CN113110402B - 知识与数据驱动的大规模工业***分布式状态监测方法 - Google Patents
知识与数据驱动的大规模工业***分布式状态监测方法 Download PDFInfo
- Publication number
- CN113110402B CN113110402B CN202110565642.6A CN202110565642A CN113110402B CN 113110402 B CN113110402 B CN 113110402B CN 202110565642 A CN202110565642 A CN 202110565642A CN 113110402 B CN113110402 B CN 113110402B
- Authority
- CN
- China
- Prior art keywords
- fault
- variables
- variable
- subsystems
- directed graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000001364 causal effect Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G05B23/0259—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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种知识与数据驱动的大规模工业***分布式状态监测方法。首先,基于***拓扑知识建立大规模工业***的有向图模型,并根据复杂网络的社区分团方法将有向图模型分解成多个独立的子***。其次,考虑***的动态性,利用各子***之间的通信信息,在每个子***中分别建立典型变量分析模型进行故障检测,然后将所有子***的检测结果通过贝叶斯推理融合成最终的全局检测结果。最后,针对检测出的故障,利用分布式贡献图分析方法确定故障负责变量,并通过有向图推理法进行故障溯源,定位故障发生的根源。本发明结合***知识与数据,实现了对大规模工业***的分布式状态监测,提高了故障检测的准确度,验证了故障溯源的可行性。
Description
技术领域
本发明属于工业***故障诊断技术领域,具体涉及了一种知识与数据驱动的大规模工业***分布式状态监测方法。
背景技术
以智能制造为主导方向的工业自动化发展迅速,现代工业***逐渐形成以大型集散控制***为核心,配备了大量直接用于测量的传感器,间接检测的软测量设备和结构复杂的控制回路,不断朝着复杂化、信息化和智能化的方向发展。在此背景下,大规模工业***的数量逐年增加,逐渐成为了现代工业***中的主角,也受到了各界广泛的关注。
工业***的生产安全问题一直是企业生产中关注的重点,故障诊断技术也在过去几十年中得到了迅速地发展,为企业安全生产提供了保障。但是对于大规模***来说,其具有结构复杂建模难度大,工作***中的变量众多且变量间关系复杂,数据容量大、类型多和采样率多等特点。传统工业***的集中式监测方法在大规模工业***上既面临着检测准确度的问题,也存在计算复杂度的压力,因此这也给大规模工业***的故障诊断带来了很大的挑战。
针对大规模工业***的复杂特点和故障诊断所面临的挑战,前人已经做了相应的研究和探讨,许多分级或分块的监测算法被提出,这些方法的基本思想是首先将***分解成多个不同的子***,然后在不同的子***中分别建立监测模型,最后将所有子***的监测结果融合形成全局监测结果。在这种监测框架下,大规模***的监测问题可以分解为几个部分:***分解、子***监测模型的建立、决策融合、故障诊断和传播路径分析等。
但是,现有的方法仍然存在以下几点问题:一是未能充分利用现有的机理知识。对于大规模工业***来说,设备间的耦合关系,物料连接信息传递等***知识总是可得的,但是纯数据驱动的方法常常忽略了对这些知识的使用,从而会降低监测的准确度和可解释性;二是未能充分挖掘***的动态信息,工业***中的变量总是具有自相关性的,即动态信息,但是常用的监测模型例如主成分分析法 (PCA)、偏最小二乘法(PLS)等常常忽略这一***特性,从而导致监测性能的下降;三是未能充分考虑子***间的通信信息,现有方法往往只关注于子***内部的变量变化,而没有考虑到子***之间的信息交流,但是实际上子***间的变量也存在耦合关系,未能将这些信息同时纳入监测范围会导致信息的损失,影响子***内部的监测性能;四是现有数据驱动的故障诊断方法大都是基于变量之间的相关性而非因果关系,因此在故障变量隔离和传播路径的分析上通常受蔓延现象的影响,导致对故障原因的判断出现偏差。
发明内容
本发明的目的在于克服上述现有方法的不足,结合***先验知识和数据,基于有向图分解和分布式典型变量分析方法,实现对大规模工业***的分布式故障检测与诊断。
本发明的目的通过以下技术方案实现:
一种知识与数据驱动的大规模工业***分布式状态监测方法,其步骤如下:
S1、针对待监测的工业***,根据***知识建立大规模***的有向图模型,并将有向图分解成多个子***;
S2、在每个子***中分别建立典型变量分析模型,所有子***的检测结果通过贝叶斯推理进行融合,形成全局故障检测结果;
S3、通过分布式贡献图方法确定故障负责变量,并根据有向图推理法定位故障根源。
进一步地,所述S1中,有向图模型的节点表示***变量,节点间的有向边表示变量之间的因果关系,并且该模型是根据***知识建立的。
进一步地,所述S1中,有向图模型通过复杂网络中的基于模块度的快速展开算法分解成多个子***,具体步骤为:
S11、将有向图模型中的每个节点当作一个子***,得到与节点数相同的子***数;
S12、计算将节点i划分到相邻节点所在子***的模块度增益,最大增益表示最好的划分结果;只有当增益为正时,才进行划分,否则节点将保持在原先的子***中;
S13、对有向图模型中的所有节点重复S12,直到模块度的值不再增加;
S14、将经过步骤S13得到的子***当作一个新的节点,构造一个新的有向图模型;
S15、不断重复S11~S14,直到有向图结构不再变化以及模块度的值达到最大,大规模***中的所有变量被划分到了不同的子***中,最终获得有向图的分解结果。
进一步地,所述模块度Q的计算公式为:
其中:Ai,j表示节点i和节点j之间边的权重,ki=∑jAi,j表示与节点i相连的边的权重的总和,kj表示与节点j相连的边的权重的总和,表示有向图中所有边的权重和,ci和cj分别表示节点i和节点j所在的子***;δ(ci,cj)是一个二值函数,当ci和cj在同一个子***时等于1,否则等于0。
进一步地,所述S2中,在每个子***中建立典型变量分析模型来获取***的动态性,进而实现故障检测,具体步骤为:
S21、假设第b个子***t时刻的输入数据为t时刻的输出数据为mu,b和my,b分别表示输入变量的数目和输出变量的数目;根据输入输出数据时间序列分别构造过去信息向量pb(t)和未来信息向量fb(t):
pb(t)=[yb(t-1)T,yb(t-2)T,…,yb(t-l)T,ub(t-1)T,ub(t-2)T,…,ub(t-l)T]T
fb(t)=[yb(t)T,yb(t+1)T,…,yb(t+h)T]T
式中:l表示过去信息向量中的时间滞后;h表示未来信息向量中的时间滞后;上标T表示转置;
S22、计算过去信息向量和未来信息向量的协方差矩阵分别为Σpp,b=E(pb(t)pb(t)T)、Σff,b=E(fb(t)fb(t)T)和Σpf,b=E(pb(t)fb(t)T),典型变量分析模型通过最大化典型变量cb(t)=Jbpb(t)和db(t)=Lbfb(t)之间的相关性,从而获得代表过去信息向量pb(t)和未来信息向量fb(t)线性组合的投影矩阵Jb和Lb;
S23、通过奇异值分解来获得具有最大相关性的典型变量:
式中:Ub和Vb均为酉矩阵;
式中:n为典型变量分析模型的训练数据集样本数,Fα(sb,n-sb)和 Fα(eb,n-eb)分别是状态空间和残差空间所满足的F分布。
进一步地,在对子***进行监测时,根据拓扑连接知识获取子***间的通信信息,将子***内变量的本地信息与子***间的通信信息同时纳入典型变量分析模型中。
其中:和分别表示第b个子***内状态空间和残差空间发生故障的概率,和分别表示第b个子***内状态空间和残差空间的故障条件概率,表示第b个子***内状态空间发生故障的先验概率,表示第b个子***内状态空间的似然函数,表示第b个子***内残差空间发生故障的先验概率,表示第b个子***内残差空间的似然函数,表示第b个子***内所有样本的状态子空间T2统计量,表示第b个子***内所有样本的残差子空间T2统计量,B表示子***的总数。
进一步地,所述S3中,通过分布式贡献图方法确定故障负责变量,并根据有向图推理法定位故障根源包括两个步骤:
S31、基于分布式典型变量分析模型的故障贡献分析:针对所有发生故障的样本,计算所有发生故障的子***内变量的状态空间贡献、残差空间贡献,并由此计算组合贡献值,然后根据组合贡献值的大小确定故障负责变量集合;
S32、基于有向图推理的故障溯源:针对所有故障负责变量,通过***知识确定它们之间的因果关系,构造故障有向图,然后通过有向图推理法确定故障传播路径和根源。
进一步地,所述S31中基于分布式典型变量分析模型的故障贡献分析的计算具体步骤为:
其中:j=1,2,...,l是时间滞后,yb(t-j,i)是输出向量yb(t-j)的第i个变量, ub(t-j,i)是输入向量ub(t-j)的第i个变量;
S312、对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是则输出变量my和输入变量mu在状态空间的贡献分别为:
S314、对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是那么输出变量my和输入变量 mu在残差空间的贡献分别为:
S315、由变量的状态空间贡献和残差空间贡献,分别计算输出变量和输入变量的组合贡献:
S316、设定故障变量选择阈值CT,在所有变量的组合贡献中选择累计贡献百分比大于CT的最少数目变量来确定最终的故障负责变量集合,其中累计贡献百分比为选择变量的贡献和与全部组合贡献的比值。
进一步地,所述S32中基于有向图推理的故障溯源的具体步骤为:
S321、针对所有故障负责变量,根据***知识确定变量间的因果关系;
S322、根据所得因果关系构建故障有向图,有向图中变量间的连接关系代表了故障的传播路径;
S323、确定故障有向图中没有其他节点指向的变量为故障根源。
知识与数据驱动的大规模工业***分布式状态监测方法与现有技术相比,本发明的有益效果是:
(1)本发明实现了***知识与数据的融合,实现了从知识到数据,再由数据到知识的逻辑闭环,为大规模工业***的知识利用与数据挖掘提供了一种可行的思路;
(2)本发明通过***知识挖掘变量之间的联系,并通过基于模块度的社区分团法实现对有向图的分解,实现了对复杂大规模***的化简,为分布式监控提供了基础;
(3)本发明通过***拓扑知识获取子***之间的通信信息,基于CVA模型捕获***的动态信息,并利用贝叶斯推理对所有子***的监测结果进行融合,有效地实现了对大规模动态***的***监测,大大提高了故障检测模型的性能,保证了***安全可靠的运行;
(4)本发明采用一种两步的故障诊断方法,利用分布式贡献图法确定故障负责变量集合,并基于因果关系,利用有向图推理实现对故障原因的溯源和传播路径的分析,提高了对故障原因定位的准确度,可以为现场操作人员提供故障修复的建议与参考。
附图说明
图1是本发明所应用的化工生产***工艺流程图;
图2是本发明所述的大规模工业***分布式监控与故障诊断算法的流程图;
图3是本发明建立的***有向图;
图4是本发明所述的故障检测结果图;其中(a)故障5;(b)故障16;(c) 故障19;
图5是本发明所述的各子***内的检测结果图;
图6是本发明所述的变量贡献结果图;
图7是本发明所述的故障传播路径与溯源结果图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
本发明以田纳西-伊斯曼化工过程(TE过程)为例,该过程包括五个运行单元:反应器、冷凝器、压缩机、分离器和汽提塔,其工艺流程图如图1所示。此外,该过程包括33个过程变量,这些变量涉及压力、温度、流量等,本次实例包括21种各类型的故障作为本次诊断过程说明的故障类型。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
本发明的算法由离线建模,在线检测和故障根源诊断三部分组成,其流程图如图2所示。在离线建模阶段,首先通过***知识建立***有向图,并将其分解为多个子***,随后基于历史知识在个子***内建立典型变量分析(CVA);在在线检测阶段,根据实时数据计算监测统计量,并将各子***的监测结果融合成全局监测结果用于故障检测;在故障根源诊断阶段,通过分布式贡献图分析法确定故障负责变量,然后基于有向图推理确定故障根源和传播路径,具体实施方式如下:
首先根据***知识建立大规模***的有向图模型,并将有向图分解成多个子***;然后在每个子***中分别建立典型变量分析(CVA)模型,所有子***的检测结果通过贝叶斯推理进行融合,形成全局故障检测结果;最后通过分布式贡献图方法确定故障负责变量,并根据有向图推理法定位故障根源。
(1)以节点表示过程变量,节点间的有向边表示变量之间的因果关系,根据过程知识建立过程的有向图模型,结果如图3所示。
(2)通过复杂网络中的快速展开算法将上述有向图模型分解成多个子***,具体步骤为:
(2.1)将有向图模型中的每个节点当作一个子***,得到与节点数相同的子***数;
(2.2)计算将节点i划分到相邻节点所在子***的模块度增益,最大增益表示最好的划分结果;只有当增益为正时,才进行划分,否则节点将保持在原先的子***中;
(2.3)对有向图模型中的所有节点重复(2.2),直到模块度的值不再增加;
(2.4)将经过步骤(2.3)得到的子***当作一个新的节点,构造一个新的有向图模型;
(2.5)不断重复(2.1)~(2.4),直到有向图结构不再变化以及模块度的值达到最大,大规模***中的所有变量被划分到了不同的子***中,最终获得有向图的分解结果。
前述模块度的计算公式为:
其中:Ai,j表示节点i和节点j之间边的权重,ki=∑jAi,j表示与节点i相连的边的权重的总和,kj表示与节点j相连的边的权重的总和,表示有向图中所有边的权重和,ci和cj分别表示节点i和节点j所在的子***;δ(ci,cj)是一个二值函数,当ci和cj在同一个子***时等于1,否则等于0。
对于图3所示的过程有向图,通过基于模块度的社区分团算法分解后,该过程被分为9个子***,具体分块结果如表1第二列所示。
表1 TE过程的分解结果
(3)在每个子***中建立CVA模型来获取***的动态性,进而实现故障检测,该步分为离线建模和在线检测两个阶段,其中在离线建模阶段,根据采集到的历史数据训练得到CVA模型的投影矩阵以及控制限,在在线检测阶段,根据实时采集到的数据构造T2统计量并根据判断逻辑进行判断,具体步骤为:
(3.1)假设第b个子***t时刻的输入数据为t时刻的输出数据为mu,b和my,b分别表示输入变量的数目和输出变量的数目;根据输入输出数据时间序列分别构造过去信息向量pb(t)和未来信息向量fb(t):
pb(t)=[yb(t-1)T,yb(t-2)T,…,yb(t-l)T,ub(t-1)T,ub(t-2)T,…,ub(t-l)T]T
fb(t)=[yb(t)T,yb(t+1)T,…,yb(t+h)T]T
式中:l表示过去信息向量中的时间滞后;h表示未来信息向量中的时间滞后;上标T表示转置;
(3.2)计算过去信息向量和未来信息向量的协方差矩阵分别为Σpp,b=E(pb(t)pb(t)T)、Σff,b=E(fb(t)fb(t)T)和Σpf,b=E(pb(t)fb(t)T),典型变量分析通过最大化典型变量cb(t)=Jbpb(t)和db(t)=Lbfb(t)之间的相关性,从而获得代表过去信息向量pb(t)和未来信息向量fb(t)线性组合的投影矩阵Jb和Lb;
(3.3)为了求得投影矩阵Jb和Lb,可以通过奇异值分解来获得具有最大相关性的典型变量:
式中:Ub和Vb均为酉矩阵;
(3.6)在给定置信水平α下,状态空间和残差空间控制限满足如下F分布:
式中:n为典型变量分析模型的训练数据集样本数,Fα(sb,n-sb)和 Fα(eb,n-eb)分别是状态空间和残差空间所满足的F分布。
进一步地,在对子***进行监测时,根据拓扑连接知识获取子***间的通信信息,将子***内变量的本地信息与子***间的通信信息同时纳入典型变量分析模型中,各子***的监测变量如表1第三列所示。
其中:和分别表示第b个子***内状态空间和残差空间发生故障的概率,和分别表示第b个子***内状态空间和残差空间的故障条件概率,表示第b个子***内状态空间发生故障的先验概率,表示第b个子***内状态空间的似然函数,表示第b个子***内残差空间发生故障的先验概率,表示第b个子***内残差空间的似然函数,表示第b个子***内所有样本的状态子空间T2统计量,表示第b个子***内所有样本的残差子空间T2统计量,B表示子***的总数。
分布式主成分分析法(DPCA)和多***主成分分析法(MPCA)是两种典型的大规模***的分布式故障检测算法,将本发明所提方法(DG-DCVA)与这两种已有的方法进行对比,具体结果如表2所示。从表2中可以看出,基于本发明方法的故障检测性能减小了故障检测的漏报率和误报警率,提高了实际在线故障检测的准确性和可靠性。具体地,以TE过程的故障5、16和19为例,其故障检测结果如图4所示,可以看出,本发明所提方法能够很好的检测出故障。此外,故障5在各个子***内的检测结果如图5所示,故障5的主要负责变量被划分在子***7中,因此在子***7内能够检测出故障,而在其他子***内则无法检测出故障,这也说明了若采用集中式检测方法,那么故障有效信息很有可能会因其他无关变量的信息的加入而减小,从而导致检测性能下降,本发明所提分布式检测方法可以很好地提取出故障相关变量,保证检测性能。
(6)进一步地,故障溯源部分包括两个步骤:一是基于分布式典型变量分析模型的故障贡献分析:针对所有发生故障的样本,计算所有发生故障的子***内变量的状态空间贡献、残差空间贡献,并由此计算组合贡献值,然后根据组合贡献值的大小确定故障负责变量集合;二是基于有向图推理的故障溯源:针对所有故障负责变量,通过***知识确定它们之间的因果关系,构造故障有向图,然后通过有向图推理法确定故障传播路径和根源。
(7)上述基于分布式典型变量分析模型的故障贡献分析的计算具体步骤为:
其中:j=1,2,...,l是时间滞后,yb(t-j,i)是输出向量yb(t-j)的第i个变量, ub(t-j,i)是输入向量ub(t-j)的第i个变量。
(7.2)对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是那么输出变量my和输入变量 mu在状态空间的贡献分别为:
(7.4)对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是那么输出变量my和输入变量 mu在残差空间的贡献分别为:
(7.5)由变量的状态空间贡献和残差空间贡献,分别计算输出变量和输入变量的组合贡献:
(7.6)设定故障变量选择阈值CT,在所有变量的组合贡献中选择累计贡献百分比大于CT的最少数目变量来确定最终的故障负责变量集合,其中累计贡献百分比为选择变量的贡献和与全部组合贡献的比值。
(8)上述基于有向图推理的故障溯源的具体步骤为:
(8.1)针对所有故障负责变量,根据***知识确定变量间的因果关系;
(8.2)根据所得因果关系构建故障有向图,有向图中变量间的连接关系代表了故障的传播路径;
(8.3)确定故障有向图中没有其他节点指向的变量为故障根源。
表2三种方法的故障检测性能对比(衡量指标:故障漏报率)
以故障4为例说明故障诊断与溯源方法的结果,图6展示了基于CVA模型的分布式贡献图的计算结果,在预设阈值设为0.95的情况下,故障负责变量集合包含{x32,x15,x29,x17,x9,x11,x6,x8}。针对所有故障负责变量,建立故障有向图,并通过有向图推理确定故障传播路径以及故障根源,具体结果如图7所示,根据有向图推理结果可知变量6与变量32是故障根源,这与故障发生机理原因是相吻合的,也证明了本发明所提故障溯源方法的有效性与可行性。
Claims (7)
1.一种知识与数据驱动的大规模工业***分布式状态监测方法,其特征在于,步骤如下:
S1、针对待监测的工业***,根据***知识建立大规模***的有向图模型,并将有向图分解成多个子***;
S2、在每个子***中分别建立典型变量分析模型,所有子***的检测结果通过贝叶斯推理进行融合,形成全局故障检测结果;
S3、通过分布式贡献图方法确定故障负责变量,并根据有向图推理法定位故障根源;
所述S1中,有向图模型通过复杂网络中的基于模块度的快速展开算法分解成多个子***,具体步骤为:
S11、将有向图模型中的每个节点当作一个子***,得到与节点数相同的子***数;
S12、计算将节点i划分到相邻节点所在子***的模块度增益,最大增益表示最好的划分结果;只有当增益为正时,才进行划分,否则节点将保持在原先的子***中;
S13、对有向图模型中的所有节点重复S12,直到模块度的值不再增加;
S14、将经过步骤S13得到的子***当作一个新的节点,构造一个新的有向图模型;
S15、不断重复S11~S14,直到有向图结构不再变化以及模块度的值达到最大,大规模***中的所有变量被划分到了不同的子***中,最终获得有向图的分解结果;
所述S2中,在每个子***中建立典型变量分析模型来获取***的动态性,进而实现故障检测,具体步骤为:
S21、假设第b个子***t时刻的输入数据为t时刻的输出数据为mu,b和my,b分别表示输入变量的数目和输出变量的数目;根据输入输出数据时间序列分别构造过去信息向量pb(t)和未来信息向量fb(t):
pb(t)=[yb(t-1)T,yb(t-2)T,…,yb(t-l)T,ub(t-1)T,ub(t-2)T,…,ub(t-l)T]T
fb(t)=[yb(t)T,yb(t+1)T,…,yb(t+h)T]T
式中:l表示过去信息向量中的时间滞后;h表示未来信息向量中的时间滞后;上标T表示转置;
S22、计算过去信息向量和未来信息向量的协方差矩阵分别为Σpp,b=E(pb(t)pb(t)T)、Σff,b=E(fb(t)fb(t)T)和Σpf,b=E(pb(t)fb(t)T),典型变量分析模型通过最大化典型变量cb(t)=Jbpb(t)和db(t)=Lbfb(t)之间的相关性,从而获得代表过去信息向量pb(t)和未来信息向量fb(t)线性组合的投影矩阵Jb和Lb;
S23、通过奇异值分解来获得具有最大相关性的典型变量:
式中:Ub和Vb均为酉矩阵;
式中:n为典型变量分析模型的训练数据集样本数,Fα(sb,n-sb)和Fα(eb,n-eb)分别是状态空间和残差空间所满足的F分布;
所述S3中,通过分布式贡献图方法确定故障负责变量,并根据有向图推理法定位故障根源包括两个步骤:
S31、基于分布式典型变量分析模型的故障贡献分析:针对所有发生故障的样本,计算所有发生故障的子***内变量的状态空间贡献、残差空间贡献,并由此计算组合贡献值,然后根据组合贡献值的大小确定故障负责变量集合;
S32、基于有向图推理的故障溯源:针对所有故障负责变量,通过***知识确定它们之间的因果关系,构造故障有向图,然后通过有向图推理法确定故障传播路径和根源。
2.根据权利要求1所述的一种知识与数据驱动的大规模工业***分布式状态监测方法,其特征在于:所述S1中,有向图模型的节点表示***变量,节点间的有向边表示变量之间的因果关系,并且该模型是根据***知识建立的。
4.根据权利要求1所述的一种知识与数据驱动的大规模工业***分布式状态监测方法,其特征在于:在对子***进行监测时,根据拓扑连接知识获取子***间的通信信息,将子***内变量的本地信息与子***间的通信信息同时纳入典型变量分析模型中。
7.根据权利要求1所述的一种知识与数据驱动的大规模工业***分布式状态监测方法,其特征在于:
所述S31中基于分布式典型变量分析模型的故障贡献分析的计算具体步骤为:
其中:j=1,2,...,l是时间滞后,yb(t-j,i)是输出向量yb(t-j)的第i个变量,ub(t-j,i)是输入向量ub(t-j)的第i个变量;
S312、对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是则输出变量my和输入变量mu在状态空间的贡献分别为:
S314、对于所有nF个故障样本,计算在所有B个子***内的l个滞后观测样本中,假设输出变量my在第b个子***所有输出变量中的序号是输入变量mu在第b个子***所有输入变量中的序号是那么输出变量my和输入变量mu在残差空间的贡献分别为:
S315、由变量的状态空间贡献和残差空间贡献,分别计算输出变量和输入变量的组合贡献:
S316、设定故障变量选择阈值CT,在所有变量的组合贡献中选择累计贡献百分比大于CT的最少数目变量来确定最终的故障负责变量集合,其中累计贡献百分比为选择变量的贡献和与全部组合贡献的比值;
所述知识与数据驱动的大规模工业***分布式状态监测方法S32中基于有向图推理的故障溯源的具体步骤为:
S321、针对所有故障负责变量,根据***知识确定变量间的因果关系;
S322、根据所得因果关系构建故障有向图,有向图中变量间的连接关系代表了故障的传播路径;
S323、确定故障有向图中没有其他节点指向的变量为故障根源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565642.6A CN113110402B (zh) | 2021-05-24 | 2021-05-24 | 知识与数据驱动的大规模工业***分布式状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565642.6A CN113110402B (zh) | 2021-05-24 | 2021-05-24 | 知识与数据驱动的大规模工业***分布式状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113110402A CN113110402A (zh) | 2021-07-13 |
CN113110402B true CN113110402B (zh) | 2022-04-01 |
Family
ID=76723021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565642.6A Active CN113110402B (zh) | 2021-05-24 | 2021-05-24 | 知识与数据驱动的大规模工业***分布式状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110402B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237202B (zh) * | 2021-12-08 | 2024-04-05 | 浙江大学 | 基于fia-cva与迭代增强框架的过程监测方法 |
EP4231108A1 (en) | 2022-02-18 | 2023-08-23 | Tata Consultancy Services Limited | Method and system for root cause identification of faults in manufacturing and process industries |
CN114779739B (zh) * | 2022-04-13 | 2024-07-16 | 北京大学 | 基于概率图模型的云边端协同下工业过程的故障监测方法 |
CN115933604B (zh) * | 2022-12-20 | 2023-11-07 | 广东石油化工学院 | 基于数据驱动的故障检测与预测控制方法 |
CN115780530B (zh) * | 2023-01-19 | 2023-05-09 | 北京科技大学 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITCO20120008A1 (it) * | 2012-03-01 | 2013-09-02 | Nuovo Pignone Srl | Metodo e sistema per monitorare la condizione di un gruppo di impianti |
CN103713628B (zh) * | 2013-12-31 | 2017-01-18 | 上海交通大学 | 基于符号有向图和数据重构的故障诊断方法 |
CN104102773B (zh) * | 2014-07-05 | 2017-06-06 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN106406229B (zh) * | 2016-12-20 | 2018-04-03 | 吉林大学 | 一种数控机床故障诊断方法 |
CN107423414B (zh) * | 2017-07-28 | 2020-04-28 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电***故障溯源方法 |
-
2021
- 2021-05-24 CN CN202110565642.6A patent/CN113110402B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113110402A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113110402B (zh) | 知识与数据驱动的大规模工业***分布式状态监测方法 | |
Chen et al. | A distributed canonical correlation analysis-based fault detection method for plant-wide process monitoring | |
Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
Chau et al. | A hybrid model coupled with singular spectrum analysis for daily rainfall prediction | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN111275136B (zh) | 基于小样本下的故障预测***及其预警方法 | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
Wang et al. | Decentralized plant-wide monitoring based on mutual information-Louvain decomposition and support vector data description diagnosis | |
CN117556310B (zh) | 一种航天器剩余寿命预测方法 | |
Jiang et al. | RBF-based real-time hierarchical intrusion detection systems | |
Zhang et al. | Fault diagnosis of energy networks: A graph embedding learning approach | |
CN114779739B (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
CN115237091A (zh) | 一种机电装备故障溯源方法及*** | |
CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
De La Fuente et al. | Dynamic decentralized monitoring for large-scale industrial processes using multiblock canonical variate analysis based regression | |
Cao et al. | Variable sub-region canonical variate analysis for dynamic process monitoring | |
Yin et al. | Process decomposition and distributed fault detection of large-scale industrial processes | |
Wang et al. | Detection of sequential alarm patterns in complex industrial facilities using clasp and top-k algorithms | |
Lin et al. | A semi-supervised approach for abnormal event prediction on large operational network time-series data | |
CN113268927B (zh) | 基于全连接神经网络的大功率激光装置输出能量预测方法 | |
Askari et al. | A Semi-Supervised Learning Approach for Fault Detection and Diagnosis in Complex Mechanical Systems |
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 |