CN104182642B - 一种基于稀疏表示的故障检测方法 - Google Patents
一种基于稀疏表示的故障检测方法 Download PDFInfo
- Publication number
- CN104182642B CN104182642B CN201410433128.7A CN201410433128A CN104182642B CN 104182642 B CN104182642 B CN 104182642B CN 201410433128 A CN201410433128 A CN 201410433128A CN 104182642 B CN104182642 B CN 104182642B
- Authority
- CN
- China
- Prior art keywords
- rarefaction representation
- matrix
- column vector
- data sample
- cld
- 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
Abstract
本发明公开了一种基于稀疏表示的故障检测方法。包括:预处理步骤,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建一般故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建一般故障测量矩阵Y0;控制限确定步骤,基于一般故障字典矩阵X和一般故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint;现场监测步骤,采集工作现场数据z,基于一般故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld;故障检测步骤,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无一般故障,否则判断系统有一般故障。
Description
技术领域
本发明涉及故障诊断领域,尤其涉及一种基于稀疏表示的故障检测方法。
背景技术
现代工业过程中,对系统安全性和可靠性的要求逐步提升。故障检测是保障系统安全运行、提高系统可靠性的关键技术,同时也是提高产品质量的关键步骤。随着系统的复杂度逐步提升,元件数据量的不断增长,基于多元统计的故障检测方法不断被关注。例如,基于主元分析(PCA)的故障检测方法已得到广泛应用。然而,在实际工业现场中,可用于故障检测的数据并不一定满足高斯分布。以主元分析来进行故障检测的方法在对非高斯分布的数据进行检测时,不能得到满意的结果。
这是由于在应用主元分析进行故障检测时,其中的SPE,T2统计量只有在数据服从正态分布的情况下才能准确确定控制限。在实际的故障检测过程中,数据不一定服从正态分布,因此,基于主元分析(PCA)的故障检测方法在某些情况下不能准确地确定控制限。并且,经过PCA处理的非正态分布的数据丢失了部分故障信息,造成故障检测率下降。
针对微小故障,PCA等方法也未能给出较好的检测故障的方案。这是由于微小故障幅值较小,而信号本身存在噪声,导致微小故障不易从包含噪声的信号中分离出来,从而造成故障检测率较低的情况。
因此,亟需提供一种能够在数据不服从正态分布的情况下进行准确检测的故障检测方法。
发明内容
本发明针对现有技术的不足,提出了一种基于稀疏表示的故障检测方法,包括以下步骤:
预处理步骤,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建一般故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建一般故障测量矩阵Y0;
控制限确定步骤,基于一般故障字典矩阵X和一般故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint;
现场监测步骤,采集工作现场数据z,基于一般故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld;
故障检测步骤,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无一般故障,否则判断系统有一般故障。
根据本发明的一个实施例,所述预处理步骤中在预设工况下采集正常工况的第一数据样本x1′,x2′,…,xn′∈Rm并进行归一化处理以构建一般故障字典矩阵X包括:
在预设工况下采集正常工况的第一数据样本x1′,x2′,…,xn′∈Rm,其中,n为第一数据样本的采样次数,Rm表示m维的列向量,m为传感器的数量;
构造正常工况测量矩阵X0=[x1′,x2′,…,xn′]=[x1,x2,…,xn],其中,x1,x2,…,xn表示X0的列向量;
对矩阵X0的每一列进行归一化处理,使得X0的每一列的l2范数为1;
将归一化之后的矩阵设定为一般故障字典矩阵X。
根据本发明的一个实施例,所述预处理步骤中在相同的预设工况下采集正常工况的第二数据样本y1′,y2′,…,yc′∈Rm以构建一般故障测量矩阵Y0包括:
在与第一数据样本相同的预设工况下采集正常工况的第二数据样本y1′,y2′,…,yc′∈Rm,其中,c为第二数据样本的采样次数;
构建一般故障测量矩阵Y0=[y1′,y2′,…,yc′]=[y1,y2,…,yc],其中,y1,y2,…,yc表示Y0的列向量。
根据本发明的一个实施例,所述控制限确定步骤包括:
由一般故障字典矩阵X以及一般故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列其中k=1,2,3,…,c;
由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE;
根据建模阶段稀疏表示列向量序列的l1范数序列dk,确定置信度为η的控制下限和控制上限构成封闭的距离控制限区间
根据本发明的一个实施例,所述由一般故障字典矩阵X和一般故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列包括:
求解l0范数下的优化问题并满足约束条件α1,k||0≤p,计算
其中,p为经验数值,为建模阶段第k时刻的稀疏表示列向量序列,yk为一般故障测量矩阵Y0中第k时刻的列向量。
根据本发明的一个实施例,所述现场监测步骤包括:
在与第一数据样本相同的预设工况下采集工作现场数据z′j,j=1,2,3,…,N,其中N为现场监测过程中的实际采样次数;
令zj=z′j,分别求解每一当前时刻的l0范数下的优化问题并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量
根据检测阶段稀疏表示列向量在当前采样时刻的l0范数确定稀疏表示距离统计量cld。
根据本发明的另一方面,提出另一种基于稀疏表示的故障检测方法,包括以下步骤:
预处理步骤,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建微小故障字典矩阵X,在相同与设下采集正常工况的第二数据样本以构建微小故障测量矩阵Y0;
控制限确定步骤,基于微小故障字典矩阵X和微小故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint;
现场监测步骤,采集工作现场数据z,基于微小故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld;
故障检测步骤,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无微小故障,否则判断系统有微小故障。
根据本发明的一个实施例,所述预处理步骤中在预设工况下采集正常工况的第一数据样本x1′,x2′,…,xn′,…x′n+t-1∈Rm并进行归一化处理以构建微小故障字典矩阵X包括:
在预设工况下采集正常工况的第一数据样本x1′,x2′,…,xn′,…x′n+t-1∈Rm,其中,n为第一数据样本的采样次数,t为时间窗口长度,Rm表示m维的列向量,m为传感器数量;
构造时间窗口长度为t的正常工况测量矩阵
其中,x1,x2,…,xn表示X0的列向量;
对正常工况测量矩阵X0的每一列进行归一化处理,以使得X0的每一列的l2范数为1;
将归一化之后的矩阵设定为微小故障字典矩阵X。
根据本发明的一个实施例,所述预处理步骤中在相同预设工况下采集正常工况的第二数据样本y1′,y2′,…,yc′,…yc′+t-1∈Rm以构建微小故障测量矩阵Y0包括:
在与第一数据样本相同的预设工况下采集正常工况的第二数据样本y1′,y2′,…,yc′,…yc′+t-1∈Rm,其中,c为第二数据样本的采样次数;
构建微小故障测量矩阵
其中,y1,y2,…,yc表示Y0的列向量。
根据本发明的一个实施例,所述控制限确定步骤包括:
由微小故障字典矩阵X以及微小故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列其中k=1,2,3,…,c;
由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE;
根据建模阶段稀疏表示列向量序列的l1范数序列dk,确定置信度为η的控制下限和控制上限构成封闭的距离控制限区间
根据本发明的一个实施例,所述由微小故障字典矩阵X和微小故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列包括:
求解l0范数下的优化问题并满足约束条件||α1,k||0≤p,计算
其中,p为经验数值,为建模阶段第k时刻的稀疏表示列向量序列,yk为微小故障测量矩阵Y0中第k时刻的列向量。
根据本发明的一个实施例,所述现场监测步骤包括:
在与第一数据样本相同的预设工况下采集工作现场数据zj′,j=1,2,3,…,N-t+1,其中N为现场监测过程中的实际采样次数;
令zj=[zj′ z′j+1 … z′j+t-1]T,分别求解每一当前时刻的l0范数下的优化问题并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量
根据检测阶段稀疏表示列向量在当前采样时刻的l0范数确定稀疏表示距离统计量cld。
本发明提出一个全新的基于稀疏表示的故障检测框架,并在该框架下给出了两个控制限用于在线故障检测。在针对工业过程数据服从非高斯分布的情形下,对该过程进行故障检测,具有较高的故障检测水平。
此外本发明可以针对非高斯分布的微小故障进行检测。当故障水平与该信号的噪声水平相当时,通过构造微小故障字典矩阵,确定微小故障控制限等方式,提高了该种情况下微小故障的故障检测水平。
另外,由于高斯分布是非高斯分布的特殊情况,本发明的方法亦可用于工业过程数据为高斯分布情况下的故障检测。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
图1是本发明实施例一的基于稀疏表示的一般故障检测方法的流程图;
图2是本发明实施例一的仿真实验中现有技术的主元分析法SPE统计量分布图;
图3是本发明实施例一的仿真实验中现有技术的主元分析法T2统计量分布图;
图4是本发明实施例一的仿真实验中稀疏表示重构误差控制限CLE分布图;
图5是本发明实施例一的仿真实验中稀疏表示重构距离控制限区间CLDint分布图;
图6是本发明实施例二的基于稀疏表示的微小故障检测方法的流程图;
图7是本发明实施例二的仿真实验中现有技术的滑动窗口主元分析法SPE统计量分布图;
图8是本发明实施例二的仿真实验中现有技术的滑动窗口主元分析法T2统计量分布图;
图9是本发明实施例二的仿真实验中稀疏表示重构误差控制限CLE分布图;
图10是本发明实施例二的仿真实验中稀疏表示重构距离控制限区间CLDint分布图。
具体实施方式
以下将结合附图来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明各实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
本发明旨在提供一种能够在工业过程中,在数据分布不满足高斯分布的情况下实现准确在线故障检测的方法。而在实际工业过程中,过程数据在某些情况下并不服从高斯分布。在这种情况下,基于PCA的故障检测方法已无法准确描述该正常工况数据的边界,从而使得控制限不能准确表达高维数据投影至低维的边界,最终造成故障检测水平下降。
本发明采用稀疏表示这一数学方法构成了故障检测的新框架。在该框架下,运用稀疏表示方法可将正常工况数据在高维度上的边界更紧致地描述,并通过本发明中提到的两个控制限将高维的边界映射到一维空间上,最终进行故障检测,得到良好的故障检测效果。
实施例一
本实施例提供一种针对一般故障的检测方法,图1所示为本发明实施例一的基于稀疏表示的故障检测方法的流程图。
在步骤S101中进行预处理,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建一般故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建一般故障测量矩阵Y0。
具体来说,首先在预设工况下采集正常工况数据。假设所检测的对象包含m个传感器,则采集的正常工况数据为x1,x2,…,xn∈Rm,x1′,x2′,…,xn′表示正常工况下传感器的采样值。Rm表示m维列向量,m为传感器的数量。每个传感器有n个独立采样,n为第一数据样本的采样次数。可构造正常工况测量矩阵X0=[x1′,x2′,…,xn′]=[x1,x2,…,xn],其中,x1,x2,…,xn表示X0的列向量,将该矩阵作为构建字典所需的原始样本。
对矩阵X0的每一列进行归一化处理,使得X0的每一列的l2范数为1。归一化之后的矩阵设定为一般故障字典矩阵X。需要说明的是,一般故障字典矩阵X用于描述正常工况,也即一般故障字典矩阵X是一个包含已知的所有正常工况特征的样本集。利用该样本集可充分描述正常工况的数据特点,也即准确的描述了正常工况的边界。
然后,再次采集与X0=[x1,x2,…,xn]∈Rm×n同种预设工况下的正常工况数据,用于构建一般故障测量矩阵Y0=[y1′,y2′,…,yc′]=[y1,y2,…,yc],c为第二数据样本的采样次数。
接下来,在步骤S102中确定控制限,基于一般故障字典矩阵X和一般故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint。
首先,由一般故障字典矩阵X以及一般故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列其中k=1,2,3,…,c。
求解l0范数下的优化问题并满足约束条件||α1,k||0≤p,k=1,2,3,…,c;求得稀疏表示重构误差序列求解该问题一般采用Orthogonal Matching Pursuit(OMP)算法。
其中,p为经验数值,用于控制检测敏感度,为建模阶段稀疏表示列向量序列,yk为一般故障测量矩阵Y0中的列元素,k遍历从1到c的每一时刻。
需要说明的是,求解l0范数下的优化问题,是在满足约束条件下讨论使得||Xα1,k-yk||2最小的α1,k的取值从而计算
其中,OMP算法可以参考文献Orthogonal Matching Pursuit:RecursiveFunction Approximat ion with Applications to Wavelet Decomposition,Y.C.PAT,R.REZAIIF,P.s.KRISHNAPRAS,Proceedings of 27th Asilomar Conference on Signals,Systems and Computers,1993。
然后,由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE。
最后,计算建模阶段稀疏表示列向量序列的l1范数序列dk,记为D=[d1,d2,…,dc],确定D在置信度为η的控制下限和控制上限构成封闭的距离控制限区间
需要说明的是,本步骤中的重构误差控制限CLE表示任意数据分布下,正常工况的数据通过稀疏表示方法表示后的重构误差范围;距离控制限区间表示任意数据分布下,正常工况的数据距离坐标系原点的距离范围。与常规的主元分析方法得到的SPE和T2统计量相比,本实施例中CLE和CLDint参数对故障更为敏感,能够相对准确地描述非高斯数据的特征。所以,本实施例中的方法能在非高斯情况下进行故障检测,判断结果更准确。
在步骤S103中进行现场监测,采集工作现场数据z,基于一般故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld。
在本步骤中,采集与x1′,x2′,…,xn′相同预设工况下的工作现场传感器实时数据zj′,j=1,2,3,…,N,其中N为现场监测过程中的实际采样次数。令zj=z′j,分别求解每一当前时刻的l0范数下的优化问题并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量以及检测阶段稀疏表示列向量序列
然后,根据检测阶段稀疏表示列向量在当前采样时刻的l0范数确定稀疏表示距离统计量cld。
相应的,本步骤中重构误差统计量clε反映了任意分布下当前时刻的重构误差;稀疏表示距离统计量cld表示任意分布下当前数据距离原点的距离,所以能够用于非高斯情况下的故障检测。
接下来,在步骤S104中进行故障检测,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无一般故障,否则判断系统有一般故障。
综上所述,本实施例中的方法采用稀疏表示这一数学方法提出了故障检测的新框架。可将正常工况数据在高维度上的边界更紧致地描述,并通过本发明中提到的两个控制限将高维的边界映射到一维空间上,最终进行一般故障的故障检测。并且,由于高斯分布事实上是非高斯分布的一种特殊情况,本实施例的方法同样可以用于高斯分布下的一般故障检测。
仿真实验一
本实验是实施例一的故障检测方法在仿真模型中的应用。选取工业过程中传感器的示例模型为:
x1(k)=0.3723s1+0.6815s2+e1
x2(k)=0.4890s1+0.2954s2+e2
x3(k)=0.9842s1+0.1793s2+e3
其中,x1,x2,x3为传感器测量值,s1,s2为真实状态,并预先设定工作点为s1=10,s2=12,e3为标准差为0.01的高斯白噪声,e1,e2,e3为限定幅值的噪声。先产生一个高斯分布的e1,当其幅值超过±0.3时,使其等于±0.3,从而有e1∈[-0.3,0.3]。类似的,e2∈[-0.4,0.4],e3∈[-0.5,0.5]此时噪声分布非高斯。
在第1500步时,在x3中加入幅值为0.017的加性故障。其仿真结果如图2、图3、图4和图5所示。
图2为现有技术的主元分析法SPE统计量分布图,图3为现有技术的主元分析法T2统计量分布图。图4为本实验中稀疏表示重构误差控制限CLE分布图;图5为本实验中稀疏表示重构距离控制限区间CLDint分布图。
如图4中所示,在1-2500步过程中,在预设工况下采集得到正常工况的第一数据样本,进行归一化处理之后构建一般故障字典矩阵X。随后,在2501-5000步过程中,进行正常工况的第二次采样,得到一般故障测量矩阵Y0。
接下来,应用实施例一步骤S102中所述的方法,基于一般故障字典矩阵X和一般故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint。在本实施例中,经验数值p取为1。置信度λ取值为95%,表示CLE控制限的误报率控制在5%左右。信任度η取值为95%,表示CLDint控制限的误报率控制在5%左右。
图4中虚线表示控制限CLE的数值,图5中的两条虚线分别表示距离控制下限和距离控制上限
在随后的5001-10000步中,进行在线故障监测。在每个检测时刻,应用步骤S103描述的方法计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld,并应用步骤S104的方法进行故障检测。得到表1所示的故障误报率和漏报率的结果。
表1
SPE | CLE | |||
误报率 | 5.01% | 5.01% | 5.02% | 5.02% |
漏报率 | 18.27% | 33.36% | 11.40% | 24.20% |
作为对比,应用主元分析方法得到的SPE和T2统计量进行故障检测。在表1中,误报率二者相同,均接近5%。SPE漏报率为18.27%,T2漏报率为33.36%。
本实施例中,应用CLE和CLDint两个指标进行故障检测,分别对应现有技术中的SPE和T2。
容易看出,在保证误报率基本相同的前提下,稀疏表示方法提出的CLE和CLDint两个指标中,CLE指标漏报率为10.20%,比SPE漏报率降低约6.87%;CLDint指标给出的漏报率为24.20%,较T2漏报率下降了约9.16%。这说明该方法在非高斯分布条件下一般故障的故障检测的水平高于主元分析方法。
实施例二
本实施例提供一种针对微小故障的检测方法,图6所示为本发明实施例二的基于稀疏表示的故障检测方法的流程图。
在步骤S201中进行预处理,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建微小故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建微小故障测量矩阵Y0。
具体来说,在预设工况下采集正常工况数据,假设所检测的对象包含m个传感器,则采集的正常工况数据为x1′,x2′,…,xn′,…x′n+t-1∈Rm,Rm表示m维列向量,m为传感器的数量。每个传感器有n个独立采样,n为第一数据样本的采样次数,t为时间窗口长度。则构造时间窗口长度为t的正常工况测量矩阵:
其中,x1,x2,…,xn表示X0的列向量。将该矩阵作为构建字典所需的原始样本。
对矩阵X0的每一列进行归一化处理,使得X0的每一列的l2范数为1。归一化之后的矩阵设定为微小故障字典矩阵X。
需要说明的是,微小故障字典矩阵X用于描述正常工况,也即微小故障字典矩阵X是一个包含已知的所有正常工况特征的样本集。由于引入时间窗口t,微小故障字典矩阵X能够包括更细致的正常工况特征,即包含了数据点之间的时间信息,这一特征对正常工况的描述要比传统时域分析中的统计量更为准确。利用该样本集可充分描述正常工况的数据特点。
然后,再次采集与x1′,x2′,…,xn′,…x′n+t-1∈Rm同样的预设工况下的正常工况数据y1′,y2′,…,yc′,…yc′+t-1∈Rm,c为第二数据样本的采样次数,构建确定故障阈值的微小故障测量矩阵
其中,y1,y2,…,yc表示Y0的列向量。
接下来,在步骤S202中确定控制限,基于微小故障字典矩阵X和微小故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint。
首先,由微小故障字典矩阵X以及微小故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和建模阶段稀疏表示列向量序列其中k=1,2,3,…,c。
求解第k时刻的l0范数下的优化问题并满足约束条件||α1,k||0≤p,k=1,2,3,…,c;求得稀疏表示重构误差序列求解该问题一般采用Orthogonal Matching Pursuit(OMP)算法。
其中,p为经验数值,用于控制检测敏感度,c为第二数据样本的采样次数,为建模阶段稀疏表示列向量,yk为测量矩阵Y0中的列元素,k遍历从1到c的每一时刻。
需要说明的是,求解l0范数下的优化问题,是在满足约束条件下讨论使得||Xα1,k-yk||2最小的α1,k的取值从而计算
然后,由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE。
最后,计算建模阶段稀疏表示列向量序列的l1范数序列dk,k遍历从1至c,确定置信度为η的控制下限和控制上限构成封闭的距离控制限区间
需要说明的是,本步骤中的重构误差控制限CLE表示任意数据分布下,正常工况的数据通过稀疏表示方法表示后的重构误差范围;距离控制限区间表示任意数据分布下,正常工况的数据距离坐标系原点的距离范围。本实施例中针对微小故障选定时间窗口t,可根据实际情况调整t的取值。实际上,选取时间窗口的目的是将较低维度上的时间序列映射到较高维度的空间维度上,继而将时间信息隐含在空间中,既提取了原始的空间(幅值)信息,又提取了隐含的时间(相邻t个采样点的相对幅值关系)信息。在提取了这些信息后,再计算CLE和CLDint,则对微小故障的检测更为有效。
与常规的主元分析方法得到的SPE和T2统计量相比,本实施例中CLE和CLDint参数对微小故障更为敏感,能够相对准确地描述非高斯数据的特征。所以,本实施例中的方法能在非高斯情况下进行微小故障检测,判断结果更准确。
在步骤S203中进行现场监测,采集工作现场数据z′j,基于微小故障字典矩阵X和工作现场数据z′j计算稀疏表示重构误差统计量clεj以及稀疏表示距离统计量cldj。
在本步骤中,采集与x1′,x2′,…,xn′,…xn′+t-1相同的预设工况下的工作现场传感器实时数据zj′,j=1,2,3,…,N-t+1,其中N为现场监测过程中的实际采样次数。
针对微小故障,设时间窗口为t,令zj=[z′j z′j+1 … z′j+t-1]T,求解该时刻l0范数下的优化问题并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量
然后,根据检测阶段稀疏表示列向量在当前采样时刻的l1范数确定稀疏表示距离统计量cldj。
相应的,本步骤中重构误差统计量clε反映了任意分布下当前时刻的重构误差;稀疏表示距离统计量cld表示任意分布下当前数据距离原点的距离。由于稀疏表示方法本身对数据不做分布的假设,且其统计量的计算也无对数据分布的假设,因此能够在故障较小的情况下较为精确地计算统计量,故而能够用于非高斯情况下的微小故障检测。
接下来,在步骤S204中进行故障检测,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无微小故障,否则判断系统有微小故障。
综上所述,本实施例中的方法采用稀疏表示这一数学方法提出了微小故障检测的新框架。可将正常工况数据在高维度上的边界更紧致地描述,并通过本发明中提到的两个控制限将高维的边界映射到一维空间上,最终进行故障检测。并且,由于高斯分布事实上是非高斯分布的一种特殊情况,本实施例的方法同样可以用于高斯分布下的微小故障检测。
仿真实验二
本实验是实施例二的故障检测方法在仿真模型中的应用。选取工业过程中传感器的示例模型为:
x1(k)=0.3723s1+0.6815s2+e1
x2(k)=0.4890s1+0.2954s2+e2
x3(k)=0.9842s1+0.1793s2+e3
其中,x1,x2,x3为传感器测量值,s1,s2为真实状态,并预先设定工作点为s1=10,s2=12,e3为标准差为0.01的高斯白噪声,e1,e2,e3为限定幅值的噪声。先产生一个高斯分布的e1,当其幅值超过±0.3时,使其等于±0.3,从而有e1∈[-0.3,0.3]。类似的,e2∈[-0.4,0.4],e3∈[-0.5,0.5]此时噪声分布非高斯。
设定时间窗长度t=20。在第1500步时,在x3中加入幅值为0.014的加性故障。其仿真结果如图7、图8、图9和图10所示。与实施例一不同的是,本次实验中的加性故障的幅值为0.014。而系统中的噪声标准差为0.01,故障水平与噪声水平比较接近,可称为微小故障。按照实施例一中针对一般故障的检测方法并不能检测到,需要按照本实施例的方法进行检测。
图7为现有技术的滑动窗口主元分析法SPE统计量分布图,图8为现有技术的滑动窗口主元分析法T2统计量分布图。图9为本实施例中稀疏表示重构误差控制限CLE分布图,图10为本实施例中稀疏表示重构距离控制限区间CLDint分布图。
如图9中所示,在1-750步过程中,正常工况下采集得到的第一数据样本,进行归一化处理之后构建微小故障字典矩阵X。随后,在751-1500步过程中,进行正常工况的第二次采样,得到微小故障测量矩阵Y0。
接下来,应用本实施例步骤S202中所述的方法,基于微小故障字典X和微小故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint。在本实施例中,经验数值p取为1。置信度λ取值为95%,表示CLE控制限的误报率控制在5%左右。信任度η取值为95%,表示CLDint控制限的误报率控制在5%左右。
图9中虚线表示控制限CLE的数值,图10中的两条虚线分别表示距离控制下限和距离控制上限
在随后的1501-3000步中,进行在线故障监测。在每个监测时刻,应用步骤S203描述的方法计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld,并应用步骤S204的方法进行故障检测。得到表2所示的故障误报率和漏报率的结果。
表2
SPE | CLE | |||
误报率 | 5.60% | 5.60% | 5.07% | 5.07% |
漏报率 | 73.47% | 10.93% | 40.47% | 0.13% |
现有技术中,应用主元分析方法得到的SPE和T2统计量进行故障检测。在表2中,误报率二者相同,均接近5%。SPE漏报率为73.47%,T2漏报率为10.93%。
本实施例中,应用CLE和CLDint两个指标进行故障检测,分别对应现有技术中的SPE和T2。
容易看出,在保证误报率基本相同的前提下,稀疏表示方法提出的CLE和CLDint两个指标中,CLE指标漏报率为40.47%,比SPE漏报率降低约33.00%;CLDint指标给出的漏报率为0.13%,较T2漏报率下降了约10.80%。这说明该方法在非高斯分布条件下的微小故障检测的水平高于滑动窗口主元分析方法。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种基于稀疏表示的故障检测方法,其特征在于,包括以下步骤:
预处理步骤,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建一般故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建一般故障测量矩阵Y0;
控制限确定步骤,基于一般故障字典矩阵X和一般故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint;
现场监测步骤,采集工作现场数据z,基于一般故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld;
故障检测步骤,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无一般故障,否则判断系统有一般故障,
其中,所述控制限确定步骤包括:
由一般故障字典矩阵X以及一般故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列其中k=1,2,3,…,c;
由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE;
根据建模阶段稀疏表示列向量序列的l1范数序列dk,确定置信度为η的控制下限和控制上限构成封闭的距离控制限区间
2.根据权利要求1所述的方法,其特征在于,所述预处理步骤中在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建一般故障字典矩阵X包括:
在预设工况下采集正常工况的第一数据样本x′1,x′2,…,x′n∈Rm,其中,n为第一数据样本的采样次数,Rm表示m维的列向量,m为传感器的数量;
构造正常工况测量矩阵X0=[x′1,x′2,…,x′n]=[x1,x2,…,xn],其中,x1,x2,…,xn表示X0的列向量;
对矩阵X0的每一列进行归一化处理,使得X0的每一列的l2范数为1;
将归一化之后的矩阵设定为一般故障字典矩阵X。
3.根据权利要求1所述的方法,其特征在于,所述预处理步骤中在相同的预设工况下采集正常工况的第二数据样本以构建一般故障测量矩阵Y0包括:
在与第一数据样本相同的预设工况下采集正常工况的第二数据样本y′1,y′2,…,y′c∈Rm,其中,c为第二数据样本的采样次数;
构建一般故障测量矩阵Y0=[y′1,y′2,…,y′c]=[y1,y2,…,yc],其中,y1,y2,…,yc表示Y0的列向量。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述由一般故障字典矩阵X和一般故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列包括:
求解l0范数下的优化问题并满足约束条件||α1,k||0≤p,计算
其中,p为经验数值,为建模阶段第k时刻的稀疏表示列向量序列,yk为一般故障测量矩阵Y0中第k时刻的列向量。
5.根据权利要求4所述的方法,其特征在于,所述现场监测步骤包括:
在与第一数据样本相同的预设工况下采集工作现场数据z′j,j=1,2,3,…,N,其中N为现场监测过程中的实际采样次数;
令zj=z′j,分别求解每一当前时刻的l0范数下的优化问题并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量
根据检测阶段稀疏表示列向量在当前采样时刻的l0范数确定稀疏表示距离统计量cld。
6.一种基于稀疏表示的故障检测方法,其特征在于,包括以下步骤:
预处理步骤,在预设工况下采集正常工况的第一数据样本并进行归一化处理以构建微小故障字典矩阵X,在相同的预设工况下采集正常工况的第二数据样本以构建微小故障测量矩阵Y0;
控制限确定步骤,基于微小故障字典矩阵X和微小故障测量矩阵Y0确定稀疏表示重构误差控制限CLE以及距离控制限区间CLDint;
现场监测步骤,采集工作现场数据z,基于微小故障字典矩阵X和工作现场数据z计算稀疏表示重构误差统计量clε以及稀疏表示距离统计量cld;
故障检测步骤,当重构误差统计量clε小于重构误差控制限CLE,并且稀疏表示距离统计量cld在距离控制限区间CLDint内时,判断系统无微小故障,否则判断系统有微小故障,
所述控制限确定步骤包括:
由微小故障字典矩阵X以及微小故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列其中k=1,2,3,…,c;
由稀疏表示重构误差序列clεk确定置信度为λ的稀疏表示重构误差控制限CLE;
根据建模阶段稀疏表示列向量序列的l1范数序列dk,确定置信度为η的控制下限和控制上限构成封闭的距离控制限区间
7.根据权利要求6所述的方法,其特征在于,所述预处理步骤中在预设工况下采集第一正常工况的数据样本x′1,x′2,…,x′n,…x′n+t-1∈Rm并进行归一化处理以构建微小故障字典矩阵X包括:
在预设工况下采集正常工况的第一数据样本x′1,x′2,…,x′n,…x′n+t-1∈Rm,其中,n为第一数据样本的采样次数,t为时间窗口长度,Rm表示m维的列向量,m为传感器的数量;
构造时间窗口长度为t的正常工况测量矩阵
其中,x1,x2,…,xn表示X0的列向量;
对正常工况测量矩阵X0的每一列进行归一化处理,以使得X0的每一列的l2范数为1;
将归一化之后的矩阵设定为微小故障字典矩阵X。
8.根据权利要求6所述的方法,其特征在于,所述预处理步骤中在相同的预设工况下采集正常工况的第二数据样本y′1,y′2,…,y′c,…y′c+t-1∈Rm以构建微小故障测量矩阵Y0包括:
在与第一数据样本相同的预设工况下采集正常工况的第二数据样本y′1,y′2,…,y′c,…y′c+t-1∈Rm,其中,c为第二数据样本的采样次数;
构建微小故障测量矩阵
其中,y1,y2,…,yc表示Y0的列向量。
9.根据权利要求6-8中任一项所述的方法,其特征在于,所述由微小故障字典矩阵X和微小故障测量矩阵Y0中的列向量求解l0范数下的优化问题,确定稀疏表示重构误差序列clεk和每一时刻对应的建模阶段稀疏表示列向量序列包括:
求解l0范数下的优化问题并满足约束条件||α1,k||0≤p,计算
其中,p为经验数值,为建模阶段第k时刻的稀疏表示列向量序列,yk为微小测量矩阵Y0中第k时刻的列向量。
10.根据权利要求9所述的方法,其特征在于,所述现场监测步骤包括:
在与第一数据样本相同的预设工况下采集工作现场数据z′j,j=1,2,3,…,N-t+1,其中N为现场监测过程中的实际采样次数;
令zj=[z′j z′j+1 … z′j+t-1]T,分别求解每一当前时刻的l0范数下的优化问题(l0):并满足约束条件||α2,j||0≤p,计算稀疏表示重构误差统计量
根据检测阶段稀疏表示列向量在当前采样时刻的l0范数确定稀疏表示距离统计量cld。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410433128.7A CN104182642B (zh) | 2014-08-28 | 2014-08-28 | 一种基于稀疏表示的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410433128.7A CN104182642B (zh) | 2014-08-28 | 2014-08-28 | 一种基于稀疏表示的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182642A CN104182642A (zh) | 2014-12-03 |
CN104182642B true CN104182642B (zh) | 2017-06-09 |
Family
ID=51963677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410433128.7A Active CN104182642B (zh) | 2014-08-28 | 2014-08-28 | 一种基于稀疏表示的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182642B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104848883B (zh) * | 2015-03-27 | 2017-10-17 | 重庆大学 | 一种基于稀疏表示的传感器噪声与故障的判别方法 |
CN105182955B (zh) * | 2015-05-15 | 2016-06-22 | 中国石油大学(华东) | 一种多变量工业过程故障识别方法 |
CN105730431B (zh) * | 2016-01-29 | 2018-04-20 | 清华大学 | 动车组制动缸故障监测方法及故障监测系统 |
CN105760843A (zh) * | 2016-02-29 | 2016-07-13 | 东南大学 | 一种滚动轴承早期故障特征提取方法 |
CN106982061A (zh) * | 2017-03-29 | 2017-07-25 | 南京信息工程大学 | 一种基于PCA稀疏表示的Lamb波压缩感知方法 |
CN110580488B (zh) * | 2018-06-08 | 2022-04-01 | 中南大学 | 基于字典学习的多工况工业监测方法、装置、设备及介质 |
CN109101702B (zh) * | 2018-07-23 | 2023-05-12 | 山东科技大学 | 一种基于时间约束稀疏表示和特征降维的故障检测方法 |
CN109784305B (zh) * | 2019-01-29 | 2020-12-08 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN111722594B (zh) * | 2019-03-18 | 2022-03-11 | 中南大学 | 工业过程监测方法、装置、设备和可读存储介质 |
CN110687885A (zh) * | 2019-09-09 | 2020-01-14 | 中国计量大学 | 一阶定值控制系统调节阀故障诊断方法及系统 |
CN111427265B (zh) * | 2020-03-19 | 2021-03-16 | 中南大学 | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 |
CN111538759B (zh) * | 2020-04-20 | 2023-09-12 | 中南大学 | 一种基于分布式字典学习的工业过程智能监测方法与系统 |
CN113064401B (zh) * | 2021-03-24 | 2022-10-25 | 重庆大学 | 一种基于数据驱动的闭环系统微小故障检测与估计方法 |
CN113341926B (zh) * | 2021-06-10 | 2023-11-17 | 兰州理工大学 | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382468A (zh) * | 2008-09-05 | 2009-03-11 | 华南理工大学 | 基于稀疏表示的汽车发动机故障诊断系统和方法 |
CN103309347A (zh) * | 2013-06-05 | 2013-09-18 | 浙江大学 | 一种基于稀疏表示的多工况过程监控方法 |
CN103713628A (zh) * | 2013-12-31 | 2014-04-09 | 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 |
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7324036B2 (en) * | 2003-05-12 | 2008-01-29 | Hrl Laboratories, Llc | Adaptive, intelligent transform-based analog to information converter method and system |
-
2014
- 2014-08-28 CN CN201410433128.7A patent/CN104182642B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382468A (zh) * | 2008-09-05 | 2009-03-11 | 华南理工大学 | 基于稀疏表示的汽车发动机故障诊断系统和方法 |
CN103309347A (zh) * | 2013-06-05 | 2013-09-18 | 浙江大学 | 一种基于稀疏表示的多工况过程监控方法 |
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN103713628A (zh) * | 2013-12-31 | 2014-04-09 | 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 |
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
Non-Patent Citations (6)
Title |
---|
Fault detection and diagnosis based on sparse representation classification(SRC);Lijun Wu等;《Proceedings of the 2012 IEEE International Conference on Robotics and Biomimetics》;20121214;第926-931页 * |
Fault Detection of Non-Gaussian Processes Based on Model Migration;Yingwei Zhang等;《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》;20130930;第21卷(第5期);第1517-1526页 * |
Fault Detection via Sparse Representation for Semiconductor Manufacturing Processes;Likun Ren等;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;20140501;第27卷(第2期);第252-259页 * |
基于MEWMA-PCA的微小故障检测方法研究及其应用;葛志强等;《信息与控制》;20071015;第36卷(第5期);第650-656页 * |
基于形态成分分析的轴承复合故障诊断;杨杰等;《轴承》;20110805(第8期);第38-42页 * |
基于支持向量数据描述的非高斯过程故障重构与诊断;张建明等;《化工学报》;20090115;第60卷(第1期);第168-171页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182642A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182642B (zh) | 一种基于稀疏表示的故障检测方法 | |
CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
Li et al. | Fault detection and diagnosis for stochastic systems via output PDFs | |
CN103217172B (zh) | 一种卡尔曼滤波传感器信息融合的故障检测方法 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN109976311A (zh) | 一阶定值控制系统传感器故障诊断方法及诊断系统 | |
CN109766912A (zh) | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和系统 | |
Pyayt et al. | An approach for real-time levee health monitoring using signal processing methods | |
CN104391325B (zh) | 不连续非均质地质体检测方法和装置 | |
CN104142680A (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
CN115451803A (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
Horvath et al. | Sensor fault diagnosis of inland navigation system using physical model and pattern recognition approach | |
CN106599367A (zh) | 一种航天器状态异常检测方法 | |
CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |