CN107066824B - 一种基于造纸机湿端的主动故障检测方法 - Google Patents
一种基于造纸机湿端的主动故障检测方法 Download PDFInfo
- Publication number
- CN107066824B CN107066824B CN201710266301.2A CN201710266301A CN107066824B CN 107066824 B CN107066824 B CN 107066824B CN 201710266301 A CN201710266301 A CN 201710266301A CN 107066824 B CN107066824 B CN 107066824B
- Authority
- CN
- China
- Prior art keywords
- fault
- probability density
- density function
- normal
- ellipsoids
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Paper (AREA)
Abstract
本发明公开了一种基于造纸机湿端的主动故障检测方法,涉及造纸机故障检测技术领域,所设计的主动故障检测方法针对存在未知但有界干扰的非高斯随机分布系统,验证正常和故障系统输出权值的交集是否为空来检测系统是否发生了故障,能迅速而准确地检测出隐藏的故障并提高故障检测性能。
Description
技术领域
本发明涉及造纸机故障检测技术领域,特别是涉及一种基于造纸机湿端的主动故障检测方法。
背景技术
造纸工业生产过程直接催生了随机分布系统概念的提出,并在其相关的领域饱受重视。随机分布系统的控制对象是整个系统的输出概率密度函数,其输入、噪声和故障类型并不一定服从高斯分布,其随机变量是非高斯型的,不能用传统的以输出均值和方差为特性的控制方法。传统的被动故障检测方法需要系统的输入-输出测量值。
现有的主动故障检测方法只针对模型参数不同时的参数故障的检测,同时现有的非高斯随机分布系统被动故障检测方法检测数据多,检测阈值的设定没有实际的依据。
发明内容
本发明实施例提供了一种基于造纸机湿端的主动故障检测方法,可以解决现有技术中存在的问题。
一种基于造纸机湿端的主动故障检测方法,包括:
通过数字摄像和图像处理可以获得造纸机湿端白水池内絮凝颗粒的灰度分布图,根据该灰度分布图提取灰度分布的概率密度函数,用径向基函数神经网络逼近其概率密度函数;
根据所述概率密度函数建立系统的状态空间模型,经扫描辨识法得到状态空间模型的参数;
随机选取概率密度函数中的未知输入项,确定系统不确定项的椭球集合;
由椭球仿射变换性质得到正常和故障后系统的输出权值椭球,以在给定的测试周期内,辅助信号对正常系统和故障后系统输出集合的交集为空,并使所添加的辅助信号对系统的影响最小为目标,计算求解最优辅助信号;
将计算得到的辅助信号带入系统进行主动故障检测。
优选地,所述概率密度函数由下式给出:
γ(y,u(k))=ω1(k)R1(y)+ω2(k)R2(y)+ω3(k)R3(y)+d(k) (1)
其中,y∈[0,1],u(k)为控制输入,ω1(k)、ω2(k)和ω3(k)均为权值,d(k)为包含模型不确定性、噪声和外部干扰的未知输入项,高斯型径向基函数:
γ(y,u(k))=R(y)V(k)+L(y) (3)
其中,V(k)为输出权值。
优选地,系统的状态空间模型为:
优选地,步骤随机选取概率密度函数中的未知输入项,确定系统不确定项的椭球集合具体包括:
优选地,由椭球仿射变换性质得到正常和故障后系统的输出权值椭球具体包括:
在0到1之间选取6个随机数作为未知输入项,由椭球仿射变换性质可得正常和故障后系统的输出权值椭球为:
其中,c1和c2分别为正常和故障后系统的输出权值椭球的中心,P1和P2分别为控制正常和故障后系统的输出权值椭球形状的特征矩阵。
优选地,以在给定的测试周期内,辅助信号对正常系统和故障后系统输出集合的交集为空,并使所添加的辅助信号对系统的影响最小为目标,计算求解最优辅助信号具体包括:
合适的辅助信号满足:
求解得到最优辅助信号:
本发明实施例提供的一种基于造纸机湿端的主动故障检测方法,所设计的主动故障检测方法针对存在未知但有界干扰的非高斯随机分布系统,验证正常和故障系统输出权值的交集是否为空来检测系统是否发生了故障,能迅速而准确地检测出隐藏的故障并提高故障检测性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于造纸机湿端的主动故障检测方法的流程图;
图2为无故障时的检测结果;
图3为发生故障时的检测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明实施例中提供的一种基于造纸机湿端的主动故障检测方法,该方法包括:
步骤100,通过数字摄像和图像处理可以获得造纸机湿端白水池内絮凝颗粒的灰度分布图,根据该灰度分布图提取灰度分布的概率密度函数,用径向基函数神经网络逼近其概率密度函数。具体的概率密度函数由下式给出:
γ(y,u(k))=ω1(k)R1(y)+ω2(k)R2(y)+ω3(k)R3(y)+d(k) (1)
其中,y∈[0,1],u(k)为控制输入,ω1(k)、ω2(k)和ω3(k)均为权值,d(k)为包含模型不确定性、噪声和外部干扰的未知输入项,高斯型径向基函数:
γ(y,u(k))=R(y)V(k)+L(y) (3)
其中,V(k)为输出权值。
步骤200,根据所述概率密度函数建立系统的状态空间模型:
步骤300,已知系统的初始状态x(0),未知输入项d(k)所用的数据点从n个随机数中选取m+1个,则系统的不确定项Δ=(x(0),d(0),...,d(m))T属于椭球集合:其中Q为适当维数的单位矩阵。
在0到1之间选取6个随机数作为未知输入项,由椭球仿射变换性质可得正常和故障后系统的输出权值椭球为:
其中,c1和c2分别为正常和故障后系统的输出权值椭球的中心,P1和P2分别为控制正常和故障后系统的输出权值椭球形状的特征矩阵。
主动故障检测的策略为,在给定的测试周期内,辅助信号对正常系统和故障后系统输出集合的交集为空;并使所添加的辅助信号u′(k)对系统的影响最小。因此合适的辅助信号应该满足:
求解得到最优辅助信号:
步骤500,将计算得到的辅助信号带入系统进行主动故障检测。图2和图3分别给出了无故障时的检测结果和发生故障时的检测结果,此时f(k)=0.1。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于造纸机湿端的主动故障检测方法,其特征在于,包括:
通过数字摄像和图像处理可以获得造纸机湿端白水池内絮凝颗粒的灰度分布图,根据该灰度分布图提取灰度分布的概率密度函数,用径向基函数神经网络逼近其概率密度函数;所述概率密度函数由下式给出:
γ(y,u(k))=ω1(k)R1(y)+ω2(k)R2(y)+ω3(k)R3(y)+d(k) (1)
其中,y∈[0,1],u(k)为控制输入,ω1(k)、ω2(k)和ω3(k)均为权值,d(k)为包含模型不确定性、噪声和外部干扰的未知输入项,高斯型径向基函数:
γ(y,u(k))=R(y)V(k)+L(y) (3)
其中,V(k)为输出权值;
根据所述概率密度函数建立系统的状态空间模型,
其中,x(k)为系统的状态向量,u′(k)为辅助信号,f(k)为系统发生的故障,经扫描辨识法可得状态空间模型的参数:
随机选取概率密度函数中的未知输入项,确定系统不确定项的椭球集合;
由椭球仿射变换性质得到正常和故障后系统的输出权值椭球,以在给定的测试周期内,辅助信号对正常系统和故障后系统输出集合的交集为空,并使所添加的辅助信号对系统的影响最小为目标,计算求解最优辅助信号;
将计算得到的辅助信号带入系统进行主动故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266301.2A CN107066824B (zh) | 2017-04-21 | 2017-04-21 | 一种基于造纸机湿端的主动故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710266301.2A CN107066824B (zh) | 2017-04-21 | 2017-04-21 | 一种基于造纸机湿端的主动故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107066824A CN107066824A (zh) | 2017-08-18 |
CN107066824B true CN107066824B (zh) | 2021-09-10 |
Family
ID=59601120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710266301.2A Expired - Fee Related CN107066824B (zh) | 2017-04-21 | 2017-04-21 | 一种基于造纸机湿端的主动故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066824B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750086A (zh) * | 2013-12-26 | 2015-07-01 | 清华大学 | 故障和状态的估计方法及装置 |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105930608A (zh) * | 2016-05-04 | 2016-09-07 | 上海交通大学 | 计及信息不确定性的改进隐性故障检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN103617104B (zh) * | 2013-12-01 | 2017-01-04 | 中国船舶重工集团公司第七一六研究所 | 一种基于ipmi的冗余计算机系统节点故障主被动检测方法 |
CN105024859B (zh) * | 2015-07-23 | 2019-03-01 | 深圳信息职业技术学院 | 一种基于网络控制系统的部件故障估计方法及装置 |
US9753060B2 (en) * | 2015-08-28 | 2017-09-05 | Stmicroelectronics (Research & Development) Limited | Apparatus with device with fault detection protection |
-
2017
- 2017-04-21 CN CN201710266301.2A patent/CN107066824B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750086A (zh) * | 2013-12-26 | 2015-07-01 | 清华大学 | 故障和状态的估计方法及装置 |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105930608A (zh) * | 2016-05-04 | 2016-09-07 | 上海交通大学 | 计及信息不确定性的改进隐性故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107066824A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
CN110443350B (zh) | 基于数据分析的模型质量检测方法、装置、终端及介质 | |
US20130163869A1 (en) | Apparatus and method for extracting edge in image | |
CN109697725B (zh) | 一种背景过滤方法、装置及计算机可读存储介质 | |
CN112084505A (zh) | 深度学习模型恶意样本检测方法、系统、设备及存储介质 | |
CN109583731A (zh) | 一种风险识别方法、装置及设备 | |
CN114022926A (zh) | 一种人脸识别方法、装置、设备以及存储介质 | |
CN107066824B (zh) | 一种基于造纸机湿端的主动故障检测方法 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN113344907A (zh) | 一种图像检测方法及装置 | |
CN116484390A (zh) | 一种基于元数据和动态插桩技术的堆漏洞攻击检测方法、设备及介质 | |
CN114972375B (zh) | 图像生成模型的训练方法及装置、设备和存储介质 | |
CN109756494B (zh) | 一种负样本变换方法及装置 | |
CN109840926B (zh) | 一种图像生成方法、装置及设备 | |
CN112766320A (zh) | 一种分类模型训练方法及计算机设备 | |
CN113762382B (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
CN112052883A (zh) | 一种衣物检测方法、装置及存储介质 | |
CN117315678B (zh) | 一种数字图像篡改识别方法、系统、设备和存储介质 | |
CN116934555B (zh) | 一种基于物联网的安消一体化的管理方法及装置 | |
CN113343938B (zh) | 一种图像识别方法、装置、设备及计算机可读存储介质 | |
CN113269917B (zh) | 一种磁性介质的识别方法、装置、电子设备以及可读介质 | |
CN114155420B (zh) | 一种场景识别模型训练方法、装置、设备及介质 | |
US20240062421A1 (en) | Parameter determination apparatus, parameter determination method and recording medium | |
Modegi | Proposal for 3D-printing regulation technique in fabricating illegal objects using feature-vector based matching algorithm of 3D shapes | |
CN116993986A (zh) | 一种对抗样本检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210910 |
|
CF01 | Termination of patent right due to non-payment of annual fee |