CN105425779B - 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 - Google Patents
基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 Download PDFInfo
- Publication number
- CN105425779B CN105425779B CN201510979945.7A CN201510979945A CN105425779B CN 105425779 B CN105425779 B CN 105425779B CN 201510979945 A CN201510979945 A CN 201510979945A CN 105425779 B CN105425779 B CN 105425779B
- Authority
- CN
- China
- Prior art keywords
- statistic
- gaussian
- probability
- indicate
- matrix
- 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
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于局部邻域标准化和贝叶斯推断的ICA‑PCA多工况故障诊断方法,该方法首先对工业过程的各个正常工况进行独立采样获得训练数据集,通过对训练集局部邻域标准化,获得服从单一分布的数据集,然后利用ICA‑PCA方法分别对该数据集的高斯特性和非高斯特性进行分析处理,获得全局模型。在线监控阶段对工业过程数据进行独立重复采样,经过局部邻域标准化处理后应用所述模型分析处理获得多个统计量,再根据贝叶斯推断将多个统计量组合成一个统计量,通过比较控制限,获得故障诊断结果。相比与传统故障诊断方法,本发明可以简化处理过程,提高诊断效果,改善过程监测性能,同时方便工作人员监测观察,有利于杜绝安全隐患,保障工业过程的正常运行。
Description
技术领域
本发明属于工业过程监测领域,尤其涉及一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法。
背景技术
现代复杂工业过程中往往包含非线性、非高斯、动态性等特点的不同工况,而且多工况下数据服从不同分布。然而大多数多元统计过程监测方法如主成分分析(PCA)、偏最小二乘(PLS)都假设数据服从单一高斯分布,因此这些方法应用在多工况过程中其监测效果有较大的局限。
近年来,为了能够有效地解决多工况过程的在线监测问题,一些学者提出了多模型的监测策略,高斯混合模型(GMM)、PCA混合模型等方法通过应用多个高斯成分表征过程数据,不同工况下的数据通过对应的高斯成分特征提取,从而在多工况过程中获得了良好的监测性能。然而在离线建模阶段,如何将历史数据分类到对应子模型的先验知识是很难获得的,而且在线监控阶段新数据所属的模型不易确定,不同的子模型都有各自的监测图,不方便操作人员观察判断。
所以就需要一种既能简化处理既简化处理过程,提高监测性能,而且方便操作人员观察,利于工业过程的运行管理的故障诊断方法。
发明内容
本发明针对多工况工业过程的非线性、动态性、多分布的特点提供一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法。
本发明的目的是通过以下技术方案来实现的:
一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法,所述方法包括以下过程:
首先收集不同工况下正常数据组成训练集,用局部邻域标准化方法对训练集进行预处理,并采用ICA-PCA算法建立模型,获得3个统计量,然后应用贝叶斯推断将所述统计量组合成为一个统计量,并确定相应控制限。
当新的数据点到来时,将其放入历史训练集中利用局部邻域标准化方法进行预处理,然后再将该数据点移除,通过所述ICA-PCA模型获得相应统计量。
通过贝叶斯推断将所述统计量组合成一个统计量,通过比较在线统计量与控制限的大小来对是否出现故障做出决策。
需要对当前工况监测时,不需要知道当前是哪一个工况,而且只需要观察一个监测变量图。
本发明的具体步骤如下:
步骤1:收集工业过程中各个工况正常运行的数据组成训练样本集;
步骤2:利用局部邻域标准化方法对训练样本进行预处理,使得多工况数据可以由单一模型来表示;
所述局部邻域标准化算法为:
假设样本集X∈Rm×n,其中,m是过程变量的数目,n是样本数据的大小;样本xi∈Rm×1(i=1,2…,n)的局部邻域Nk(xi)表示样本在X中由欧氏距离确定的k个最近邻,其中然后利用每个样本的第一个邻居的邻域均值和邻域标准差进行标准化处理:如式(1)
其中,Zi表示经过局部邻域标准化处理后的xi,和分别表示样本xi的第一个邻居的的邻域均值和邻域标准差,s表示求标准差;
步骤3:根据步骤2获得的预处理样本集,应用ICA-PCA算法分析处理获得离线建模模型;
假设m维的样本x(k)=[x1(k),x2(k),…,xm(k)]T可以由r维的未知独立成分[s1,s2,…,sr]T的线性组合来表示,其中r≤m,他们之间的关系如式(2)所示:
X=A·S+E
(2)
X=[x1,x2,…,xn]∈Rm×n代表训练数据矩阵,A=[a1,a2,…,ar]∈Rm×r代表混合系数矩阵,S∈[s1,s2,…,sn]∈Rr×n代表独立成分矩阵,E∈Rm×n代表残差矩阵;对于获得的残差矩阵E通过协方差矩阵奇异值分解获得PCA模型,假设PCA模型有q个主成分,E可以通过奇异值分
解为如式(3):
ET=TPT+E′
(3)
式中,T∈Rn×q和P∈Rm×q分别代表主成分子空间的得分矩阵和载荷矩阵,E′是PCA模型中的残差矩阵;
其ICA-PCA算法步骤为:
Step1:求样本x(k)的协方差矩阵Rx=E(x(k)xT(k)),E表示求期望,并进行特征值分解:得式(4)
Rx=UΛUT
(4)
其中U表示Rx的特征向量组成的矩阵,Λ为特征值组成的对角矩阵;
Step2:对样本进行白化处理:得式(5)
z(k)=Qx(k)=QAs(k)=Bs(k)
(5)
z(k)表示经过白化处理后的x(k),其中Q=Λ-1/2UT;根据X=A·S+E,其中,X∈Rm ×n,A∈Rm×r,S∈Rr×n,E∈Rm×n,当r=m时,X=A·S,这里我们考虑r=m的情况;因此,x(k)=As(k),B是一个正交矩阵;
Step3:选择独立成分的个数r,设置i=1;这里的i用来作为Step3-Step8迭代过程的下标及结束迭代条件;
Step4:随机选取一个单位方差的初始化向量bi;
Step5:令bi=E{zg(bi Tz)}-E{g'(bi Tz)}bi,其中z是经过白化处理后的训练样本向量,g和g'分别代表式(6)中3个非二次函数中任意一个函数的一阶和二阶导数:
G2(u)=exp(-a2u2/2)
G3(u)=u4
其中1≤a1≤2,a2≈1,本文选择G1;
Step6:然后将bi按照式(7)和式(8)进行标准正交化:
Step7:假如bi没有收敛,返回Step3;
Step8:假如bi收敛,输出bi;如果i≤m,那么i=i+1并返回Step2;
Step9:根据迭代结束后获得的正交阵B和所述Q矩阵求得独立成分矩阵:如式(9)
S=BTQX
(9)
Step10:根据式(2)求得残差矩阵E,并应用协方差矩阵奇异值分解获得PCA模型,然后分别获得属于非高斯空间的统计量I2(k)=(BTQx(k))T(BTQx(k))和高斯空间的统计量SPE(k)=e(k)Te(k)=x(k)T(I-PqPq T)x(k),T2(k)=t(k)TΛ-1t(k);其中,e(k)是残差矩阵的第k个样本向量,Pq代表PCA模型载荷矩阵的前q个向量组成的矩阵,I表示单位矩阵,t(k)表示得分矩阵的第k个样本向量,Λ-1是特征值对角矩阵的逆矩阵形式;
步骤4:根据步骤3获得ICA-PCA模型的统计量应用核密度(KDE)方法分别计算出各自的控制限,KDE算法为:给出一个n个样本的数据集x,则x的分布密度可以计算为式(10):
其中,h表示带宽,K表示核函数,选择高斯核函数然后求得x均值的置信水平为99%的置信上限作为控制限;
步骤5:在线监控阶段,对于每一个新的采样点xnew,寻找其在训练集X中的最近邻并利用的邻域均值和邻域标准差对新样本xnew进行标准化处理,然后根据步骤3中的Step10分别计算出统计量SPEnew,
步骤6:通过贝叶斯推断的方法将上述3个统计量组合成为一个统计量,非高斯空间XICA发生故障的概率表示为式(11):
P表示一种概率,表示已知在非高斯空间XICA中,发生故障的概率,表示已知发生故障,故障出现在非高斯空间的概率,表示非高斯空间发生故障的概率,表示在非高斯空间的概率。
其中,
XICA表示当前样本X的非高斯空间,N表示正常情况,F表示故障情况,表示非高斯空间正常的概率,表示非高斯空间发生故障的概率;和分别设置为α和1-α,α为置信水平;
和可以由(13)和(14)计算:
其中,为非高斯空间的控制限,表示在非高斯空间的统计量;
高斯空间XPCA的统计量监测发生故障的概率表示为式(15):
其中,
XPCA表示当前样本X的高斯空间,N表示正常情况,F表示故障情况,表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,表示高斯空间的统计量监测发生故障的概率,表示高斯空间的统计量监测正常的概率,和分别设置为α和1-α,α为置信水平;
和可以由(17)和(18)计算:
其中,表示高斯空间的统计量,为高斯空间的统计量的控制限;
高斯空间XPCA的统计量监测发生故障的概率表示为式(19):
其中,
表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,PSPEF表示高斯空间的统计量监测发生故障的概率,PSPEN表示高斯空间的统计量监测正常的概率,PSPEN和PSPEF分别设置为α和1-α,α为置信水平;
和可以由(21)和(22)计算:
其中,表示高斯空间的统计量,SPElim为高斯空间的统计量的控制限;
然后通过式(23)组合成一个统计量:
BIC的控制限为1-α;当BIC的值大于1-α时,判断发生故障;否则,过程正常。
本发明的有益效果:在线监控阶段对工业过程数据进行独立重复采样,经过局部邻域标准化处理后应用所述模型分析处理获得多个统计量,再根据贝叶斯推断将多个统计量组合成一个统计量,通过比较控制限,获得故障诊断结果。相比与传统故障诊断方法,本发明可以简化处理过程,提高诊断效果,改善过程监测性能,同时方便工作人员监测观察,有利于杜绝安全隐患,保障工业过程的正常运行
附图说明
图1是基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法流程图;
图2是本发明方法根据常用化工过程—TE过程的模式1和模式3两种工况的实验数据做出的监测对比图;
图3是本发明方法根据常用化工过程—TE过程的模式1和模式3两种工况的实验数据的故障的漏报率;
其中,(a)为新数据1的T2和SPE统计量监测图,(b)为新数据1的LNS-T2和LNS-SPE统计量监测图,(c)为新数据1的BIC统计量监测图;
其中,(d)为新数据2的T2和SPE统计量监测图,(e)为新数据2的LNS-T2和LNS-SPE统计量监测图,(f)为新数据2的BIC统计量监测图。
具体实施方式
下面结合图1所示,对本发明做进一步详述:
步骤1:收集工业过程各个工况正常运行的数据组成训练样本集。
步骤2:利用局部邻域标准化方法对训练样本进行预处理,使得多工况数据可以由单一模型来表示。所述局部邻域标准化算法为:
假设样本集X∈Rm×n,其中,m是过程变量的数目,n是样本数据的大小。样本xi∈Rm×1(i=1,2…,n)的局部邻域Nk(xi)表示样本在X中由欧氏距离确定的k个最近邻,其中然后利用每个样本的第一个邻居的邻域均值和邻域标准差进行如式(1)标准化处理:
其中,Zi表示经过局部邻域标准化处理后的xi,和分别表示样本xi的第一个邻居的的邻域均值和邻域标准差。
步骤3:根据步骤2获得的预处理样本集,应用ICA-PCA算法分析处理获得离线建模模型。
假设m维的样本x(k)=[x1(k),x2(k),…,xm(k)]T可以由r维的未知独立成分[s1,s2,…,sr]T的线性组合来表示,其中r≤m,他们之间的关系如式(2)所示:
X=A·S+E (2)
X=[x1,x2,…,xn]∈Rm×n代表训练数据矩阵,A=[a1,a2,…,ar]∈Rm×r代表混合系数矩阵,S∈[s1,s2,…,sn]∈Rr×n代表独立成分矩阵,E∈Rm×n代表残差矩阵。对于获得的残差矩阵E通过协方差矩阵奇异值分解获得PCA模型,假设PCA模型有q个主成分,E可以通过奇异值分解为如下形式:
ET=TPT+E′ (3)
式中,T∈Rn×q和P∈Rm×q分别代表主成分子空间的得分矩阵和载荷矩阵,E′是PCA模型中的残差矩阵。
ICA-PCA算法步骤为:
Step1:求样本x(k)的协方差矩阵Rx=E(x(k)xT(k)),E表示求期望,并进行特征值分解:
Rx=UΛUT (4)
其中U表示Rx的特征向量组成的矩阵,Λ为特征值组成的对角矩阵;
Step2:对样本进行如式(5)白化处理:
z(k)=Qx(k)=QAs(k)=Bs(k) (5)
其中Q=Λ-1/2UT;根据X=A·S+E,其中,X∈Rm×n,A∈Rm×r,S∈Rr×n,E∈Rm×n,当r=m时,X=A·S,这里我们考虑r=m的情况。因此,x(k)=As(k),B是一个正交矩阵;
Step3:选择独立成分的个数r;
Step4:随机选取一个单位方差的初始化向量bi,设置i=1;
Step5:令bi=E{zg(bi Tz)}-E{g'(bi Tz)}bi,其中z是经过白化处理后的训练样本向量,g和g'分别代表式(6)中三个非二次函数中任意一个函数的一阶和二阶导数:
G2(u)=exp(-a2u2/2)
G3(u)=u4
其中1≤a1≤2,a2≈1,本文选择G1;
Step6:然后将bi按照式(7)和式(8)进行标准正交化:
Step7:假如bi没有收敛,返回Step3;
Step8:假如bi收敛,输出bi。如果i≤m,那么i=i+1并返回Step2;
Step9:根据迭代结束后获得所述正交阵B和Q矩阵求得独立成分矩阵如式(9)所示:
S=BTQX (9)
Step10:根据式(2)求得残差矩阵E,并应用协方差矩阵奇异值分解获得PCA模型,然后分别获得属于非高斯空间的统计量I2(k)=(BTQx(k))T(BTQx(k))和高斯空间的统计量SPE(k)=e(k)Te(k)=x(k)T(I-PqPq T)x(k)、T2(k)=t(k)TΛ-1t(k)。其中,e(k)是残差矩阵的第k个样本向量,Pq代表PCA模型载荷矩阵的前q个向量组成的矩阵,I表示单位矩阵,t(k)表示得分矩阵的第k个样本向量,Λ-1是特征值对角矩阵的逆矩阵形式。
步骤4:根据步骤3获得ICA-PCA模型的统计量应用核密度估计(KDE)方法分别估计出各自的控制限,KDE算法为:给出一个n个样本的数据集x,则x的分布密度可以计算为式(10):
其中,h表示带宽,K表示核函数,本文选择高斯核函数然后求得x均值的置信水平为99%的置信上限作为控制限。
步骤5:在线监控阶段,对于每一个新的采样点xnew,寻找其在训练集X中的最近邻并利用的邻域均值和邻域标准差对新样本xnew进行标准化处理,然后根据步骤3中的Step10分别计算出统计量SPEnew,
步骤6:通过贝叶斯推断的方法将上述3个统计量组合成为一个统计量,非高斯空间XICA发生故障的概率表示为式(11):
其中,
XICA表示当前样本X的非高斯空间,N表示正常情况,F表示故障情况,表示已知在非高斯空间XICA中,发生故障的概率,表示已知发生故障,故障出现在非高斯空间的概率,表示正常情况下非高斯空间统计量监测的概率,表示非高斯空间发生故障的概率,表示非高斯空间正常的概率,表示在非高斯空间的概率,和分别设置为α和1-α,α为置信水平。
和可以由(13)和(14)计算:
其中,为非高斯空间的控制限,表示在非高斯空间的统计量。
高斯空间XPCA的统计量监测发生故障的概率表示为式(15):
其中,
XPCA表示当前样本X的高斯空间,N表示正常情况,F表示故障情况,表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,表示高斯空间的统计量监测发生故障的概率,表示高斯空间的统计量监测正常的概率,和分别设置为α和1-α,α为置信水平。
和可以由(17)和(18)计算:
其中,表示高斯空间的统计量,为高斯空间的统计量的控制限。
高斯空间XPCA的统计量监测发生故障的概率表示为式(19):
其中,
表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,PSPEF表示高斯空间的统计量监测发生故障的概率,PSPEN表示高斯空间的统计量监测正常的概率,PSPEN和PSPEF分别设置为α和1-α,α为置信水平。
和可以由(21)和(22)计算:
其中,表示高斯空间的统计量,SPElim为高斯空间的统计量的控制限。然后通过式(23)组合成一个统计量:
BIC的控制限为1-α。当BIC的值大于1-α时,判断发生故障;否则,过程正常。
虽然本发明已以较佳实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可做各种的改动与修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (2)
1.基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法,其特征在于,包括以下步骤:
步骤1:收集工业过程中各个工况正常运行的数据组成训练样本集;
步骤2:利用局部邻域标准化方法对训练样本进行预处理,使得多工况数据可以由单一模型来表示;
所述局部邻域标准化算法为:
假设样本集X∈Rm×n,其中,m是过程变量的数目,n是样本数据的大小;样本xi∈Rm×1(i=1,2…,n)的局部邻域Nk(xi)表示样本在X中由欧氏距离确定的k个最近邻,其中然后利用每个样本的第一个邻居的邻域均值和邻域标准差进行标准化处理:如式(1)
其中,Zi表示经过局部邻域标准化处理后的xi,和分别表示样本xi的第一个邻居的的邻域均值和邻域标准差,s表示求标准差;
步骤3:根据步骤2获得的预处理样本集,应用ICA-PCA算法分析处理获得离线建模模型;
假设m维的样本x(k)=[x1(k),x2(k),…,xm(k)]T可以由r维的未知独立成分[s1,s2,…,sr]T的线性组合来表示,其中r≤m,他们之间的关系如式(2)所示:
X=A·S+E (2)
X=[x1,x2,…,xn]∈Rm×n代表训练数据矩阵,A=[a1,a2,…,ar]∈Rm×r代表混合系数矩阵,S∈[s1,s2,…,sn]∈Rr×n代表独立成分矩阵,E∈Rm×n代表残差矩阵;对于获得的残差矩阵E通过协方差矩阵奇异值分解获得PCA模型,假设PCA模型有q个主成分,E可以通过奇异值分解为如式(3):
ET=TPT+E′ (3)
式中,T∈Rr×q和P∈Rm×q分别代表主成分子空间的得分矩阵和载荷矩阵,E′是PCA模型中的残差矩阵;
其ICA-PCA算法步骤为:
Step1:求样本x(k)的协方差矩阵Rx=E(x(k)xT(k)),E表示求期望,并进行特征值分解:得式(4)
Rx=UΛUT (4)
其中U表示Rx的特征向量组成的矩阵,Λ为特征值组成的对角矩阵;
Step2:对样本进行白化处理:得式(5)
z(k)=Qx(k)=QAs(k)=Bs(k) (5)
z(k)表示经过白化处理后的x(k),其中Q=Λ-1/2UT;根据X=A·S+E,其中,X∈Rm×n,A∈Rm×r,S∈Rr×n,E∈Rm×n,当r=m时,X=A·S;因此,x(k)=As(k),B是一个正交矩阵;
Step3:选择独立成分的个数r,设置i=1;
Step4:随机选取一个单位方差的初始化向量bi;
Step5:令bi=E{zg(bi Tz)}-E{g'(bi Tz)}bi,其中z是经过白化处理后的训练样本向量,g和g'分别代表式(6)非二次函数中的一阶和二阶导数:
其中1≤a1≤2;
Step6:然后将bi按照式(7)和式(8)进行标准正交化:
Step7:假如bi没有收敛,返回Step3;
Step8:假如bi收敛,输出bi;如果i≤m,那么i=i+1并返回Step2;
Step9:根据迭代结束后获得的正交阵B和所述Q矩阵求得独立成分矩阵:如式(9)
S=BTQX (9)
Step10:根据式(2)求得残差矩阵E,并应用协方差矩阵奇异值分解获得PCA模型,然后分别获得属于非高斯空间的统计量I2(k)=(BTQx(k))T(BTQx(k))和高斯空间的统计量SPE(k)=e(k)Te(k)=x(k)T(I-PqPq T)x(k),T2(k)=t(k)TΛ-1t(k);其中,e(k)是残差矩阵的第k个样本向量,Pq代表PCA模型载荷矩阵的前q个向量组成的矩阵,I表示单位矩阵,t(k)表示得分矩阵的第k个样本向量,Λ-1是特征值对角矩阵的逆矩阵形式;
步骤4:根据步骤3获得ICA-PCA模型的统计量应用核密度方法分别计算出各自的控制限,统计量应用核密度方法为:给出一个n个样本的数据集x,则x的分布密度可以计算为式(10):
其中,h表示带宽,K表示核函数,选择高斯核函数然后求得x均值的置信水平为99%的置信上限作为控制限;
步骤5:在线监控阶段,对于每一个新的采样点xnew,寻找其在训练集X中的最近邻并利用的邻域均值和邻域标准差对新样本xnew进行标准化处理,然后根据步骤3中的Step10分别计算出新的采样点xnew到来后的属于非高斯空间的统计量属于高斯空间的统计量SPEnew、属于高斯空间的统计量
步骤6:通过贝叶斯推断的方法将上述3个统计量,即SPEnew、组合成为一个统计量,非高斯空间XICA发生故障的概率表示为式(11):
P表示一种概率,表示已知在非高斯空间XICA中,发生故障的概率,表示已知发生故障,故障出现在非高斯空间的概率,表示非高斯空间发生故障的概率,表示在非高斯空间的概率;
其中,
XICA表示当前样本X的非高斯空间,N表示正常情况,F表示故障情况,表示非高斯空间正常的概率,表示非高斯空间发生故障的概率;和分别设置为α和1-α,α为置信水平;
和由(13)和(14)计算:
其中,为非高斯空间的控制限,表示在非高斯空间的统计量;
高斯空间XPCA的统计量监测发生故障的概率表示为式(15):
其中,
XPCA表示当前样本X的高斯空间,N表示正常情况,F表示故障情况,表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,表示高斯空间的统计量监测发生故障的概率,表示高斯空间的统计量监测正常的概率,和分别设置为α和1-α,α为置信水平;
和由(17)和(18)计算:
其中,表示高斯空间的统计量,为高斯空间的统计量的控制限;
高斯空间XPCA的统计量监测发生故障的概率表示为式(19):
其中,
表示已知在高斯空间XPCA中,统计量监测发生故障的概率,表示已知发生故障,故障出现在高斯空间的统计量的概率,表示正常情况下高斯空间统计量监测的概率,表示在高斯空间的统计量的概率,PSPEF表示高斯空间的统计量监测发生故障的概率,PSPEN表示高斯空间的统计量监测正常的概率,PSPEN和PSPEF分别设置为α和1-α,α为置信水平;
和由(21)和(22)计算:
其中,表示高斯空间的统计量,SPElim为高斯空间的统计量的控制限;
然后通过式(23)组合成一个统计量:
BIC的控制限为1-α;当BIC的值大于1-α时,判断发生故障;否则,过程正常。
2.根据权利要求1所述的基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法,其特征在于,首先收集不同工况下正常数据组成训练集,用局部邻域标准化方法对训练集进行预处理,并采用ICA-PCA算法建立模型,获得3个统计量,然后应用贝叶斯推断将组合前的统计量组合成为一个统计量,并确定相应控制限;当新的数据点到来时,将其放入历史训练集中利用局部邻域标准化方法进行预处理,然后再将该数据点移除,通过所述ICA-PCA模型获得相应统计量;通过贝叶斯推断将有新数据点到来后的统计量组合成一个统计量,通过比较在线统计量与控制限的大小来对是否出现故障做出决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979945.7A CN105425779B (zh) | 2015-12-24 | 2015-12-24 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510979945.7A CN105425779B (zh) | 2015-12-24 | 2015-12-24 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105425779A CN105425779A (zh) | 2016-03-23 |
CN105425779B true CN105425779B (zh) | 2018-12-04 |
Family
ID=55504048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510979945.7A Active CN105425779B (zh) | 2015-12-24 | 2015-12-24 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105425779B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105739489B (zh) * | 2016-05-12 | 2018-04-13 | 电子科技大学 | 一种基于ica‑knn的间歇过程故障检测方法 |
CN106156434B (zh) * | 2016-07-11 | 2020-03-17 | 江南大学 | 基于局部时滞重构的滑动窗时间差-高斯过程回归建模方法 |
CN106444665B (zh) * | 2016-09-22 | 2018-09-11 | 宁波大学 | 一种基于非高斯相似度匹配的故障分类诊断方法 |
CN106444706B (zh) * | 2016-09-22 | 2018-08-17 | 宁波大学 | 基于数据邻域特征保持的工业过程故障检测方法 |
CN106778533A (zh) * | 2016-11-28 | 2017-05-31 | 国网上海市电力公司 | 基于核函数的pca‑ksica储能系统典型工况识别方法 |
CN106647718B (zh) * | 2017-01-20 | 2019-01-11 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN107272655B (zh) * | 2017-07-21 | 2019-08-06 | 江南大学 | 基于多阶段ica-svdd的间歇过程故障监测方法 |
CN108170648B (zh) * | 2017-12-15 | 2021-05-18 | 宁波大学 | 一种基于已知数据回归的非高斯过程监测方法 |
CN110046054A (zh) * | 2018-01-17 | 2019-07-23 | 中兴通讯股份有限公司 | 虚拟机异常检测方法、装置、设备及计算机可读存储介质 |
CN108491683A (zh) * | 2018-03-26 | 2018-09-04 | 河北工业大学 | 一种青霉素发酵过程故障检测方法 |
CN109359662B (zh) * | 2018-08-20 | 2021-08-31 | 浙江大学 | 面向百万千瓦超超临界机组的非平稳分析与因果诊断方法 |
CN109242046B (zh) * | 2018-10-10 | 2021-11-23 | 中国工程物理研究院计算机应用研究所 | 基于非线性复杂系统过程数据的在线故障诊断方法 |
CN109669412B (zh) * | 2018-12-13 | 2021-03-26 | 宁波大学 | 一种基于新型动态独立成分分析的非高斯过程监测方法 |
CN109523195B (zh) * | 2018-12-19 | 2023-01-06 | 中国计量大学 | 基于样本多模态分类的分层式非高斯算法的故障检测方法 |
CN111880090B (zh) * | 2019-06-28 | 2021-07-06 | 浙江大学 | 一种面向百万千瓦超超临界机组的在线故障检测方法 |
CN110543166A (zh) * | 2019-09-18 | 2019-12-06 | 河南工学院 | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 |
CN110673577B (zh) * | 2019-09-23 | 2021-05-04 | 北京化工大学 | 一种复杂化工生产过程的分布式监控与故障诊断方法 |
CN111045415A (zh) * | 2019-12-03 | 2020-04-21 | 沈阳化工大学 | 一种基于局部概率密度双子空间的多模态过程故障检测方法 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
CN112560165A (zh) * | 2020-06-11 | 2021-03-26 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
CN111967489B (zh) * | 2020-06-28 | 2023-06-06 | 北京理工大学 | 一种基于质量数据流形特征的制造过程异常监测方法 |
CN114371686A (zh) * | 2021-12-29 | 2022-04-19 | 以萨技术股份有限公司 | 基于局部邻域标准化的多工况过程故障检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4244022A (en) * | 1979-02-05 | 1981-01-06 | The Toro Company | Irrigation control system |
US7979363B1 (en) * | 2008-03-06 | 2011-07-12 | Thomas Cecil Minter | Priori probability and probability of error estimation for adaptive bayes pattern recognition |
CN102566554A (zh) * | 2012-02-14 | 2012-07-11 | 浙江大学 | 一种基于单类支持向量机的半导体过程监测方法 |
CN104503436A (zh) * | 2014-12-08 | 2015-04-08 | 浙江大学 | 一种基于随机投影和k近邻的快速故障检测方法 |
CN104777830A (zh) * | 2015-04-01 | 2015-07-15 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
-
2015
- 2015-12-24 CN CN201510979945.7A patent/CN105425779B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4244022A (en) * | 1979-02-05 | 1981-01-06 | The Toro Company | Irrigation control system |
US7979363B1 (en) * | 2008-03-06 | 2011-07-12 | Thomas Cecil Minter | Priori probability and probability of error estimation for adaptive bayes pattern recognition |
CN102566554A (zh) * | 2012-02-14 | 2012-07-11 | 浙江大学 | 一种基于单类支持向量机的半导体过程监测方法 |
CN104503436A (zh) * | 2014-12-08 | 2015-04-08 | 浙江大学 | 一种基于随机投影和k近邻的快速故障检测方法 |
CN104777830A (zh) * | 2015-04-01 | 2015-07-15 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105425779A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105425779B (zh) | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 | |
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
Yu | Hidden Markov models combining local and global information for nonlinear and multimodal process monitoring | |
Yu | Fault detection using principal components-based Gaussian mixture model for semiconductor manufacturing processes | |
Balzano et al. | High-dimensional matched subspace detection when data are missing | |
WO2018103453A1 (zh) | 检测网络的方法和装置 | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
Caro et al. | Multiple bad data identification considering measurement dependencies | |
Barocio et al. | Detection and visualization of power system disturbances using principal component analysis | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
Coluccia et al. | Distribution-based anomaly detection via generalized likelihood ratio test: A general maximum entropy approach | |
CN106612511B (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
Antonacci et al. | Single-trial connectivity estimation through the least absolute shrinkage and selection operator | |
Zhang et al. | Nearest neighbor difference rule–based kernel principal component analysis for fault detection in semiconductor manufacturing processes | |
CN104077493A (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
CN111935064A (zh) | 一种工控网络威胁自动隔离方法及系统 | |
CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
Chen et al. | Remaining useful life prediction for complex systems with multiple indicators based on particle filter and parameter correlation | |
Zhao et al. | Concurrent PLS-based process monitoring with incomplete input and quality measurements | |
US20200356668A1 (en) | Event analysis in an electric power system | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 |
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 |