际故障发生点都位于第156 个样本处。
首先，获取正常工况下的960个样本作为原始正常工况数据集，并采用第一数学模型进行标准化处理，得到原始正常工况标准数据集；然后采用第二数学模型对原始正常工况标准数据集、待测标准样本进行多块信息提取得到个子对应的累计信息数据集和变化率信息数据集，并根据原始正常工况标准数据集、原始正常工况标准数据集的累计信息数据集及原始正常工况标准数据集的变化率信息数据集生成控制限，参见图2所示。及，根据生成的控制限、待测标准样本的累计信息数据集及待测标准样本的变化率信息数据集融合成BIC统计量，当BIC统计量大于控制限时，确定该样本发生故障，具体流程参见图3所示。
图4a为数值仿真采用kNN故障监测(FD-kNN)方法的故障检测方法监测结果对比示意图，图4b为数值仿真采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法的监测结果对比示意图；可以看出，采用MBI-MDkNN 方法相较于kNN故障检测方法，对于数值仿真中构造的微小偏移和脉冲振荡类型的故障具有更早且更准确的监测结果。
图5a为kNN故障监测(FD-kNN)方法对数值仿真的诊断结果示意图，图 5b为基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法对数值仿真的诊断结果示意图。通过对比图5a与图5b可以看出，本发明实施例的基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法相较于kNN故障监测(FD-kNN)方法而言，诊断出故障的时间比较早，且诊断出的故障更准确。
采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集中的故障变量x2的曲线图参见图6a所示，采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的累计信息数据集中的故障变量x2的曲线图参见图6b所示，采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的变化率信息数据集中的故障变量x2的曲线图参见图6c所示；而采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准数据集中的故障变量x3的曲线图参见图6d所示，采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的累计信息数据集中的故障变量x3的曲线图参见图6e所示，采用基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到的原始正常工况标准样本集的变化率信息数据集中的故障变量x3的曲线图参见图6f所示；采用多块信息提取的方法，明显地放大了故障放生前后样本变量的差异，同时不同的信息提取方法对于不同变量差异放大效果不同。
采用本发明实施例的基于多块信息提取和马氏距离的故障监测 (MBI-MDkNN)方法监测到的TE过程故障11的诊断结果示意图参见图7所示，通过提取累计信息，原始正常工况标准数据集的累计信息数据集对于故障 11有着优于原始正常工况标准数据集、原始正常工况标准数据集的变化率信息数据集的故障监测和诊断效果。
采用本发明实施例的方法监测到TE过程对于故障11，原始正常工况标准样本集的累计信息数据集、原始正常工况标准样本集的变化率信息数据集中变量9和32的曲线图参见图8所示，可以看出，从原始正常工况标准数据集中提取的累计信息数据集放大了变量9和变量32在故障11发生前后的差异性，从而解释了从原始正常工况标准数据集中提取的累计信息数据集故障监测和诊断结果好的原因。
进一步，对TE过程中的故障11，采用本发明实施例的基于多块信息提取和马氏距离的故障监测(MBI-MDkNN)方法监测到TE过程中原始正常工况标准样本集中9号变量x9及32号变量x32故障，原始正常工况标准样本集的累计信息数据集中9号变量x9及32号变量x32的变量曲线图分别参见图8a、图8b所示；同理监测到原始正常工况标准样本集的变化率信息数据集中9号变量x9及32号变量x32故障，原始正常工况标准样本集的变化率信息数据集中9号变量x9及32 号变量x32的曲线图参见图8c-8d所示。
图9a为FD-kNN方法对TE过程中的故障11的监测结果示意图，图9b为 MD-kNN方法对TE过程中故障11的监测结果示意图，图9c为采用本发明实施例的监测方法对TE过程中的故障11的监测结果示意图，通过比对可以得出，采用本发明实施例的故障监测方法针对微小偏移和脉冲震荡类型故障具有较高的检出率，且本方法对非线性高斯数据具有一定的监测优势，同时改善了传统 kNN故障监测方法的监测性能。
第二方面，本发明实施例还提供一种基于多块信息提取和马氏距离的故障监测***，用于对TE过程中的故障进行监测，参见图10所示，包括：
标准化处理模块101，用于获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure BDA0002658991820000151
及对待测样本x进行标准化操作得到待测标准样本xμ；
信息提取模块102，用于对所述原始正常工况标准数据集
Figure BDA0002658991820000152
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure BDA0002658991820000153
和第四子块信息
Figure BDA0002658991820000154
统计量求取模块103，用于分别求取原始正常工况标准数据集
Figure BDA0002658991820000155
第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure BDA0002658991820000156
和第四子块信息
Figure BDA0002658991820000157
的统计量，并求取原始正常工况标准数据集
Figure BDA0002658991820000158
第一子块信息数据集和第二子块信息数据集的控制限；
故障诊断模块104，用于根据贝叶斯推断，将各子块监测结果融合为最终的
Figure BDA0002658991820000159
统计量并判断是否故障。
本发明实施例提供的基于多块信息提取和马氏距离的kNN故障监测***，针对微小偏移和脉冲震荡类型故障具有较高的检出率，且本***对非线性高斯数据具有一定的监测优势，同时改善了传统kNN故障监测方法的监测性能。需要说明的是，以上是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均属于发明技术方案的范围内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅以一较佳实施例对本发明的技术方案进行介绍，但是对于本领域的一般技术人员，依据本发明实施例的思想，应能在具体实施方式上及应用范围上进行改变，故而，综上所述，本说明书内容部不应该理解为本发明的限制，凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.基于多块信息提取和马氏距离的故障监测方法，用于对TE过程中的故障进行监测，包括如下步骤：
步骤S12、获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure FDA0003229303490000011
及对待测样本x进行标准化操作得到待测标准样本xμ；
步骤S14、对所述原始正常工况标准数据集
Figure FDA0003229303490000012
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure FDA0003229303490000013
和第四子块信息
Figure FDA0003229303490000014
步骤S16、分别求取原始正常工况标准数据集
Figure FDA0003229303490000015
第一子块信息数据集和、第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure FDA0003229303490000016
和第四子块信息
Figure FDA0003229303490000017
的统计量，并求取原始正常工况标准数据集
Figure FDA0003229303490000018
第一子块信息数据集和第二子块信息数据集的控制限；
步骤S18、根据贝叶斯推断，将待测标准样本xμ、第三子块信息
Figure FDA0003229303490000019
和第四子块信息
Figure FDA00032293034900000110
的监测结果融合为
Figure FDA00032293034900000111
统计量并判断是否故障；
其中，所述步骤S18具体包括：
根据各数据集
Figure FDA00032293034900000112
的
Figure FDA00032293034900000113
统计量和控制限，采用第六数学模型计算该数据集
Figure FDA00032293034900000114
中该样本为故障样本的概率
Figure FDA00032293034900000115
其中，采用的第六数学模型为：
Figure FDA00032293034900000116
式中，
Figure FDA00032293034900000117
中i为1、2、3，
Figure FDA00032293034900000118
为待测标准样本xμ，
Figure FDA00032293034900000119
为第三子块信息
Figure FDA00032293034900000120
Figure FDA00032293034900000121
第四子块信息
Figure FDA00032293034900000122
Figure FDA00032293034900000123
为故障样本条件下数据集
Figure FDA00032293034900000124
的似然函数，
Figure FDA00032293034900000125
为正常样本条件下数据集
Figure FDA00032293034900000126
的似然函数，
Figure FDA00032293034900000127
是正常样本的先验概率，
Figure FDA00032293034900000128
是故障样本的先验概率；
根据该数据集
Figure FDA0003229303490000021
中该样本为故障样本的概率
Figure FDA0003229303490000022
及故障样本条件下数据集
Figure FDA0003229303490000023
的似然函数
Figure FDA0003229303490000024
确定
Figure FDA0003229303490000025
统计量，其中，采用的第七数学模型为：
Figure FDA0003229303490000026
式中，
Figure FDA0003229303490000027
统计量控制限为1-β；
根据该样本为故障样本的概率
Figure FDA0003229303490000028
及
Figure FDA0003229303490000029
统计量确定待测样本是否故障，当
Figure FDA00032293034900000210
统计量超过控制限时，则认为该监测样本发生了故障。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure FDA00032293034900000211
采用的第一数学模型为：
Figure FDA00032293034900000212
其中，x表示原始正常工况数据集X0∈Rm×n中的一个样本，x*表示样本x经过标准化后处理后得到的原始正常工况标准数据集
Figure FDA00032293034900000213
中对应的样本，mean(X0)表示原始正常工况数据集X0按行求均值得到的均值向量，std(X0)表示原始正常工况数据集X0按行求标准差得到的标准差向量，m代表样本维数，n代表样本个数；所述原始正常工况数据集X0为矩阵。
3.根据权利要求1所述的方法，其特征在于，所述对所述原始正常工况标准数据集
Figure FDA00032293034900000214
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，包括：
从原始正常工况标准数据集
Figure FDA00032293034900000215
中提取累计信息数据集DInt，采用的第二数学模型为：
Figure FDA0003229303490000031
从原始正常工况标准数据集
Figure FDA0003229303490000032
中提取变化率信息数据集DDif，采用的第三数学模型为：
Figure FDA0003229303490000033
其中，
Figure FDA0003229303490000034
为累计信息数据集DInt中的第i个样本，由于累计信息数据集DInt的获取需要前置样本，前T个样本点无法提取出累计信息数据集，故DInt∈Rm×(n-T)，
Figure FDA0003229303490000035
为变化率信息数据集DDif中第i个样本，DDif∈Rm×(n-T)。
4.根据权利要求3所述的方法，其特征在于，所述分别求取原始正常工况标准数据集
Figure FDA0003229303490000036
第一子块信息数据集、第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure FDA0003229303490000037
和第四子块信息
Figure FDA0003229303490000038
的统计量，包括：
分别对
Figure FDA0003229303490000039
累计信息数据集DInt、变化率信息数据集DDif、待测标准样本xμ、第三子块信息
Figure FDA00032293034900000310
及第四子块信息
Figure FDA00032293034900000311
采用马氏距离故障监测方法建模，得到各数据集的第i个样本的统计量
Figure FDA00032293034900000312
采用的第四数学模型为：
Figure FDA00032293034900000313
其中，统计量
Figure FDA00032293034900000314
为各数据集的第i个样本的统计量。
5.根据权利要求4所述的方法，其特征在于，所述求取原始正常工况标准数据集
Figure FDA00032293034900000315
第一子块信息数据集和第二子块信息数据集的控制限，包括：
根据核密度估计方法和置信度确定各数据集的控制限
Figure FDA00032293034900000316
采用的第五数学模型为：
Figure FDA0003229303490000041
其中，xi是数据集中待测统计量的第i个样本，x是
Figure FDA0003229303490000042
中的元素，
Figure FDA0003229303490000043
是样本xi在其补集
Figure FDA0003229303490000044
上的k近邻样本集，d2(xi,x)表示样本xi、x间马氏距离的平方。
6.根据权利要求1所述的方法，其特征在于，所述根据该样本为故障样本的概率
Figure FDA0003229303490000045
及
Figure FDA0003229303490000046
统计量确定待测样本是否故障，包括：
当
Figure FDA0003229303490000047
统计量大于等于故障样本的概率
Figure FDA0003229303490000048
时，则确定待测样本发生了故障。
7.根据权利要求1所述的方法，其特征在于，故障样本条件下数据集
Figure FDA0003229303490000049
的似然函数
Figure FDA00032293034900000410
正常样本条件下数据集
Figure FDA00032293034900000411
的似然函数
Figure FDA00032293034900000412
的求取模型为：
Figure FDA00032293034900000413
其中
Figure FDA00032293034900000414
分别表示待测样本在第i个子块上的统计量和控制限。
8.基于多块信息提取和马氏距离的故障监测***，用于对TE过程中的故障进行监测，包括：
标准化处理模块，用于获取原始正常工况数据集X0及待测样本x，对所述原始正常工况数据集X0进行标准化处理得到原始正常工况标准数据集
Figure FDA00032293034900000415
及对待测样本x进行标准化操作得到待测标准样本xμ；
信息提取模块，用于对所述原始正常工况标准数据集
Figure FDA00032293034900000416
进行多块信息提取，得到第一子块信息数据集和第二子块信息数据集，及对待测标准样本xμ进行多块信息提取，得到第三子块信息
Figure FDA0003229303490000051
和第四子块信息
Figure FDA0003229303490000052
统计量求取模块，用于分别求取原始正常工况标准数据集
Figure FDA0003229303490000053
第一子块信息数据集和第二子块信息数据集、待测标准样本xμ、第三子块信息
Figure FDA0003229303490000054
和第四子块信息
Figure FDA0003229303490000055
的统计量，并求取原始正常工况标准数据集
Figure FDA0003229303490000056
第一子块信息数据集和第二子块信息数据集的控制限；
故障诊断模块，用于根据贝叶斯推断，将待测标准样本xμ、第三子块信息
Figure FDA0003229303490000057
和第四子块信息
Figure FDA0003229303490000058
的监测结果融合为
Figure FDA0003229303490000059
统计量并判断是否故障；
其中，故障诊断模块的作用具体包括：
根据各数据集
Figure FDA00032293034900000510
的
Figure FDA00032293034900000511
统计量和控制限，采用第六数学模型计算该数据集
Figure FDA00032293034900000512
中该样本为故障样本的概率
Figure FDA00032293034900000513
其中，采用的第六数学模型为：
Figure FDA00032293034900000514
式中，
Figure FDA00032293034900000515
中i为1、2、3，
Figure FDA00032293034900000516
为待测标准样本xμ，
Figure FDA00032293034900000517
为第三子块信息
Figure FDA00032293034900000518
Figure FDA00032293034900000519
第四子块信息
Figure FDA00032293034900000520
Figure FDA00032293034900000521
为故障样本条件下数据集
Figure FDA00032293034900000522
的似然函数，
Figure FDA00032293034900000523
为正常样本条件下数据集
Figure FDA00032293034900000524
的似然函数，
Figure FDA00032293034900000525
是正常样本的先验概率，
Figure FDA00032293034900000526
是故障样本的先验概率；
根据该数据集
Figure FDA00032293034900000527
中该样本为故障样本的概率
Figure FDA00032293034900000528
及故障样本条件下数据集
Figure FDA00032293034900000529
的似然函数
Figure FDA00032293034900000530
确定
Figure FDA00032293034900000531
统计量，其中，采用的第七数学模型为：
Figure FDA00032293034900000532
式中，
Figure FDA00032293034900000533
统计量控制限为1-β；
根据该样本为故障样本的概率
Figure FDA00032293034900000534
及
Figure FDA00032293034900000535
统计量确定待测样本是否故障，当
Figure FDA00032293034900000536
统计量超过控制限时，则认为该监测样本发生了故障。
CN202010897994.7A 2020-08-31 2020-08-31 基于多块信息提取和马氏距离的故障监测方法及*** Active CN112000081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010897994.7A CN112000081B (zh) 2020-08-31 2020-08-31 基于多块信息提取和马氏距离的故障监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010897994.7A CN112000081B (zh) 2020-08-31 2020-08-31 基于多块信息提取和马氏距离的故障监测方法及***

Publications (2)

Publication Number Publication Date
CN112000081A CN112000081A (zh) 2020-11-27
CN112000081B true CN112000081B (zh) 2021-10-08

Family

ID=73466065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010897994.7A Active CN112000081B (zh) 2020-08-31 2020-08-31 基于多块信息提取和马氏距离的故障监测方法及***

Country Status (1)

Country Link
CN (1) CN112000081B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095402B (zh) * 2021-04-12 2023-06-13 江南大学 一种基于编码输入的生成对抗网络故障检测方法及***
CN113359665B (zh) * 2021-05-31 2022-11-18 上海工程技术大学 一种基于加权关键主元的工业过程故障检测方法及***
CN113865873B (zh) * 2021-12-02 2022-02-18 中国空气动力研究与发展中心设备设计与测试技术研究所 一种轴承组的健康监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6610987B2 (ja) * 2015-02-18 2019-11-27 株式会社Ｉｈｉ 異常診断方法及び異常診断システム
JP2019023771A (ja) * 2015-12-16 2019-02-14 三菱電機株式会社 故障診断装置
CN106354125A (zh) * 2016-11-09 2017-01-25 上海电机学院 一种利用分块pca检测化工过程故障的方法
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
CN109947076B (zh) * 2019-03-14 2020-06-02 华中科技大学 一种基于贝叶斯信息准则的工业过程故障诊断方法
CN110794797A (zh) * 2019-11-27 2020-02-14 江南大学 一种基于互信息和多块信息提取的pca故障监测方法

Also Published As

Publication number Publication date
CN112000081A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112000081B (zh) 基于多块信息提取和马氏距离的故障监测方法及***
US8682616B2 (en) Identifying failures in an aeroengine
Tong et al. Decentralized monitoring of dynamic processes based on dynamic feature selection and informative fault pattern dissimilarity
CA2931624A1 (en) Systems and methods for event detection and diagnosis
EP3876056A1 (en) Abnormality detection device, abnormality detection method, and program
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN110083593B (zh) 电站运行参数清洗及修复方法、修复***
Zhong et al. Multimode non‐Gaussian process monitoring based on local entropy independent component analysis
CN105117550A (zh) 一种面向产品多维相关性退化失效的建模方法
CN109240276B (zh) 基于故障敏感主元选择的多块pca故障监测方法
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
Fullen et al. Semi-supervised case-based reasoning approach to alarm flood analysis
JP2009070834A (ja) 基板分類方法および装置、異常設備推定方法および装置、基板分類方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
CN116627116B (zh) 一种流程工业故障定位方法、***及电子设备
Jobi-Taiwo et al. Mahalanobis-Taguchi system for multiclass classification of steel plates fault
CN116641941A (zh) 一种基于典型变量分析的液压***早期故障动态检测方法
TWI639908B (zh) 製程偵錯與診斷方法
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
Buschmann et al. Data-driven decision support for process quality improvements
CN112104340B (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法
CN112184034A (zh) 基于互信息的多块k近邻故障监测方法及***
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
Li et al. A similarity-based and model-based fusion prognostics framework for remaining useful life prediction

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: 20240122

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.

Country or region after: China

Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province

Patentee before: Jiangnan University

Country or region before: China

TR01 Transfer of patent right