CN105425777B - 一种基于主动学习的化工过程故障监控方法 - Google Patents
一种基于主动学习的化工过程故障监控方法 Download PDFInfo
- Publication number
- CN105425777B CN105425777B CN201510925822.5A CN201510925822A CN105425777B CN 105425777 B CN105425777 B CN 105425777B CN 201510925822 A CN201510925822 A CN 201510925822A CN 105425777 B CN105425777 B CN 105425777B
- Authority
- CN
- China
- Prior art keywords
- signal
- unmarked
- attribute
- observation
- classification
- 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.)
- Expired - Fee Related
Links
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
- G05B2219/24048—Remote test, monitoring, diagnostic
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主动学习的化工过程故障监控方法，包括：实时采集化工过程信号的属性；根据化工过程历史信号建立初始训练信号集和未标记观测信号集；更新训练信号集和未标记观测信号集；根据训练信号集建立朴素贝叶斯分类器模型并预测未标记观测信号的类标签；利用主动学习方法对朴素贝叶斯分类器模型进行修正，得到最终的朴素贝叶斯分类器模型；将实时采集的化工过程信号的属性作为最终的朴素贝叶斯分类器模型输入，对化工过程故障监控。本发明根据有限数量的已标记数据和大量未标记观测数据，建立朴素贝叶斯分类器再利用主动学习方法寻找未标记观测信号中的有用样本，重新训练朴素贝叶斯分类器，使其可以发现新的故障类型和改善分类精度。
Description
技术领域
本发明涉及化工过程故障监控技术领域，具体涉及一种基于主动学习的化工过程故障监控方法。
背景技术
近年来，由于分布式控制系统的发展，大量的工业过程数据被有效地收集和储存起来，这些数据中包含了大量有价值的工业过程信息，使得基于数据驱动的工业过程监控方法获得了广泛的关注。在基于数据驱动的故障监控方法中，朴素贝叶斯分类器是一种常用方法，但在应用朴素贝叶斯分类器进行故障监控方法之前，有两个潜在的问题需要解决：1)朴素贝叶斯分类器需要已标记的正常和故障工况数据建模，也就是说朴素贝叶斯分类器不能发现未知故障。2)朴素贝叶斯分类器需要大量已标记工况数据建模。在工业实践中，很难收集到全部的故障类型数据，一般只有有限数量的已标记的数据和大量未标记的观测数据，这限制了朴素贝叶斯分类器在工业实际中的应用。
发明内容
针对现有技术存在的不足，本发明提供一种基于主动学习的化工过程故障监控方法。
本发明的技术方案是：
一种基于主动学习的化工过程故障监控方法，包括以下步骤：
步骤1、实时采集化工过程信号的属性；
步骤2、建立朴素贝叶斯分类器模型对化工过程进行故障监控；
步骤2-1、根据化工过程历史信号建立初始训练信号集和未标记观测信号集：从采集的历史信号中选择出设定数量的正常信号和故障信号，并根据每个信号所属信号类别进行标记作为训练信号集，采集的历史信号中的其余信号作为未标记观测信号集；
化工过程历史信号包括属性和信号类别；
属性包括：物料属性、反应器属性、汽/液分类器属性、解析塔属性、测量结果属性、压缩机属性、分离器属性、汽提器属性、冷凝器属性；
信号类别包括：正常信号和故障信号，故障信号分为若干故障类别；
步骤2-2、更新训练信号集和未标记观测信号集；
步骤2-3、根据训练信号集建立朴素贝叶斯分类器模型并预测未标记观测信号的类标签；
步骤2-4、利用主动学习方法对朴素贝叶斯分类器模型进行修正：如果类标签为未知故障类别，则收集从第一次出现属于未知故障类别的未标记观测信号开始的m个连续未标记观测信号，作为已标记的新的故障类别信号加入到原来的训练信号集中，得到新的训练信号集，返回步骤2-2；否则将未标记观测信号的后验概率熵大于阈值的信号及其类标签加入到原来的训练信号集中，返回步骤2-2；
步骤2-5、重复步骤2-2～步骤2-4，直至所有历史信号均被检测过，得到最终的朴素贝叶斯分类器模型；
步骤2-6、将实时采集的化工过程信号的属性作为最终的朴素贝叶斯分类器模型的输入，对化工过程故障监控；
步骤3、得到化工过程故障监控结果，即实时确定化工过程中的信号类别。
所述物料属性包括：物料流量、排空物料流量、物料进料量；
所述反应器属性包括：反应器给料流量、反应器压力、反应器液位、反应器温度、反应器冷凝液出口温度、冷却水流量；
所述汽/液分类器属性包括：汽/液分类器温度、汽/液分类器液位、汽/液分类器压力、汽/液分类器出口流量；
所述解析塔属性包括：解析塔液位、解析塔压力、解析塔出口流量、解析塔温度、解析塔蒸汽流量；
所述测量结果属性包括：反应器流量色谱对物料的测量结果、放空气体色谱对物料的测量结果、产品流量色谱对物料的测量结果；
所述压缩机属性包括：压缩机返回物料流量、压缩机功率、压缩机再循环阀开度、压缩机排放阀开度；
所述分离器属性包括：分离器罐液流量；
所述汽提器属性包括：汽提器液体产品流量、汽提器水流阀开度；
所述冷凝器属性包括：冷凝器冷凝液出口温度、冷凝器冷却水流量和搅拌速度。
所述步骤2-3具体按如下步骤进行：
步骤2-3-1、设未标记观测信号X＝{X1，X2，…，Xk，…，Xp，C}；其中X1，X2，…，Xk，…，Xp是属性，C是信号类别，其取值为{c0，c1，c2，…，ci，…，cq}，k为属性的索引号，i为信号类别的索引号，c0表示正常信号，c1…cq表示故障类别；
步骤2-3-2、建立朴素贝叶斯分类器模型；
步骤2-3-2-1、计算训练信号集中每一个属性Xk属于故障类型ci的概率P(Xk|ci)；
其中，和分别代表训练信号集中属于第ci类信号第k个属性的平均值和标准差；
步骤2-3-2-2、未标记观测信号X属于信号类别ci的先验概率P(X|ci)：
步骤2-3-2-3、计算未标记观测信号X属于信号类别ci的后验概率P(ci|X)即朴素贝叶斯分类器模型：
P(ci|X)＝P(X|ci)P(ci)/P(X) (3)
其中，P(X)代表未标记观测信号X出现的概率，P(ci)代表信号类别ci出现的概率即信号类别ci的先验概率，P(ci)＝|ci,D|/|D|，其中|ci,D|代表训练信号集D中ci类别的训练信号数，|D|代表训练信号集中全体训练信号数；
步骤2-3-3、以未标记观测信号X作为朴素贝叶斯分类器模型的输入量，得到未标记观测信号X属于信号类别ci的后验概率P(ci|X)，i＝{0，1，2，…，i，…，q}，取概率P(ci|X)最大的信号类别ci作为X的类标签。
所述步骤2-4具体按如下步骤进行：
步骤2-4-1、如果未标记观测信号X的类标签为故障信号，使用相似性原则判断是否该类别是未知故障类别，如果未标记观测信号X的类标签为正常信号，跳到步骤2-4-2；
所述相似性原则是指如果连续n个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τl，则该类别是未知故障类别，收集从第一次出现属于未知故障类别的未标记观测信号开始的m个连续未标记观测信号作为已标记的新的故障类别信号加入到原来的训练信号集中，得到新的训练集信号，返回步骤2-2；如果未出现连续n个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τl，跳到步骤2-4-2；
步骤2-4-2、将P(X|ci)的后验概率熵作为不确定性指标，检测未标记观测信号：如果未标记观测信号的不确定性指标大于阈值τu，则标记这个后验概率最大的信号类别作为该信号的类标签，加入到原来的训练信号集中，得到新的训练信号集，返回步骤2-2；如果未标记观测信号的不确定性指标u小于等于τu，则返回步骤2-2。
有益效果：
本发明克服了化工过程中很难收集到全部的故障类型数据的困难，根据有限数量的已标记的数据和大量未标记的观测数据，建立朴素贝叶斯分类器再利用主动学习方法寻找未标记观测信号中的有用样本，然后重新训练朴素贝叶斯分类器，使其可以发现新的故障类型和改善分类精度。
附图说明
图1为本发明一种实施例的TEP工业过程示意图；
图2为本发明一种实施例的基于主动学习的化工过程故障监控方法流程图；
图3为本发明一种实施例的传统朴素贝叶斯分类器方法和基于主动学习的化工过程故障监控方法的准确率示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
如图1所示，本实施方式的基于主动学习的化工过程故障监控方法应用于Tennessee Eastman Process(TEP)过程中；TEP工业过程由美国伊斯曼化学品公司创建，此工业过程有四种反应物(A、C、D、E)，生产两种产物(G和H)，其中，物料A是H2氢气，物料B是N2氨气，物料C是CO一氧化碳，物料D是CH3OH甲醇，物料E是C2H5OH乙醇，生成物G是C2H6O2乙二醇，生成物H是C3H8O2丙二醇；整个过程包括五个主要的反应装置：反应器、冷凝器、循环压缩机、解析塔和气液分离器，共有50个变量和16种故障类型。
一种基于主动学习的化工过程故障监控方法，如图2所示，包括以下步骤：
步骤1、实时采集化工过程信号的属性；
物料属性包括：物料流量、排空物料流量、物料进料量；具体是：物料A流量、物料D流量、物料E流量、物料C流量、排空物料流量、物料D进料量、物料E进料量、物料A进料量、物料A、C混合进料量；
反应器属性包括：反应器给料流量、反应器压力、反应器液位、反应器温度、反应器冷凝液出口温度、冷却水流量；
汽/液分类器属性包括：汽/液分类器温度、汽/液分类器液位、汽/液分类器压力、汽/液分类器出口流量；
解析塔属性包括：解析塔液位、解析塔压力、解析塔出口流量、解析塔温度、解析塔蒸汽流量；
测量结果属性包括：反应器流量色谱对物料的测量结果、放空气体色谱对物料的测量结果、产品流量色谱对物料的测量结果；具体是：反应器流量色谱对物料A的测量结果、反应器流量色谱对物料B的测量结果、反应器流量色谱对物料C的测量结果、反应器流量色谱对物料D的测量结果、反应器流量色谱对物料E的测量结果、放空气体色谱对物料A的测量结果、放空气体色谱对物料B的测量结果、放空气体色谱对物料C的测量结果、放空气体色谱对物料D的测量结果、放空气体色谱对物料E的测量结果、放空气体色谱对物料G的测量结果、放空气体色谱对物料H的测量结果、产品流量色谱对物料D的测量结果、产品流量色谱对物料E的测量结果、产品流量色谱对物料G的测量结果、产品流量色谱对物料H的测量结果；
压缩机属性包括：压缩机返回物料流量、压缩机功率、压缩机再循环阀开度、压缩机排放阀开度；
分离器属性包括：分离器罐液流量；
汽提器属性包括：汽提器液体产品流量、汽提器水流阀开度；
冷凝器属性包括：冷凝器冷凝液出口温度、冷凝器冷却水流量和搅拌速度。
步骤2、建立朴素贝叶斯分类器模型对化工过程进行故障监控；
步骤2-1、根据化工过程历史信号建立初始训练信号集和未标记观测信号集：从采集的历史信号中选择出设定数量的正常信号和故障信号，并根据每个信号所属信号类别进行标记作为训练信号集，采集的历史信号中的其余信号作为未标记观测信号集；
化工过程历史信号包括属性和信号类别；
属性包括：物料属性、反应器属性、汽/液分类器属性、解析塔属性、测量结果属性、压缩机属性、分离器属性、汽提器属性、冷凝器属性；
信号类别包括：正常信号和故障信号，故障信号分为若干故障类别；
故障类别包括：物料A/C进料比率产生阶跃变化且物料B成分不变、物料B成分产生阶跃变化且物料A/C进料比率不变、物料D的进料温度产生阶跃变化、反应器冷却水的入口温度产生阶跃变化、冷凝器冷却水的入口温度产生阶跃变化、物料A进料损失产生阶跃变化、物料C压力损失产生阶跃变化、物料A、B、C进料成分产生随机干扰、物料D的进料温度产生随机干扰、物料C的进料温度产生随机干扰、反应器冷却水的入口温度产生随机干扰、冷凝器冷却水的入口温度产生随机干扰、反应动态缓慢偏移、反应器冷却水阀门粘住、冷凝器冷却水阀门粘住和阀门固定在稳态位置不变化。
步骤2-2、更新训练信号集和未标记观测信号集；
步骤2-3、根据训练信号集建立朴素贝叶斯分类器模型并预测未标记观测信号X的类标签；
步骤2-3-1、设未标记观测信号X＝{X1，X2，…，Xk，…，Xp，C}；其中X1，X2，…，Xk，…，Xp是属性，C是信号类别，其取值为{c0，c1，c2，…，ci，…，cq}，k为属性的索引号，i为信号类别的索引号，c0表示正常信号，c1…cq表示故障类别，i为故障类别的索引号，p＝50，q＝8。
本实施方式中，从历史信号中，随机选取正常信号、故障类别为故障1、故障2、故障3、故障4、故障5、故障6、故障7、故障8(9种工况)下的历史信号，每种工况下选取4小时的信号作为训练信号，每个信号包含50个属性数据，连续采样时采样间隔是3分钟，得到共720个样本，50个属性的信号集及其对应的类标识作为训练信号集；随机选取正常信号和所有16种故障类别下的历史信号，每种工况下选取40小时的信号作为训练信号，每个信号包含50个属性，连续采样时采样间隔是3分钟，得到共13600个样本，50个属性的信号集作为未标记观测信号集；从历史信号中，随机选择每种故障类别的工况下100个样本，共1600个样本，50个属性的信号集及其对应的类标识作为检测信号集；
步骤2-3-2、建立朴素贝叶斯分类器模型；
步骤2-3-2-1、计算训练信号集中每一个属性Xk属于故障类型ci的概率P(Xk|ci)；
其中，和分别代表训练信号集中属于第ci类信号第k个属性的平均值和标准差；
步骤2-3-2-2、未标记观测信号X属于信号类别ci的先验概率P(X|ci)：
步骤2-3-2-3、计算未标记观测信号X属于信号类别ci的后验概率P(ci|X)即朴素贝叶斯分类器模型：
P(ci|X)＝P(X|ci)P(ci)/P(X) (3)
其中，P(X)代表未标记观测信号X出现的概率，P(ci)代表信号类别ci出现的概率即信号类别ci的先验概率，P(ci)＝|ci,D|/|D|，其中|ci,D|代表训练信号集D中ci类别的训练信号数，|D|代表训练信号集中全体训练信号数；
步骤2-3-3、以未标记观测信号X作为朴素贝叶斯分类器模型的输入量，得到未标记观测信号X属于信号类别ci的后验概率P(ci|X)，i＝{0，1，2，…，i，…，q}，由于P(X)对所有类都是常数，所以取概率P(ci|X)最大的信号类别ci作为X的类标签；
步骤2-4、利用主动学习方法对朴素贝叶斯分类器模型进行修正：如果类标签为未知故障类别，则收集从第一次出现属于未知故障类别的未标记观测信号开始的m个连续未标记观测信号，作为已标记的新的故障类别信号加入到原来的训练信号集中，得到新的训练信号集，返回步骤2-2；否则将未标记观测信号的后验概率熵大于阈值的信号及其类标签加入到原来的训练信号集中，返回步骤2-2；
步骤2-4-1、如果未标记观测信号X的类标签为故障信号，使用相似性原则判断是否该类别是未知故障类别，如果未标记观测信号X的类标签为正常信号，跳到步骤2-4-2；
相似性原则是指如果连续n＝5个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τl＝0.4，则该类别是未知故障类别，收集从第一次出现属于未知故障类别的未标记观测信号开始的m＝20个连续未标记观测信号作为已标记的新的故障类别信号加入到原来的训练信号集中，得到新的训练集信号，返回步骤2-2；如果未出现连续n＝5个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τl＝0.4，跳到步骤2-4-2；
步骤2-4-2、将P(X|ci)的后验概率熵u＝∑ciP(X|ci)logP(X|ci)作为不确定性指标，检测未标记观测信号：如果未标记观测信号的不确定性指标大于阈值τu＝0.6，则标记这个后验概率最大的信号类别作为该信号的类标签，加入到原来的训练信号集中，得到新的训练信号集，返回步骤2-2；如果未标记观测信号的不确定性指标u小于等于τu＝0.6，则返回步骤2-2。
步骤2-5、重复步骤2-2～步骤2-4，直至所有历史信号均被检测过，得到最终的朴素贝叶斯分类器模型；
步骤2-6、将实时采集的化工过程信号的属性作为最终的朴素贝叶斯分类器模型的输入，对化工过程故障监控；
步骤3、得到化工过程故障监控结果，即实时确定化工过程中的信号类别。
为证明本方法的检测效果，本实施方式中将传统的朴素贝叶斯分类器方法和本方法的检测性能进行对比；对比结果如图3所示，由于获得了故障1、故障2、故障3、故障4、故障5、故障6、故障7、故障8的标记信号，朴素贝叶斯方法对这8种故障的平均分类准确率达到81％；从故障9开始，朴素贝叶斯方法的分类准确率大幅下降，这是由于在朴素贝叶斯方法的建模过程中，没有相关故障的标记信息导致的，因此传统的朴素贝叶斯方法不能识别未知故障；基于主动学习的化工过程故障监控方法在所有的故障类型中比传统的朴素贝叶斯方法的识别准确率均有提高，在故障1、故障2、故障3、故障4、故障5、故障6、故障7、故障8中，由于基于主动学习的化工过程故障监控方法能够寻找未标记观测信号中的有用样本，然后重新训练朴素贝叶斯分类器，解决了朴素贝叶斯分类器需要大量已标记工况数据建模，而在工业实践中，一般只有有限数量的已标记的数据和大量未标记的观测数据的矛盾；从故障9开始，基于主动学习的化工过程故障监控方法的识别准确率并没有像传统的朴素贝叶斯方法那样大幅下降，说明基于主动学习的化工过程故障监控方法能够识别未知故障。
本发明方法不仅限适用于化工工业，在食品，制药等工业工程中也可使用。
Claims (4)
1.一种基于主动学习的化工过程故障监控方法，其特征在于，包括以下步骤：
步骤1、实时采集化工过程信号的属性；
步骤2、建立朴素贝叶斯分类器模型对化工过程进行故障监控；
步骤2-1、根据化工过程历史信号建立初始的训练信号集和未标记观测信号集：从采集的历史信号中选择出设定数量的正常信号和故障信号，并根据每个信号所属信号类别进行标记作为初始的训练信号集，采集的历史信号中的其余信号作为未标记观测信号集；
化工过程历史信号包括属性和信号类别；
属性包括：物料属性、反应器属性、汽/液分类器属性、解析塔属性、测量结果属性、压缩机属性、分离器属性、汽提器属性、冷凝器属性；
信号类别包括：正常信号和故障信号，故障信号分为若干故障类别；
步骤2-2、更新训练信号集和未标记观测信号集；
步骤2-3、根据更新后的训练信号集建立朴素贝叶斯分类器模型并预测未标记观测信号的类标签；
步骤2-4、利用主动学习方法对朴素贝叶斯分类器模型进行修正：如果类标签为未知故障类别，则收集从第一次出现属于未知故障类别的未标记观测信号开始的m个连续未标记观测信号，作为已标记的新的故障类别信号加入到当前的训练信号集中，得到新的训练信号集，返回步骤2-2；否则将未标记观测信号X属于信号类别ci的先验概率的后验概率熵大于阈值的信号及其类标签加入到当前的训练信号集中，返回步骤2-2；
步骤2-5、重复步骤2-2～步骤2-4，直至所有历史信号均被检测过，得到最终的朴素贝叶斯分类器模型；
步骤2-6、将实时采集的化工过程信号的属性作为最终的朴素贝叶斯分类器模型的输入，对化工过程故障监控；
步骤3、得到化工过程故障监控结果，即实时确定化工过程中的信号类别。
2.根据权利要求1所述的基于主动学习的化工过程故障监控方法，其特征在于，
所述物料属性包括：物料流量、排空物料流量、物料进料量；
所述反应器属性包括：反应器给料流量、反应器压力、反应器液位、反应器温度、反应器冷凝液出口温度、冷却水流量；
所述汽/液分类器属性包括：汽/液分类器温度、汽/液分类器液位、汽/液分类器压力、汽/液分类器出口流量；
所述解析塔属性包括：解析塔液位、解析塔压力、解析塔出口流量、解析塔温度、解析塔蒸汽流量；
所述测量结果属性包括：反应器流量色谱对物料的测量结果、放空气体色谱对物料的测量结果、产品流量色谱对物料的测量结果；
所述压缩机属性包括：压缩机返回物料流量、压缩机功率、压缩机再循环阀开度、压缩机排放阀开度；
所述分离器属性包括：分离器罐液流量；
所述汽提器属性包括：汽提器液体产品流量、汽提器水流阀开度；
所述冷凝器属性包括：冷凝器冷凝液出口温度、冷凝器冷却水流量和搅拌速度。
3.根据权利要求1所述的基于主动学习的化工过程故障监控方法，其特征在于，所述步骤2-3具体按如下步骤进行：
步骤2-3-1、设未标记观测信号X＝{X1，X2，...，Xk，...，Xp，C}；其中X1，X2，...，Xk，...，Xp是属性，C是信号类别，其取值为{c0，c1，c2，...，ci，...，cq}，k为属性的索引号，i为信号类别的索引号，c0表示正常信号，c1...cq表示故障类别；
步骤2-3-2、建立朴素贝叶斯分类器模型；
步骤2-3-2-1、计算训练信号集中每一个属性Xk属于故障类型ci的概率P(Xk|ci)；
其中，和分别代表训练信号集中属于第ci类信号第k个属性的平均值和标准差；
步骤2-3-2-2、未标记观测信号X属于信号类别ci的先验概率P(X|ci)：
步骤2-3-2-3、计算未标记观测信号X属于信号类别ci的后验概率P(ci|X)即朴素贝叶斯分类器模型：
P(ci|X)＝P(X|ci)P(ci)/P(X) (3)
其中，P(X)代表未标记观测信号X出现的概率，P(ci)代表信号类别ci出现的概率即信号类别ci的先验概率，P(ci)＝|ci，D|/|D|，其中|ci，D|代表训练信号集D中ci类别的训练信号数，|D|代表训练信号集中全体训练信号数；
步骤2-3-3、以未标记观测信号X作为朴素贝叶斯分类器模型的输入量，得到未标记观测信号X属于信号类别ci的后验概率P(ci|X)，i＝{0，1，2，...，i，...，q}，取概率P(ci|X)最大的信号类别ci作为X的类标签。
4.根据权利要求1所述的基于主动学习的化工过程故障监控方法，其特征在于，所述步骤2-4具体按如下步骤进行：
步骤2-4-1、如果未标记观测信号X的类标签为故障信号，使用相似性原则判断是否该类别是未知故障类别，如果未标记观测信号X的类标签为正常信号，跳到步骤2-4-2；
所述相似性原则是指如果连续n个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τ1，则该类别是未知故障类别，收集从第一次出现属于未知故障类别的未标记观测信号开始的m个连续未标记观测信号作为已标记的新的故障类别信号加入到原来的训练信号集中，得到新的训练集信号，返回步骤2-2；如果未出现连续n个未标记观测信号的后验概率最大的信号类别的后验概率小于设定后验概率下限τ1，跳到步骤2-4-2；
步骤2-4-2、将未标记观测信号X属于信号类别ci的先验概率P(X|ci) 的后验概率熵作为不确定性指标，检测未标记观测信号：如果未标记观测信号的不确定性指标大于阈值τu，则标记这个后验概率最大的信号类别作为该信号的类标签，加入到当前的训练信号集中，得到新的训练信号集，返回步骤2-2；如果未标记观测信号的不确定性指标u小于等于τu，则返回步骤2-2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510925822.5A CN105425777B (zh) | 2015-12-11 | 2015-12-11 | 一种基于主动学习的化工过程故障监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510925822.5A CN105425777B (zh) | 2015-12-11 | 2015-12-11 | 一种基于主动学习的化工过程故障监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105425777A CN105425777A (zh) | 2016-03-23 |
| CN105425777B true CN105425777B (zh) | 2017-12-15 |
Family
ID=55504046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510925822.5A Expired - Fee Related CN105425777B (zh) | 2015-12-11 | 2015-12-11 | 一种基于主动学习的化工过程故障监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105425777B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10366490B2 (en) * | 2017-03-27 | 2019-07-30 | Siemens Healthcare Gmbh | Highly integrated annotation and segmentation system for medical imaging |
| CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
| CN112651444B (zh) * | 2020-12-29 | 2022-08-02 | 山东科技大学 | 一种基于自学习的非平稳过程异常检测方法 |
| CN112906242B (zh) * | 2021-03-18 | 2023-02-28 | 吉林大学 | 一种基于朴素贝叶斯法与邻近分类法相结合的地球物理建模方法 |
| CN115047839B (zh) * | 2022-08-17 | 2022-11-04 | 北京化工大学 | 一种甲醇制烯烃工业过程的故障监测方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198217B (zh) * | 2013-03-26 | 2016-06-22 | X·Q·李 | 一种故障检测方法及系统 |
| CN103616889B (zh) * | 2013-11-29 | 2015-12-09 | 渤海大学 | 一种重构样本中心的化工过程故障分类方法 |
| JP6427936B2 (ja) * | 2014-04-21 | 2018-11-28 | 新日鐵住金株式会社 | 製造プロセスの操業支援方法、装置及びプログラム |
| CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
| CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 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 |
-
2015
- 2015-12-11 CN CN201510925822.5A patent/CN105425777B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105425777A (zh) | 2016-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105425777B (zh) | 一种基于主动学习的化工过程故障监控方法 | |
| CN106572493B (zh) | Lte网络中的异常值检测方法及系统 | |
| McGovern et al. | Identifying predictive multi-dimensional time series motifs: an application to severe weather prediction | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN105138653B (zh) | 一种基于典型度和难度的题目推荐方法及其推荐装置 | |
| CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
| CN103616889B (zh) | 一种重构样本中心的化工过程故障分类方法 | |
| CN104807589B (zh) | 一种集输－立管系统内气液两相流流型的在线识别方法 | |
| CN105069483B (zh) | 一种对分类数据集进行测试的方法 | |
| CN104536439B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
| CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
| CN105069122A (zh) | 一种基于用户行为的个性化推荐方法及其推荐装置 | |
| CN104239496A (zh) | 一种结合模糊权重相似性度量和聚类协同过滤的方法 | |
| CN109543731A (zh) | 一种自训练框架下的三优选半监督回归算法 | |
| CN107657274A (zh) | 一种基于k‑means的二叉SVM‑tree不平衡数据工业故障分类方法 | |
| Liu et al. | Online Flooding Supervision in Packed Towers: An Integrated Data‐Driven Statistical Monitoring Method | |
| CN107133642A (zh) | 一种基于田纳西伊斯曼过程的先验知识故障诊断方法 | |
| CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
| Tian et al. | Operating condition recognition based on temporal cumulative distribution function and AdaBoost-extreme learning machine in zinc flotation process | |
| Loginova et al. | Embedding Navigation Patterns for Student Performance Prediction. | |
| CN107943966A (zh) | 基于微博文本的异常个性判定方法及装置 | |
| Chen et al. | An economic operation analysis method of transformer based on clustering | |
| CN104330336A (zh) | 基于ica和svm的气液两相流型识别方法 | |
| CN111339258A (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
| Kothari et al. | Transfer of supervision for improved address standardization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 121013 Jinzhou hi tech Industrial Zone, Liaoning science and technology road, No. 19 Applicant after: Bohai University Address before: 121013 No. 19, science and technology road, Shenyang hi tech Industrial Zone, Liaoning Applicant before: Bohai University |
|
| COR | Change of bibliographic data | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171215 Termination date: 20181211 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |