CN115047853A - 基于递推规范变量残差和核主元分析的微小故障检测方法 - Google Patents
基于递推规范变量残差和核主元分析的微小故障检测方法 Download PDFInfo
- Publication number
- CN115047853A CN115047853A CN202210737859.5A CN202210737859A CN115047853A CN 115047853 A CN115047853 A CN 115047853A CN 202210737859 A CN202210737859 A CN 202210737859A CN 115047853 A CN115047853 A CN 115047853A
- Authority
- CN
- China
- Prior art keywords
- matrix
- kernel
- fault detection
- vector
- variable residual
- 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
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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Tests Of Electronic Circuits (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及故障诊断技术领域,尤其涉及一种基于递推规范变量残差和核主元分析的微小故障检测方法,首先构造规范变量残差,从中提取数据的线性特征,利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度,然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量;此外,利用核密度估计确定故障检测统计量的控制限。由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种基于递推规范变量残差和核主元分析的微小故障检测方法。
背景技术
随着***日益大型化和复杂化,故障诊断技术已成为保证***安全运行的一种重要手段。按照故障引起的征兆大小,可分为显著故障和微小故障。微小故障在早期的主要特征是发展变化缓慢,故障征兆不明显,容易被噪声所淹没;随着时间累积,故障幅值缓慢增加进而发展成为显著故障,如果不及早发现,可能会导致***失效从而引发严重后果。
微小故障的特点导致了在早期检测到微小故障的发生是非常困难的。现有的微小故障诊断方法主要包括基于知识的故障诊断方法、基于解析模型的故障诊断方法以及基于数据驱动的故障诊断方法。考虑到***结构组成及功能的复杂性,基于知识和基于解析模型的故障诊断方法往往难以实施。因此,基于数据驱动的微小故障诊断方法成为了研究热点。其优点在于不需要完备的结构功能等先验知识,也不需要构建精确的物理模型。大量多元统计分析技术被用于微小故障检测领域。如:Harmouche等针对传统PCA方法的T2统计量存在对微小故障不敏感的问题,提出了一种基于KL散度(Kullback-Leiblerdivergence,KLD)的微小故障检测方法;Zhang等将PCA和KLD相结合,并对PCA所得到的投影向量进行优化,使得投影向量对于KLD故障检测方法是局部最优的;Chen等基于KLD对非高斯电驱动***的早期微小故障进行了检测,并分析了该方法在较宽信噪比范围内的鲁棒性能;Cai等考虑到核主元分析模型不能敏感地检测微小故障初期的变化,引入KLD来度量核主成分的变化程度,提出了一种基于KLD-KPCA的微小故障诊断方法;陶松兵等建立了基于协方差矩阵特征值变化与KLD变化的微小故障幅值估计模型;Gautam等利用扩展卡尔曼滤波器建立故障检测指标和故障特征,然后基于KLD设计了故障决策统计量。与KLD类似,Zhang等基于JS散度(Jensen-Shannondivergence,JSD)对早期微小故障进行检测和估计。上述文献利用概率密度函数对微小故障较为敏感的特点,通过衡量故障发生前后检测数据概率密度函数之间的差异,实现对微小故障的检测。这类方法通常需要假设检测数据服从正态分布,但是实际***可能不满足该要求,因此应用范围受到一定限制。
另一类方法旨在提高残差对微小故障的灵敏度。如:Ruiz-Crcel等提出了基于规范变量分析(canonicalvariateanalysis,CVA)的微小故障检测方法,并验证了该方法的故障检测效果优于传统的PCA方法;Wu等将深度神经网络引入CVA中,利用贝叶斯推理分类器对故障进行分类;商亮亮等在CVA中引入了一阶干扰理论,显著降低了计算负荷;此外,Pilario等根据过去和未来规范变量之间的差异,构造规范变量残差,通过规范变量残差分析(canonicalvariatedissimilarityanalysis,CVDA)来处理早期微小故障检测问题;Shang等基于CVDA提出了一种加权平均统计量,提高了故障检测率;Li等基于CVDA提出了一个新的故障检测统计量,对微小故障的发展变化更敏感,同时仍然保持低的虚警率,并改进了传统的贡献图方法,提高了故障可识别性;Chen和Luo提出了一种新的多变量q-sigma规则来监测规范变量残差,并为每个变量都设置控制限,降低了检测延时和虚警率;肖姝君将CVDA推广到非线性过程,提出了一种基于核规范变量残差分析(kernelcanonicalvariatedissimilarityanalysis,KCVDA)的故障检测方法;Pilario等将不同的核函数进行组合,提出了一种基于混合KCVDA的非线性动态过程早期微小故障方法。
虽然CVDA以及KCVDA在微小故障检测方面具有一定的有效性,但单一采用一种模型并不是最佳选择:CVDA仅提取数据中的线性特征,无法提取数据的非线性特征,这些非线性特征通常出现在线性模型的残差空间中;KCVDA将原始数据映射到高维空间,从而忽略了原有空间的信息。因此,若仅用线性或非线性模型进行故障检测,微小故障的可检测性是相对较低的。
发明内容
为此,本发明提供一种基于递推规范变量残差和核主元分析的微小故障检测方法,用以克服现有技术中仅用线性或非线性模型进行故障检测,微小故障的可检测性是相对较低的的问题。
为实现上述目的,本发明提供一种基于递推规范变量残差和核主元分析的微小故障检测方法,包括:
步骤S1,离线训练,
步骤S11:获取正常运行状态下的检测数据Y0并对其进行标准化,得到标准化后的检测数据Y;
步骤S12:构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵;
步骤S13:对矩阵H执行奇异值分解并确定主导奇异值个数q;
步骤S15:构造核矩阵K并均值中心化,求解其特征值和特征向量;
步骤S2,在线检测,
步骤S21:获取实际检测数据,并使用Y0的均值和协方差对其进行标准化,得到标准化后的检测数据Ytest;
步骤S22:构造过去观测矩阵Yp,test和未来观测矩阵Yf,test;
进一步地,在所述步骤S12中,构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵的方法为,当原始检测数据矩阵Y0转化为:Y=[y1…yn]T时,对于第k个检测样本,设定其过去观测向量yp(k)和未来观测向量yf(k)的表达式分别为:
式中,p和f分别表示过去观测向量和未来观测向量的窗口长度;
Yp=[yp(p+1)yp(p+2)…yp(p+N)] (4)
Yf=[yf(p+1)yf(p+2)…yf(p+N)] (5)
式中,N=n-f-p+1,
设定Yp的协方差的表达式为:
设定Yf的协方差的表达式为:
设定Yp和Yf的互协方差的表达式为:
式中,参数p和f满足{mp,mf}<N。
进一步地,在所述步骤S13中,对矩阵H执行奇异值分解并确定主导奇异值个数q的方法为,在完成所述步骤S12后,对矩阵H执行奇异值分解计算,设定:
式中,U和V分别是由左右奇异向量组成的矩阵,对角矩阵S由有序奇异值组成,设定S=diag(∑1,…,∑γ,0,…,0),γ为矩阵H的秩,取U和V具有最大相关性的前q列,其中q<mp,得到降维后的矩阵Uq和Vq,则投影矩阵J和L的表达式分别为:
进一步地,在所述步骤S14中计算规范变量残差d并对d进行EWMA滤波以得到滤波后的规范变量残差的方法为,完成投影矩阵J和L的计算以使得JYp(k)和LYf(k)之间的相关性最大化,其中JYp(k)和LYf(k)为规范变量,对于第k个检测样本,设定其状态向量x(k)和残差向量e(k)的表达式分别为:
x(k)=JYp(k) (12)
式中,I为适维单位阵,利用x(k)和e(k)构造如下故障检测统计量:
T2(k)=x(k)Tx(k) (14)
Q(k)=e(k)Te(k) (15)
式中,T2(k)统计量来度量状态向量x(k)的变化,Q(k)统计量度量残差向量e(k)的变化,则第k个检测样本的规范变量残差d(k)的表达式为:
d(k)=Lyf(k)-SqJyp(k) (16)
式中,Sq=diag(Σ1,…,Σq)记所有样本的规范变量残差组成的矩阵为Yd,其协方差矩阵的表达式为:
基于马氏距离的相关定义构造故障检测统计量D,设定:
进一步地,在所述步骤S15中构造核矩阵K并均值中心化,求解其特征值和特征向量的方法为,在得到滤波后的规范变量残差后,采用KPCA算法进一步提取中的非线性特征,假设通过非线性函数隐式映射到高维特征空间且然后求解样本协方差矩阵的特征值,设定:
Cξ=λξ (21)
则式(21)改写为:
式中,<·,·>表示内积,将式(20)(22)代入到式(23)中可得:
式中,k(·,·)为核函数,i,j=1,…,N,选取高斯径向基函数作为核函数,则:
式中,h为核宽度,则公式(24)改写为:
即:
λNη=Kη (28)
根据公式(28)即可确定特征向量η1,…,ηN及其对应的特征值λ1,…,λN,另外,在计算前需要对矩阵K进行均值中心化:
进一步地,在所述步骤S18中计算控制限的方法为,采用核密度估计KDE确定故障检测统计量的控制限,假设x为一个随机变量,p(x)为x的概率密度函数,则:
通过高斯核函数可得:
通过高斯核函数估计x的概率密度函数:
式中:ψ为带宽,x(i),i=1,2,…,N为x中第i个样本,设定故障检测统计量为J,其控制限为JUCL,给定一个显著性水平α,则JUCL的计算表达式为:
进一步地,若J≤JUCL,则判定没有发生故障;若J>JUCL,则判定检测到故障。
与现有技术相比,本发明的有益效果在于,本发明提出了一种基于RCVD-KPCA的微小故障检测方法,其主要贡献在于,提出了一种混合统计建模方法,同时提取过程数据的线性和非线性特征,改进了非线性动态过程的早期微小故障检测性能,提高了微小故障的可检测性。
进一步地,仿真结果表明,本发明所述方法与传统的CVDA和KCVDA方法相比,本发明所述方法所得到的故障检测统计量不仅能够更快地检测到微小故障,而且虚警率和漏检率较低,验证了本发明所述方法具有较好的故障检测性能。
附图说明
图1为本发明实施例公开的基于递推规范变量残差和核主元分析的微小故障检测方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明实施例公开的基于递推规范变量残差和核主元分析的微小故障检测方法的流程图,包括:
步骤S1,离线训练,
步骤S11:获取正常运行状态下的检测数据Y0并对其进行标准化,得到标准化后的检测数据Y;
步骤S12:构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵;
步骤S13:对矩阵H执行奇异值分解并确定主导奇异值个数q;
步骤S15:构造核矩阵K并均值中心化,求解其特征值和特征向量;
步骤S2,在线检测,
步骤S21:获取实际检测数据,并使用Y0的均值和协方差对其进行标准化,得到标准化后的检测数据Ytest;
步骤S22:构造过去观测矩阵Yp,test和未来观测矩阵Yf,test;
在本实施例中,基于CVDA的规范变量残差构建:
作为一种线性降维技术,CVA能够最大程度地关联过去和未来数据集。因此,可以根据过去数据集对未来数据集的预测程度检测出数据变化。CVDA在CVA的基础上,利用过去和未来规范变量之间的差异构造出规范变量残差,通过规范变量残差检测数据变化。下面介绍CVDA的具体实现方法。
具体而言,在所述步骤S12中,构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵的方法为,当原始检测数据矩阵Y0转化为:Y=[y1…yn]T时,对于第k个检测样本,设定其过去观测向量yp(k)和未来观测向量yf(k)的表达式分别为:
式中,p和f分别表示过去观测向量和未来观测向量的窗口长度;
Yp=[yp(p+1)yp(p+2)…yp(p+N)] (4)
Yf=[yf(p+1)yf(p+2)…yf(p+N)] (5)
式中,N=n-f-p+1,
设定Yp的协方差的表达式为:
设定Yf的协方差的表达式为:
设定Yp和Yf的互协方差的表达式为:
式中,为了避免Σpp和Σff是奇异的,参数p和f需要满足:{mp,mf}<N。
具体而言,在所述步骤S13中,对矩阵H执行奇异值分解并确定主导奇异值个数q的方法为,在完成所述步骤S12后,对矩阵H执行奇异值分解计算,设定:
式中,U和V分别是由左右奇异向量组成的矩阵,对角矩阵S由有序奇异值组成,设定S=diag(∑1,…,∑γ,0,…,0),γ为矩阵H的秩,由于只有q(q<mp)个主导奇异值描述***的动态特性,因此取U和V具有最大相关性的前q列,得到降维后的矩阵Uq和Vq,则投影矩阵J和L的表达式分别为:
具体而言,在所述步骤S14中计算规范变量残差d并对d进行EWMA滤波以得到滤波后的规范变量残差的方法为,CVA的目标是得到投影矩阵J和L,使得JYp(k)和LYf(k)之间的相关性最大化,其中JYp(k)和LYf(k)称为规范变量,对于第k个检测样本,设定其状态向量x(k)和残差向量e(k)的表达式分别为:
x(k)=JYp(k) (12)
式中,I为适维单位阵,利用x(k)和e(k)构造如下故障检测统计量:
T2(k)=x(k)Tx(k) (14)
Q(k)=e(k)Te(k) (15)
式中,T2(k)统计量来度量状态向量x(k)的变化,Q(k)统计量度量残差向量e(k)的变化,过去观测向量对未来观测向量的可预测性可以有效地检测数据的微小变化,因此第k个检测样本的规范变量残差d(k)的表达式为:
d(k)=Lyf(k)-SqJyp(k) (16)
式中,Sq=diag(∑1,…,∑q)记所有样本的规范变量残差组成的矩阵为Yd,其协方差矩阵的表达式为:
基于马氏距离的相关定义构造故障检测统计量D,设定:
现有技术中证明了统计量D(k)对微小故障检测的有效性,但它只能评估过程数据中线性特征的变化。由于线性模型的残差通常具有非线性特征,其影响不能与其他不确定性相分离,使得模型具有更高的控制限,从而降低了微小故障的可检测性,为了提高故障可检测性,有必要进一步提取规范变量残差d中的非线性特征。考虑到目前核方法技术成熟,因此本实施例应用KPCA方法实现非线性特征提取。
在本实施例中,基于RCVD-KPCA的故障检测:
为了提高规范变量残差d对数据变化的敏感程度,首先采用指数加权滑动平均法(exponentiallyweightedmovingaverage,EWMA)对规范变量残差d进行滤波处理,EWMA是工程***过程测量中一种常用的数据处理方法,其求解过程实际上是一个递推过程,滤波后的数据的表达式为:
具体而言,在所述步骤S15中构造核矩阵K并均值中心化,求解其特征值和特征向量的方法为,在得到滤波后的规范变量残差后,采用KPCA算法进一步提取中的非线性特征,假设通过非线性函数隐式映射到高维特征空间且然后求解样本协方差矩阵的特征值,设定:
Cξ=λξ (21)
式中,C为空间中的样本协方差矩阵,λ为特征值,ξ为特征向量,由于无法显式表示,因此公式(21)不能够直接进行求解,考虑到ξ被包含于所张成的子空间中,因此存在向量:η=[η1…ηN]T,使得ξ被表示为的线性组合,设定:
则式(21)改写为:
式中,<·,·>表示内积,将式(20)(22)代入到式(23)中可得:
式中,k(·,·)为核函数,i,j=1,…,N,本实施例选取高斯径向基函数作为核函数,则:
式中,h为核宽度,则公式(24)改写为:
即:
λNη=Kη (28)
根据公式(28)即可确定特征向量η1,…,ηN及其对应的特征值λ1,…,λN,另外,在计算前需要对矩阵K进行均值中心化:
在本实施例中,基于核密度估计的控制限设计:
核密度估计(kerneldensityestimation,KDE)是一种确定控制上限的常用方法,尤其适用于非线性或非高斯分布过程数据。考虑到实际检测数据不一定服从正态分布,本实施例利用KDE确定故障检测统计量的控制限。
具体而言,在所述步骤S18中计算控制限的方法为,假设x为一个随机变量,p(x)为x的概率密度函数,则:
通过高斯核函数可得:
通过高斯核函数估计x的概率密度函数:
式中:ψ为带宽,x(i),i=1,2,…,N为x中第i个样本,设定故障检测统计量为J,其控制限为JUCL,给定一个显著性水平α,则JUCL的计算表达式为:
若J≤JUCL,则判定没有发生故障;若J>JUCL,则判定检测到故障。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于递推规范变量残差和核主元分析的微小故障检测方法,其特征在于,包括:
步骤S1,离线训练,
步骤S11:获取正常运行状态下的检测数据Y0并对其进行标准化,得到标准化后的检测数据Y;
步骤S12:构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵;
步骤S13:对矩阵H执行奇异值分解并确定主导奇异值个数q;
步骤S15:构造核矩阵K并均值中心化,求解其特征值和特征向量;
步骤S2,在线检测,
步骤S21:获取实际检测数据,并使用Y0的均值和协方差对其进行标准化,得到标准化后的检测数据Ytest;
步骤S22:构造过去观测矩阵Yp,test和未来观测矩阵Yf,test;
3.根据权利要求2所述的基于递推规范变量残差和核主元分析的微小故障检测方法,其特征在于,在所述步骤S12中,构造过去观测矩阵Yp和未来观测矩阵Yf,并分别计算Yp和Yf的协方差和互协方差矩阵的方法为,当原始检测数据矩阵Y0转化为:Y=[y1…yn]T时,对于第k个检测样本,设定其过去观测向量yp (k)和未来观测向量yf (k)的表达式分别为:
式中,p和f分别表示过去观测向量和未来观测向量的窗口长度;
Yp=[yp(p+1) yp(p+2)…yp(p+N)] (4)
Yf=[yf(p+1) yf(p+2)…yf(p+N)] (5)
式中,N=n-f-p+1,
设定Yp的协方差的表达式为:
设定Yf的协方差的表达式为:
设定Yp和Yf的互协方差的表达式为:
式中,参数p和f满足{mp,mf}<N。
5.根据权利要求4所述的基于递推规范变量残差和核主元分析的微小故障检测方法,其特征在于,在所述步骤S14中计算规范变量残差d并对d进行EWMA滤波以得到滤波后的规范变量残差的方法为,完成投影矩阵J和L的计算以使得JYp(k)和LYf(k)之间的相关性最大化,其中JYp(k)和LYf(k)为规范变量,对于第k个检测样本,设定其状态向量x(k)和残差向量e(k)的表达式分别为:
x(k)=JYp(k) (12)
式中,I为适维单位阵,利用x(k)和e(k)构造如下故障检测统计量:
T2(k)=x(k)Tx(k) (14)
Q(k)=e(k)Te(k) (15)
式中,T2(k)统计量来度量状态向量x(k)的变化,Q(k)统计量度量残差向量e(k)的变化,则第k个检测样本的规范变量残差d(k)的表达式为:
d(k)=Lyf(k)-SqJyp(k) (16)
式中,Sq=diag(∑1,…,∑q)记所有样本的规范变量残差组成的矩阵为Yd,其协方差矩阵的表达式为:
基于马氏距离的相关定义构造故障检测统计量D,设定:
6.根据权利要求5所述的基于递推规范变量残差和核主元分析的微小故障检测方法,其特征在于,在所述步骤S15中构造核矩阵K并均值中心化,求解其特征值和特征向量的方法为,在得到滤波后的规范变量残差后,采用KPCA算法进一步提取中的非线性特征,假设通过非线性函数隐式映射到高维特征空间且然后求解样本协方差矩阵的特征值,设定:
Cξ=λξ (21)
则式(21)改写为:
式中,<·,·>表示内积,将式(20)(22)代入到式(23)中可得:
式中,κ(·,·)为核函数,i,j=1,…,N,选取高斯径向基函数作为核函数,则:
式中,h为核宽度,则公式(24)改写为:
即:
λNη=Kη(28)
根据公式(28)即可确定特征向量η1,…,ηN及其对应的特征值λ1,…,λN,另外,在计算前需要对矩阵K进行均值中心化:
10.根据权利要求9所述的基于递推规范变量残差和核主元分析的微小故障检测方法,其特征在于,
若J≤JUCL,则判定没有发生故障;
若J>JUCL,则判定检测到故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737859.5A CN115047853B (zh) | 2022-06-27 | 2022-06-27 | 基于递推规范变量残差和核主元分析的微小故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737859.5A CN115047853B (zh) | 2022-06-27 | 2022-06-27 | 基于递推规范变量残差和核主元分析的微小故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115047853A true CN115047853A (zh) | 2022-09-13 |
CN115047853B CN115047853B (zh) | 2023-06-06 |
Family
ID=83163931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210737859.5A Active CN115047853B (zh) | 2022-06-27 | 2022-06-27 | 基于递推规范变量残差和核主元分析的微小故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047853B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500829A (zh) * | 2022-11-24 | 2022-12-23 | 广东美赛尔细胞生物科技有限公司 | 一种应用于神经内科的抑郁症检测分析*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断***的设计方法 |
CN107544477A (zh) * | 2017-10-23 | 2018-01-05 | 中国石油大学(华东) | 基于核主元分析的非线性工业过程故障检测方法 |
CN109145256A (zh) * | 2018-11-14 | 2019-01-04 | 南通大学 | 基于规范变量非线性主成分分析的非线性动态过程监测方法 |
CN111610021A (zh) * | 2020-06-04 | 2020-09-01 | 沈阳科网通信息技术有限公司 | 一种齿轮箱早期故障检测方法 |
CN112906158A (zh) * | 2021-02-25 | 2021-06-04 | 武汉科技大学 | 一种基于多传感器多元数据融合的机械故障诊断方法 |
WO2021149649A1 (ja) * | 2020-01-24 | 2021-07-29 | 日本精工株式会社 | ノイズキャンセラ、異常診断装置、およびノイズキャンセル方法 |
-
2022
- 2022-06-27 CN CN202210737859.5A patent/CN115047853B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断***的设计方法 |
CN107544477A (zh) * | 2017-10-23 | 2018-01-05 | 中国石油大学(华东) | 基于核主元分析的非线性工业过程故障检测方法 |
CN109145256A (zh) * | 2018-11-14 | 2019-01-04 | 南通大学 | 基于规范变量非线性主成分分析的非线性动态过程监测方法 |
WO2021149649A1 (ja) * | 2020-01-24 | 2021-07-29 | 日本精工株式会社 | ノイズキャンセラ、異常診断装置、およびノイズキャンセル方法 |
CN111610021A (zh) * | 2020-06-04 | 2020-09-01 | 沈阳科网通信息技术有限公司 | 一种齿轮箱早期故障检测方法 |
CN112906158A (zh) * | 2021-02-25 | 2021-06-04 | 武汉科技大学 | 一种基于多传感器多元数据融合的机械故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
周伟 等: "基于DPCA和KL散度的微小故障检测方法" * |
周伟;潘海鹏;吴平;陈亮;: "基于DPCA和KL散度的微小故障检测方法", 传感器与微***, no. 03, pages 141 - 144 * |
王佳瑜 等: "一种新的早期微小故障检测方法" * |
王佳瑜;周福娜;宋洋;: "一种新的早期微小故障检测方法", 科技创新与应用, no. 02, pages 45 - 46 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500829A (zh) * | 2022-11-24 | 2022-12-23 | 广东美赛尔细胞生物科技有限公司 | 一种应用于神经内科的抑郁症检测分析*** |
Also Published As
Publication number | Publication date |
---|---|
CN115047853B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
CN108490923B (zh) | 用于电气牵引***的微小故障检测与定位的***设计方法 | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
Shang et al. | Recursive dynamic transformed component statistical analysis for fault detection in dynamic processes | |
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 | |
CN109240274B (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
Monroy et al. | Fault diagnosis of a benchmark fermentation process: a comparative study of feature extraction and classification techniques | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN115047853B (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及*** | |
CN111474476A (zh) | 一种电机故障预测方法 | |
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 | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
CN114611606A (zh) | 基于核混合空间投影的故障检测方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制***智能bit设计方法 | |
Harkat et al. | Uncertain Dynamic Process Monitoring Using Moving Window PCA for Interval-Valued Data. | |
Li et al. | Fault detection and diagnosis based on new ensemble kernel principal component analysis | |
Weilong et al. | A Process Monitoring Model Based on Data Whitening and Dynamic Radius Support Vector Data Description Method | |
Ahmed et al. | Detection of Cracks in the Industrial System Using Adaptive Principal Component Analysis and Wavelet Denoising |
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 |