CN104793606B - 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 - Google Patents
基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 Download PDFInfo
- Publication number
- CN104793606B CN104793606B CN201510177746.4A CN201510177746A CN104793606B CN 104793606 B CN104793606 B CN 104793606B CN 201510177746 A CN201510177746 A CN 201510177746A CN 104793606 B CN104793606 B CN 104793606B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- kernel
- set omega
- hmm
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 34
- 239000000203 mixture Substances 0.000 claims description 22
- 230000000717 retained effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000003723 Smelting Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims 1
- 210000000299 nuclear matrix Anatomy 0.000 claims 1
- 238000012631 diagnostic technique Methods 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 229910000805 Pig iron Inorganic materials 0.000 description 2
- 241000124033 Salix Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006276 transfer reaction Methods 0.000 description 1
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
- G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- 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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，属于工业过程监控与诊断技术领域。本发明通过相似性分析方法的引入大大提高了KPCA在大样本情况下的计算效率，并且利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力，对工业过程的故障进行分类。因此与其它现有的方法相比，由于充分考虑了工业数据的非线性特性以及海量数据的特点，本发明方法不仅可以降低计算的复杂度，而且可以更有效处理过程的非线性特征，从而对于非线性工业故障诊断具有更高的准确率。
Description
技术领域
本发明属于工业过程监控与故障诊断领域，特别涉及一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法。
背景技术
随着工业过程复杂性的增长，工业过程监测和诊断的有效性对于保障生产过程安全、维持产品质量和优化产品利益变得日益重要。
对于过程监控和故障诊断问题，传统的方法大多采用多元统计过程监控技术(Multivariable Statistical Process Monitoring,MSPM)，其中以主元分析(PrincipalComponent Analysis,PCA)、偏最小二乘(Partial Least Squares,PLS)和独立成分分析(Independent Component Analysis,ICA)为代表等方法已在工业过程监控中得到了成功的应用。传统的PCA、ICA等方法均假设过程变量间的关系是线性的，但是实际中测量变量难以满足这个假设条件，常呈现强烈的非线性特性。尽管核方法的引入，如核ICA，核PCA(Kernel PCA)等方法被提出用于解决变量间的非线性，但是，上述方法具有以下缺点，原始数据从输入空间映射到高维特征空间后变得冗余，而且核矩阵是一个以样本数目为大小的方阵。随着样本数目的增多，计算量不断增大，而在工业过程，样本数目往往是巨大的，因此用原始的KPCA来提取变量间的非线性关系是困难的，由此，可能会引起故障诊断发生错误。
发明内容
本发明的目的在针对现有技术的不足，提供一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，通过相似性分析方法的引入大大提高了KPCA在大样本情况下的计算效率，并且利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力。因此，本方法在工业过程具有强非线性以及存在海量数据的情况下，可以实现有效地故障诊断。
一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，该方法的步骤如下：
步骤一：离线建模，对工业过程采集的离线数据，在原空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元，将得到的核主元作为隐马尔科夫模型(HMM)的观测序列，训练隐马尔科夫模型；
步骤二：在线诊断，对在线采集的数据在原空间进行相似性分析，去除相似样本，同样在特征空间进行数据的相似性分析，去除相似样本，计算相应的核矩阵以及核主元，即得到相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型。
步骤一所述的离线建模过程如下：
1)工业过程采集的第i个时刻监测数据其中ni表示样本个数；
2)在原输入空间进行相似性分析，去除相似样本，得到数据集Ω1，
2.1)初始时只有2个数据点，即新数据点根据以下提出的相似性指数公式进行相似性的判断，
其中xnew表示新数据点；
2.2)如果新数据点被引入，否则该样本点被舍弃，即Ni＝Ni-1，
其中γ0是预先设定好的一个足够小的值，满足
2.3)对原始输入空间进行相似性分析之后，被保留的数据点个数为n1，所以我们获得了数据集Ω1；
3)引入核函数φ将数据集Ω1投影到高维特征空间，在特征空间进行相似性分析，去除相似样本，得到数据集Ω2，
3.1)特征空间中相似性指数公式定义如下：
3.2)如果新数据点被引入，否则该样本点被舍弃，
其中γ1是预先设定好的一个足够小的值，满足
3.3)对特征空间进行相似性分析之后，被保留的数据点个数为n2，所以我们获得了数据集Ω2；
4)对数据集Ω2，计算核矩阵K以及核主元，
4.1)计算核矩阵
Kij＝<Φ(xi),Φ(xj)>＝K(xi,xj) (3)
其中使用径向基核函数σ＝rm，r为常数；
4.2)对核矩阵K进行中心化处理，
其中
4.3)计算主成分tk
5)将得到的核主元作为隐马尔科夫模型的观测序列O，训练隐马尔科夫模型，得到其参数λ＝(A,B,π,M,N)；
其中，A是隐含状态转移概率矩阵，描述了HMM模型中各个状态之间的转移概率，见下式(6)～(7)
式中，简记为ai,j，表示在t时刻，状态为Si的条件下，在t+1时刻状态是Sj的概率；
B是观测值概率密度矩阵，见下式
其中O是观测向量，Cjm是隐含状态j的第m个混合成分的混合系数，H是对数凹或椭圆对称密度，μjm是隐含状态Sj的第m个混合成分的均值向量，Ujm是隐含状态Sj的第m个混合成分的协方差矩阵，Cjm满足随机约束：
Cjm、μjm、Ujm的重估是这样的：Cjm的重估值是HMM在隐含状态Sj带有第k个混合成分的次数的期望除以HMM处于隐含状态Sj的次数的期望，μjm的重估值是由第k个混合成分说明的观测矢量的部分期望值，Ujm是由第k个混合成分说明的观测矢量的部分协方差,见公式(11)～(13)，
π是初始状态概率矩阵，N是隐含状态的数目，M是每个隐含状态下的高斯混合成分的数目。
步骤二所述的在线诊断程如下：
a)在线采集工业过程的数据；
b)在原空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在高维特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元；
c)以核主元作为观测序列，选择最匹配的HMM模型，从而判断故障类型。
所述的工业过程具有非线性。
所述的工业故障为高炉冶炼过程故障。
一种所述的方法用于高炉冶炼过程故障诊断。
本发明有以下优势：
1.本发明首次提出一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，实现对工业过程的故障诊断；
2.本发明能够解决过程数据存在的非线性，从而能够更有效地诊断。
3.本发明能够提高核矩阵的计算速度，从而能够更有效地诊断。
附图说明
图1是本发明方法的流程框图。
具体实施方式
本发明提出的一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，如图1所示，包括以下各步骤：
步骤一所述的离线建模过程如下：
1)工业过程采集的第i个时刻监测数据其中ni表示样本个数；
2)在原输入空间进行相似性分析，去除相似样本，得到数据集Ω1
2.1)初始时只有2个数据点，即新数据点根据以下提出的相似性指数公式进行相似性的判断
其中xnew表示新数据点。
2.2)如果新数据点被引入，否则该样本点被舍弃，即Ni＝Ni-1。其中γ0是预先设定好的一个足够小的值，满足
2.3)对原始输入空间进行相似性分析之后，被保留的数据点个数为n1，所以我们获得了数据集Ω1。
3)引入核函数φ将数据集Ω1投影到高维特征空间，在特征空间进行相似性分析，去除相似样本，得到数据集Ω2
3.1)特征空间中相似性指数公式定义如下：
3.2)如果新数据点被引入，否则该样本点被舍弃。
其中γ1是预先设定好的一个足够小的值，满足
3.3)对特征空间进行相似性分析之后，被保留的数据点个数为n2，所以我们获得了数据集Ω2。
4)对数据集Ω2，计算核矩阵K以及核主元
4.1)计算核矩阵
Kij＝<Φ(xi),Φ(xj)>＝K(xi,xj) (3)
其中使用径向基核函数σ＝rm，r为常数；
4.2)对核矩阵K进行中心化处理
其中
4.3)计算主成分tk
5)将得到的核主元作为隐马尔科夫模型的观测序列O，训练隐马尔科夫模型，得到其参数λ＝(A,B,π,M,N)；
其中，A是隐含状态转移概率矩阵，描述了HMM模型中各个状态之间的转移概率，见下式(6)～(7)
式中，简记为ai,j，表示在t时刻，状态为Si的条件下，在t+1时刻状态是Sj的概率；
B是观测值概率密度矩阵，见下式
其中O是观测向量，Cjm是隐含状态j的第m个混合成分的混合系数，H是对数凹或椭圆对称密度，本发明采用混合高斯概率密度。μjm是隐含状态Sj的第m个混合成分的均值向量，Ujm是隐含状态Sj的第m个混合成分的协方差矩阵。Cjm满足随机约束：
Cjm、μjm、Ujm的重估是这样的：Cjm的重估值是HMM在隐含状态Sj带有第k个混合成分的次数的期望除以HMM处于隐含状态Sj的次数的期望。μjm的重估值是由第k个混合成分说明的观测矢量的部分期望值，Ujm是由第k个混合成分说明的观测矢量的部分协方差,见公式(11)～(13)。
π是初始状态概率矩阵，N是隐含状态的数目，M是每个隐含状态下的高斯混合成分的数目。
步骤二所述的在线诊断过程如下：
1)在线采集工业过程的数据；
2)在原空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在高维特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元；
3)以核主元作为观测序列，选择最匹配的HMM模型，从而判断故障类型；
实施例
钢铁冶炼作为国民经济中最重要的基础产业之一，是衡量一个国家的经济水平和综合国力的重要指标。而高炉炼铁是钢铁工业生产流程中最重要的环节，所以对大型高炉非正常工况诊断与安全运行方法进行研究具有重要意义。
高炉是一个巨大的密闭反应容器，其内部冶炼过程是在高温、高压条件下，经过一系列复杂的物理化学和传热反应，是一个典型的“黑箱”操作。正是由于高炉内部的复杂性，使得其监测过程具有非线性、非高斯性以及多模态等特性。因此，我们提出的方法对高炉故障监测具有适应性。下面结合柳钢2号高炉来说明本发明方法的有效性。
成立于1958年的柳钢炼铁厂，是一个有着56年辉煌历史的设备先进、装备水平较高的大型冶炼企业，主要产品为生铁，副产品有炉尘、炉渣、高炉煤气等。它拥有7座现代化高炉，高炉整体有效容积为11750立方米，其中2号高炉有效容积为2000立方米，是目前广西最大的高炉。新高炉投产后，炼铁厂将具备年产生铁1000万吨以上的综合能力。
接下来结合该具体过程对本发明的实施步骤进行详细地阐述：
步骤一：离线建模
1)假设传感器采集5种工况下的监测数据，包括1种正常工况，以及4种故障，悬料、塌料、管道行程以及炉凉。对于每种情况采集第i个时刻监测数据其中ni表示样本个数；
2)对于5种情况都分别在原空间进行相似性分析，去除相似样本，得到数据集Ω1
2.1)在初始时只有2个数据点，即新数据点根据以下提出的相似性指数公式进行相似性的判断
其中xnew表示新数据点。
2.2)如果新数据点被引入，否则该样本点被舍弃，即Ni＝Ni-1。其中γ0是预先设定好的一个足够小的值，满足
2.3)对原始输入空间进行相似性分析之后，被保留的数据点个数为n1，所以我们获得了数据集Ω1。
3)引入核函数φ将数据集Ω1投影到高维特征空间，在特征空间进行相似性分析，去除相似样本，得到数据集Ω2
3.1)特征空间中相似性指数公式定义如下：
3.2)如果新数据点被引入，否则该样本点被舍弃。
其中γ1是预先设定好的一个足够小的值，满足
3.3)对特征空间进行相似性分析之后，被保留的数据点个数为n2，所以我们获得了数据集Ω2。
4)对数据集Ω2，计算核矩阵K以及核主元
4.1)计算核矩阵
Kij＝<Φ(xi),Φ(xj)>＝K(xi,xj) (3)
其中使用径向基核函数σ＝rm，r为常数；
4.2)对核矩阵K进行中心化处理
其中
4.3)计算主成分tk
5)将得到的核主元作为隐马尔科夫模型的观测序列O，训练隐马尔科夫模型，得到其参数λ＝(A,B,π,M,N)；
其中，A是隐含状态转移概率矩阵，描述了HMM模型中各个状态之间的转移概率，见下式(6)～(7)
式中，简记为ai,j，表示在t时刻，状态为Si的条件下，在t+1时刻状态是Sj的概率；
B是观测值概率密度矩阵，见下式
其中O是观测向量，Cjm是隐含状态j的第m个混合成分的混合系数，H是对数凹或椭圆对称密度，本发明采用混合高斯概率密度。μjm是隐含状态Sj的第m个混合成分的均值向量，Ujm是隐含状态Sj的第m个混合成分的协方差矩阵。Cjm满足随机约束：
Cjm、μjm、Ujm的重估是这样的：Cjm的重估值是HMM在隐含状态Sj带有第k个混合成分的次数的期望除以HMM处于隐含状态Sj的次数的期望。μjm的重估值是由第k个混合成分说明的观测矢量的部分期望值，Ujm是由第k个混合成分说明的观测矢量的部分协方差,见公式(11)～(13)。
π是初始状态概率矩阵，N是隐含状态的数目，M是每个隐含状态下的高斯混合成分的数目。
步骤二：在线诊断过程
a)在线采集工业过程的数据；
b)在原空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在高维特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元；
c)以核主元作为观测序列，选择最匹配的HMM模型，从而判断故障类型；
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种基于改进的KPCA和隐马尔科夫模型的工业故障诊断方法，其特征在于，该方法的步骤如下：
步骤一：离线建模，对工业过程采集的离线数据，在原始输入空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元，将得到的核主元作为隐马尔科夫模型(HMM)的观测序列，训练隐马尔科夫模型；
步骤二：在线诊断，对在线采集的数据在原始输入空间进行相似性分析，去除相似样本，同样在特征空间进行数据的相似性分析，去除相似样本，计算相应的核矩阵以及核主元，即得到相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型；
步骤一所述的离线建模过程如下：
1)工业过程采集的第i个时刻监测数据ni<t1，其中ni表示样本个数；
2)在原始输入空间进行相似性分析，去除相似样本，得到数据集Ω1，
2.1)初始时只有2个数据点，即新数据点根据以下提出的相似性指数公式进行相似性的判断，
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中xnew表示新数据点；
2.2)如果新数据点被引入，否则新数据点被舍弃，即Ni＝Ni-1，其中γ0是预先设定好的一个足够小的值，满足
2.3)对原始输入空间进行相似性分析之后，被保留的数据点个数为n1，由此，获得了数据集Ω1；
3)引入核函数φ将数据集Ω1投影到高维特征空间，在特征空间进行相似性分析，去除相似样本，得到数据集Ω2，
3.1)特征空间中相似性指数公式定义如下：
<mrow>
<msub>
<mi>S</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>&Phi;</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>&Phi;</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>&Phi;</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>&Phi;</mi>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>&Phi;</mi>
<mo>~</mo>
</mover>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>&Phi;</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>&Phi;</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
3.2)如果新数据点被引入，否则新数据点被舍弃，
其中γ1是预先设定好的一个足够小的值，满足
3.3)对特征空间进行相似性分析之后，被保留的数据点个数为n2，由此，获得了数据集Ω2；
4)对数据集Ω2，计算核矩阵K以及核主元，
4.1)计算核矩阵
Kij＝<Φ(xi),Φ(xj)>＝K(xi,xj) (3)
4.2)对核矩阵K进行中心化处理，
<mrow>
<mover>
<mi>K</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>K</mi>
<mo>-</mo>
<msub>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</msub>
<mi>K</mi>
<mo>-</mo>
<mi>K</mi>
<msub>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</msub>
<mi>K</mi>
<msub>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中
4.3)计算主成分tk
<mrow>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo><</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
5)将得到的核主元作为隐马尔科夫模型的观测向量O，训练隐马尔科夫模型，得到其参数λ＝(A,B,π,M,N)；
其中，A是隐含状态转移概率矩阵，描述了HMM模型中各个状态之间的转移概率，见下式(6)～(7)
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msub>
<mi>q</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，简记为ai,j，表示在t时刻，状态为Si的条件下，在t+1时刻状态是Sj的概率；
B是观测值概率密度矩阵，见下式
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>O</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mi>N</mi>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>O</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mi>H</mi>
<mo>&lsqb;</mo>
<mi>O</mi>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中O是观测向量，Cjm是隐含状态Sj的第m个混合成分的混合系数，H是对数凹或椭圆对称密度，μjm是隐含状态Sj的第m个混合成分的均值向量，Ujm是隐含状态Sj的第m个混合成分的协方差矩阵，Cjm满足随机约束：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>m</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
Cjm、μjm、Ujm的重估是这样的：Cjm的重估值是HMM在隐含状态Sj带有第k个混合成分的次数的期望除以HMM处于隐含状态Sj的次数的期望，μjm的重估值是由第k个混合成分说明的观测矢量的部分期望值，Ujm是由第k个混合成分说明的观测矢量的部分协方差，
π是初始状态概率矩阵，N是隐含状态的数目，M是每个隐含状态下的高斯混合成分的数目；
步骤二所述的在线诊断过程如下：
a)在线采集工业过程的数据；
b)在原始输入空间进行相似性分析，去除相似样本，得到数据集Ω1，引入核函数φ将数据集Ω1投影到高维特征空间，同样在高维特征空间进行数据的相似性分析，去除相似样本，得到数据集Ω2，根据数据集Ω2中数据计算相应的核矩阵以及核主元；
c)以核主元作为观测序列，选择最匹配的HMM模型，从而判断故障类型；
所述的工业过程具有非线性；
所述的工业故障为高炉冶炼过程故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510177746.4A CN104793606B (zh) | 2015-04-15 | 2015-04-15 | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510177746.4A CN104793606B (zh) | 2015-04-15 | 2015-04-15 | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104793606A CN104793606A (zh) | 2015-07-22 |
| CN104793606B true CN104793606B (zh) | 2018-01-12 |
Family
ID=53558492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510177746.4A Active CN104793606B (zh) | 2015-04-15 | 2015-04-15 | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104793606B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355202A (zh) * | 2016-08-31 | 2017-01-25 | 广州精点计算机科技有限公司 | 一种基于k‑均值聚类的图像特征提取方法 |
| CN106483405B (zh) * | 2016-09-30 | 2018-12-14 | 江苏大学 | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 |
| CN106803101B (zh) * | 2016-12-30 | 2019-11-22 | 北京交通大学 | 基于隐马尔科夫模型的里程计故障诊断方法 |
| CN107622279A (zh) * | 2017-09-05 | 2018-01-23 | 重庆邮电大学 | 高炉内部状态的分类方法 |
| CN107817106B (zh) * | 2017-10-11 | 2019-08-02 | 温州大学 | 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
| CN108256173B (zh) * | 2017-12-27 | 2021-06-22 | 南京航空航天大学 | 一种航空发动机动态过程的气路故障诊断方法及系统 |
| CN108664002B (zh) * | 2018-04-27 | 2021-06-29 | 中国石油大学(华东) | 一种面向质量的非线性动态过程监控方法 |
| CN109597307A (zh) * | 2018-12-29 | 2019-04-09 | 浙江运达风电股份有限公司 | 一种基于隐马尔科夫模型的故障容错控制方法 |
| CN110361193A (zh) * | 2019-04-04 | 2019-10-22 | 浙江运达风电股份有限公司 | 用于风力发电机组变桨轴承故障识别的方法 |
| CN110705581A (zh) * | 2019-07-18 | 2020-01-17 | 浙江运达风电股份有限公司 | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034441A (zh) * | 2007-03-29 | 2007-09-12 | 浙江大学 | 基于集成隐马尔可夫模型学习方法的人体运动数据的识别方法 |
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
-
2015
- 2015-04-15 CN CN201510177746.4A patent/CN104793606B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034441A (zh) * | 2007-03-29 | 2007-09-12 | 浙江大学 | 基于集成隐马尔可夫模型学习方法的人体运动数据的识别方法 |
| CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
| CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于HMM的复杂条件故障诊断技术研究;岳夏;《中国博士学位论文全文数据库工程科技II辑》;20121115(第11期);论文第21-42、74-89页 * |
| 融合KPCA与隐马尔科夫模型的虹膜识别方法;李柳柏;《制造业自动化》;20110430;第33卷(第4期);第4-6页全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104793606A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104793606B (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
| CN104777830B (zh) | 一种基于kpca混合模型的多工况过程监控方法 | |
| 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 | |
| CN108508865B (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN105550426A (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
| CN104536439B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
| CN104731083B (zh) | 一种基于自适应特征提取的工业故障诊断方法及应用 | |
| CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
| CN105116872A (zh) | 一种工业过程中基于度量学习与时间序列的故障诊断方法 | |
| CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
| CN110009020A (zh) | 一种基于多核主元分析模型的非线性过程监测方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN111752147A (zh) | 一种具有持续学习能力改进pca的多工况过程监测方法 | |
| CN116611348A (zh) | 基于机器学习的金属材料统一无参数疲劳寿命预测方法 | |
| CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
| CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
| CN111736567A (zh) | 一种基于故障敏感慢特征的多块故障监测方法 | |
| CN111914886B (zh) | 一种基于在线简略核学习的非线性化工过程监测方法 | |
| CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
| CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
| CN102750445B (zh) | 基于复化Simpson公式改进多变量灰色模型的故障预测方法 | |
| CN107122609A (zh) | 一种基于质量特性基因理论的机电产品质量评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |