CN106338981A - 动态多向局部离群因子算法的间歇过程在线故障检测方法 - Google Patents
动态多向局部离群因子算法的间歇过程在线故障检测方法 Download PDFInfo
- Publication number
- CN106338981A CN106338981A CN201610844569.5A CN201610844569A CN106338981A CN 106338981 A CN106338981 A CN 106338981A CN 201610844569 A CN201610844569 A CN 201610844569A CN 106338981 A CN106338981 A CN 106338981A
- Authority
- CN
- China
- Prior art keywords
- data
- factor algorithm
- lof
- fault detection
- batch process
- 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.)
- Pending
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
- 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
- G05B2219/24065—Real time diagnostics
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)
- Complex Calculations (AREA)
Abstract
动态多向局部离群因子算法的间歇过程在线故障检测方法,涉及一种间歇过程故障检测方法,首先在训练样本的一个滑动窗口内将三维数据展开成二维,进行标准化处理。然后在每个窗口内找到训练集k个近邻,利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量;通过核密度估计计算出此时刻的LOF统计量的控制限;在训练集中找到新来时刻数据的k个近邻,利用局部离群因子算法计算出此时刻LOF统计量。如果统计量超过控制限,则该时刻的数据样本是故障的;否则是正常的。如果测试表明系统出现故障,则需要工作人员及时查明情况,排除险情。本发明能有效地进行过程监视,改善了故障检测效果。
Description
技术领域
本发明涉及一种间歇过程故障检测方法,特别是涉及一种动态多向局部离群因子(Dynamic Multiway Local Outlier Factor,DMLOF)用于间歇过程的在线故障检测方法。
背景技术
近年来,由于科技的不断进步和发展,间歇过程被广泛应用于生产高质量、高附加值产品行业。因此,间歇过程的检测与故障诊断一直备受关注。然而在间歇过程采集到的信号往往具有非高斯、非线性、多模态的特性,这就对故障检测的性能提出了很高的要求。多模态间歇过程相对于传统的间歇过程更加复杂,具有严重的非线性、时变性和多工况等特征,使得多模态间歇过程的故障诊断更加具有挑战性。
基于多元统计分析的故障诊断方法成为工业界和学术界的研究热点。多向主元分析和多向偏最小二乘极其延伸算法已成功应用于化工过程检测与监视。这些方法假设数据服从单一分布,通过保留主成分使数据从高维空间降低到低维空间,改变了数据分布丢失局部信息,而实际数据往往是高斯分布和非高斯分布的混合情况,因此这些方法对具有复杂数据分布的化工过程监控效果较差。如何解决数据的多模态分布特性问题,同时利用局部邻域信息,目前还没有一种对多模态的间歇过程进行故障检测的方法。
发明内容
本发明的目的在于提供一种动态多向局部离群因子算法的间歇过程在线故障检测方法,该方法将滑动窗口技术和多向局部离群因子(Multiway Local Outlier Factor,MLOF)相结合用于间歇过程在线检测,并利用核密度估计确定控制限进行过程检测,提高故障检测模型的精确度。
本发明的目的是通过以下技术方案实现的:
动态多向局部离群因子算法的间歇过程在线故障检测方法,所述方法包括以下过程:
将在生产过程中正常情况下采集到的一定量的批次数据作为建模数据的训练集,利用滑动窗口技术,在每个窗口内将三维数据展开成二维,进行标准化处理。然后在每个窗口内找到训练集k个近邻,利用局部离群因子(Local Outlier Factor,LOF)算法计算可达距离和局部可达密度得到LOF统计量,通过核密度估计计算出此时刻的LOF统计量的控制限;对于新来一个时刻k的批次样本,将数据展开成一行,利用与新来样本相对应的建模数据时刻模型的均值和方差,标准化新来数据样本。在训练集中找到新来时刻数据的k个近邻,利用局部离群因子算法计算出此时刻LOF统计量;根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。如果统计量超过控制限,则该时刻的数据样本是故障的;否则是正常的。如果测试表明系统出现故障,则需要工作人员及时查明情况,排除险情。
所述的动态多向局部离群因子算法的间歇过程在线故障检测方法,所述建模过程包括正常状态模型、在线检测模型。对工业过程中的正常历史数据,使用多向局部离群因子算法建立正常状态模型。将新来时刻数据投影到MLOF的模型上,通过核密度估计的方法进行建模和在线故障检测。
所述的动态多向局部离群因子算法的间歇过程在线故障检测方法,所述滑动窗口大小和步长的选取,遵循实践经验确定。
本发明的优点与效果是:
1.本发明能够解决数据的多模态分布特性问题。传统的故障检测方法,如主元分析、核主元分析等假设数据服从单一分布,实际数据往往是高斯分布和非高斯分布的混合情况;而本发明提出的方法可以有效利用局部邻域信息,能够更加精确地对多模态数据进行处理,同时对数据分布没有依赖性,在过程监视中具有更好的检测结果。
2. 本发明提高了模型精确度。滑动窗口的在线检测算法不需要预先估计未来测量值,而且能有效地进行过程监视,提高模型精确度。
3. 本发明改善了故障检测效果。利用核密度估计确定控制限不需要数据的高斯分布假设,更具有普遍性意义。因此运用核密度估计计算正常模型中LOF统计量的控制限,改善了故障检测效果。
附图说明
图1为本发明的核心算法流程图。
具体实施方式
下面结合实例对本发明进行详细说明。
本发明是将大量的正常历史数据预处理(展开成二维和标准化)以后,在滑动窗口内找到训练集k个近邻,利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量,通过核密度估计计算出此时刻的LOF统计量的控制限。新批次样本到来后,在对应的滑动窗口内利用局部离群因子算法计算出LOF统计量用于进行故障检测。本技术解决了传统算法用于间歇过程故障诊断时数据的多模态分布特性的问题。为了更好的解决数据的多模态分布特性以及同一模态下数据分布的不确定性,本发明通过在一个滑动窗口内对训练集运用局部离群因子(LOF)算法,更加精确地对多模态数据进行处理。
基于DMLOF的故障检测技术:为了进行过程故障检测,需要利用已知的正常数据建模,然后对新来的数据进行检测。本发明将采集到的正常历史数据作为建模数据的训练集,利用DMLOF和核密度估计的方法进行建模和在线故障检测。将训练集在每个窗口内预处理以后,找到训练集k个近邻,利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量,利用核密度估计估计出LOF统计量的控制限;对于新来一个时刻k的批次样本在对应的滑动窗口内预处理,并在训练集中找到新来时刻数据的k个近邻,利用局部离群因子算法计算出此时刻LOF统计量;根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。
软件系统:为了能够实现故障检测,本发明采用MathWorks公司的MALTAB软件编程开发,对工业过程中采集到的实时数据进行检测,当检测数据的统计量超过控制限,则该时刻的数据样本是故障的,即系统出现故障,需要工作人员及时查明情况,排除险情。
本发明由以下两部分组成:正常状态模型、在线检测模型。对工业过程中的正常历史数据,
利用滑动窗口技术,在每个窗口内将三维数据展开成二维,进行标准化处理。然后在每个窗口内找到训练集k个近邻,利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量,通过核密度估计计算出此时刻的LOF统计量的控制限;对于新来一个时刻k的批次样本,将数据展开成一行,利用与新来样本相对应的相对应的滑动窗口内模型的均值和方差,标准化新来数据样本。在训练集中找到新来时刻数据的k个近邻,利用局部离群因子算法计算出此时刻LOF统计量;根据统计量是否超过建模的控制限来判断该时刻的数据是否正常。如果统计量超过控制限,则该时刻的数据样本是故障的;否则是正常的。实现了基于动态多向局部离群因子的间歇过程在线故障检测。
本发明通过对间歇过程中收集到的历史离线数据作为训练集,经过在滑动窗口内建立LOF模型,解决了数据的多模态分布特性以及同一模态下数据分布的不确定性,利用核密度估计得到了更好的检测结果。
Claims (3)
1.动态多向局部离群因子算法的间歇过程在线故障检测方法,其特征在于,所述方法包括以下过程:
将在生产过程中正常情况下采集到的一定量的批次数据作为建模数据的训练集,利用滑动窗口技术,在每个窗口内将三维数据展开成二维,进行标准化处理;然后在每个窗口内找到训练集k个近邻,利用局部离群因子算法计算可达距离和局部可达密度得到LOF统计量,通过核密度估计计算出此时刻的LOF统计量的控制限;对于新来一个时刻k的批次样本,将数据展开成一行,利用与新来样本相对应的滑动窗口内模型的均值和方差,标准化新来数据样本;在训练集中找到新来时刻数据的k个近邻,利用局部离群因子算法计算出此时刻LOF统计量;根据统计量是否超过建模的控制限来判断该时刻的数据是否正常;如果统计量超过控制限,则该时刻的数据样本是故障的;否则是正常的;如果测试表明系统出现故障,则需要工作人员及时查明情况,排除险情。
2.根据权利要求1所述的动态多向局部离群因子算法的间歇过程在线故障检测方法,其特征在于,所述建模过程包括正常状态模型、在线检测模型;对工业过程中的正常历史数据,使用多向局部离群因子算法建立正常状态模型,通过核密度估计的方法确定统计量的控制限;将新来时刻数据投影到对应窗口的MLOF的模型上,进行在线故障检测。
3.根据权利要求1所述的动态多向局部离群因子算法的间歇过程在线故障检测方法,其特征在于,所述滑动窗口大小和步长的选取,遵循实践经验确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844569.5A CN106338981A (zh) | 2016-09-23 | 2016-09-23 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844569.5A CN106338981A (zh) | 2016-09-23 | 2016-09-23 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106338981A true CN106338981A (zh) | 2017-01-18 |
Family
ID=57839232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610844569.5A Pending CN106338981A (zh) | 2016-09-23 | 2016-09-23 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106338981A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107395121A (zh) * | 2017-08-01 | 2017-11-24 | 河海大学常州校区 | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 |
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 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
CN109214355A (zh) * | 2018-09-29 | 2019-01-15 | 西安交通大学 | 一种基于核估计lof的机械监测数据异常段检测方法 |
CN109308395A (zh) * | 2018-09-30 | 2019-02-05 | 西安电子科技大学 | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 |
CN109446189A (zh) * | 2018-10-31 | 2019-03-08 | 成都天衡智造科技有限公司 | 一种工业参数离群点检测系统及方法 |
CN110207827A (zh) * | 2019-05-23 | 2019-09-06 | 浙江大学 | 一种基于异常因子提取的电气设备温度实时预警方法 |
CN110287322A (zh) * | 2019-06-27 | 2019-09-27 | 有米科技股份有限公司 | 社交媒体流量的水分流量处理方法、系统及设备 |
CN110907175A (zh) * | 2019-11-20 | 2020-03-24 | 江苏理工学院 | 一种静电多传感器滚动轴承监测方法及装置 |
US20200282371A1 (en) * | 2017-08-31 | 2020-09-10 | Mitsubishi Heavy Industries Machinery Systems, Ltd. | Monitoring device, monitoring method, and program |
CN113408667A (zh) * | 2021-07-30 | 2021-09-17 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 状态评估方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
CN105654735A (zh) * | 2016-03-24 | 2016-06-08 | 安徽四创电子股份有限公司 | 基于离群点分析算法的套牌车快速甄别方法 |
RU2014147617A (ru) * | 2014-11-26 | 2016-06-20 | Александр Сергеевич Тумачек | Способ обработки сигналов вч диапазона каскадом адаптивных фильтров различной инерционности с общей обратной связью по решению |
CN105868387A (zh) * | 2016-04-14 | 2016-08-17 | 江苏马上游科技股份有限公司 | 一种基于并行计算的离群数据挖掘方法 |
-
2016
- 2016-09-23 CN CN201610844569.5A patent/CN106338981A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
RU2014147617A (ru) * | 2014-11-26 | 2016-06-20 | Александр Сергеевич Тумачек | Способ обработки сигналов вч диапазона каскадом адаптивных фильтров различной инерционности с общей обратной связью по решению |
CN105511445A (zh) * | 2015-12-01 | 2016-04-20 | 沈阳化工大学 | 基于局部近邻标准化矩阵的多模态过程故障检测方法 |
CN105654735A (zh) * | 2016-03-24 | 2016-06-08 | 安徽四创电子股份有限公司 | 基于离群点分析算法的套牌车快速甄别方法 |
CN105868387A (zh) * | 2016-04-14 | 2016-08-17 | 江苏马上游科技股份有限公司 | 一种基于并行计算的离群数据挖掘方法 |
Non-Patent Citations (1)
Title |
---|
RIKARD LAXHAMMARL: "Online Detection of Anomalous Sub-trajectories:A Sliding Window Approach Based on Conformal Anomaly Detection and Local Outlier Factor", 《IFIP INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE APPLICATIONS AND INNOVATIONS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107395121B (zh) * | 2017-08-01 | 2018-12-25 | 河海大学常州校区 | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 |
CN107395121A (zh) * | 2017-08-01 | 2017-11-24 | 河海大学常州校区 | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 |
US20200282371A1 (en) * | 2017-08-31 | 2020-09-10 | Mitsubishi Heavy Industries Machinery Systems, Ltd. | Monitoring device, monitoring method, and program |
CN107544477B (zh) * | 2017-10-23 | 2019-05-31 | 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 |
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 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108038044B (zh) * | 2017-12-26 | 2021-01-08 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN109214355A (zh) * | 2018-09-29 | 2019-01-15 | 西安交通大学 | 一种基于核估计lof的机械监测数据异常段检测方法 |
CN109308395A (zh) * | 2018-09-30 | 2019-02-05 | 西安电子科技大学 | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 |
CN109446189A (zh) * | 2018-10-31 | 2019-03-08 | 成都天衡智造科技有限公司 | 一种工业参数离群点检测系统及方法 |
CN110207827A (zh) * | 2019-05-23 | 2019-09-06 | 浙江大学 | 一种基于异常因子提取的电气设备温度实时预警方法 |
CN110207827B (zh) * | 2019-05-23 | 2020-05-08 | 浙江大学 | 一种基于异常因子提取的电气设备温度实时预警方法 |
CN110287322A (zh) * | 2019-06-27 | 2019-09-27 | 有米科技股份有限公司 | 社交媒体流量的水分流量处理方法、系统及设备 |
CN110907175A (zh) * | 2019-11-20 | 2020-03-24 | 江苏理工学院 | 一种静电多传感器滚动轴承监测方法及装置 |
CN113408667A (zh) * | 2021-07-30 | 2021-09-17 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 状态评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106338981A (zh) | 动态多向局部离群因子算法的间歇过程在线故障检测方法 | |
CN104483962B (zh) | 基于多向正交局部保持投影的间歇过程在线故障检测方法 | |
CN107544477B (zh) | 基于核主元分析的非线性工业过程故障检测方法 | |
CN107357275B (zh) | 非高斯工业过程故障检测方法及系统 | |
CN106483942B (zh) | 一种半导体制造设备和工艺的智能控制系统及方法 | |
Zhou et al. | Statistical estimation and testing for variation root-cause identification of multistage manufacturing processes | |
CN105468907B (zh) | 一种加速退化数据有效性检验及模型选择方法 | |
CN105511445B (zh) | 基于局部近邻标准化矩阵的多模态过程故障检测方法 | |
Jiang et al. | Multiobjective two-dimensional CCA-based monitoring for successive batch processes with industrial injection molding application | |
CN106680012B (zh) | 一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN107831024B (zh) | 基于多点振动信号特征值的风机振动故障状态诊断方法 | |
CN106483847B (zh) | 一种基于自适应ica的冷水机组故障检测方法 | |
CN104808648A (zh) | 一种基于k近邻的批次过程在线实时监测方法 | |
CN111796233B (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 | |
US8401813B2 (en) | Test table creation system and test table creation method | |
CN110187242A (zh) | 一种基于时空相关性分析的配电网异常检测及定位方法 | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN106338977A (zh) | 基于差分局部保持投影的非线性过程故障检测方法 | |
CN109142979B (zh) | 一种配电网异常状态的检测方法及装置 | |
CN104751059B (zh) | 基于函数模板的软件行为分析方法 | |
CN110119858A (zh) | 基于大数据的电网调度自动化系统的数据质量评估方法 | |
CN111045415A (zh) | 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 | |
US11676055B2 (en) | System for detecting data drift in machine-learning process monitoring | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170118 |
|
WD01 | Invention patent application deemed withdrawn after publication |