CN107463164B - 基于工业大数据多层核学习的连续加热釜快速故障检测法 - Google Patents
基于工业大数据多层核学习的连续加热釜快速故障检测法 Download PDFInfo
- Publication number
- CN107463164B CN107463164B CN201710619585.9A CN201710619585A CN107463164B CN 107463164 B CN107463164 B CN 107463164B CN 201710619585 A CN201710619585 A CN 201710619585A CN 107463164 B CN107463164 B CN 107463164B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- matrix
- kernel
- class
- 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
Images
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
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供了基于工业大数据多层核学习的连续加热釜快速故障检测法,其提高对连续加热釜过程故障检测的效率,减小对计算机硬件的依赖,减小延迟检测时间,改善了故障检测性能,增强了过程操作员对过程的操作信心,更加有利于减少过程波动、提高产品产量与质量,保障工业过程的自动化的有效实施。其利用集散控制系统收集正常工作状态下的数据,对数据进行预处理和归一化;然后根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层;并在每一层内分别训练出相应的核矩阵;将每一层训练出的核矩阵扩展拼接得到总的近似核矩阵,并进一步得到检测统计限;最终在新数据到来时,计算出其降维结果与相应的统计量,判断系统的运行状况。
Description
技术领域
本发明涉及工业过程控制领域,特别涉及基于工业大数据多层核学习的连续加热釜快速故障检测法。
背景技术
近些年来,工业生产过程变得越来越复杂,对产品的质量要求越来越高,工业生产过程的监测问题正在得到越来越广泛的重视。由于分布式控制系统的大量应用,如今可以很轻易地收集大量的过程数据和生产运营数据,形成工业大数据。一方面,实际的工业过程复杂,操作变量、中间变量多,往往并不满足传统的工业过程监测方法的常用假设,如线性、独立同分布、高斯分布,传统的工业过程监测方法效果不理想;另一方面,工业界对过程监测工具有着迫切的现实需求,如果没有很好的监测与诊断,轻则造成产品质量波动、影响企业利润,重则将会造成生命的损失。因此,设计效果更好的、符合过程实际运行状况的过程监测方法,为过程操作人员提提供及时、准确的过程运行信息,保障工业过程的自动化的有效实施,已经成为工业生产过程的研究热点和迫切需要解决的问题之一。本专利主要着眼于过程监测中的故障检测问题。
然而由于过程中广泛存在的质量平衡和能量平衡,这些数据往往存在严重的变量冗余的现象,并且变量间的关系往往是非线性的。传统的非线性工业过程监测方法效果不理想,其主要原因是使用了传统的人工指定的核函数。在这种背景下,有学者提出了最大方差展开算法,并且已经被证明是一种在故障检测领域非常有效的非线性数据降维方法。它最大的特点是通过解一个半正定规划得到训练数据的最优核矩阵使得训练数据中潜在的非线性结构在对应的核特征空间中被展开为线性,从而使核主成分分析在核特征空间中能有效地实施线性的主成分分析。更重要的是,最大方差展开降维很好地保持了训练数据分布的边界。然而,由于其对计算复杂度和空间要求非常高,传统的最大方差展开并不适用,这很大程度上限制了其在故障检测领域的应用。
发明内容
针对上述问题,本发明提供了基于工业大数据多层核学习的连续加热釜快速故障检测法,多层核学习技术求取近似核来显著减低计算复杂度和空间要求,同时最小化所牺牲的精确性,流形结构的局部特征和稀疏性保证了多层技术的有效实施;连续加热釜过程是一个常见的化工过程,本专利基于这个过程验证所提算法的有效性,相比传统算法,本发明大大提高对连续加热釜过程故障检测的效率,减小对计算机硬件的依赖,减小延迟检测时间,很大程度上改善了故障检测性能,增强了过程操作员对过程的操作信心,更加有利于减少过程波动、提高产品产量与质量,保障工业过程的自动化的有效实施。
基于工业大数据多层核学习的连续加热釜快速故障检测法,其特征在于:利用集散控制系统收集正常工作状态下的数据,对数据进行预处理和归一化;然后根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层;并在每一层内分别训练出相应的核矩阵;将每一层训练出的核矩阵扩展拼接得到总的近似核矩阵,并进一步得到检测统计限;最终在新数据到来时,计算出其降维结果与相应的统计量,判断系统的运行状况。
其进一步特征在于,其包括以下具体步骤:
(2)对数据集X进行预处理和归一化,即使得各个过程变量的均值为零,方差为1;
(3)根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层,在每一层内利用传统最大方差展开算法计算出相应的核矩阵;
(6)收集新的过程数据xw,并对其进行与建模数据相同的预处理和归一化;
(7)计算相应的核向量并得到其降维结果yw,计算相应的T2与SPE统计量,并与相应的检测统计限相比较,判断待测数据xw检测结果。
其更进一步特征在于:
步骤(3)的具体过程如下:
①对第1层来说,建模数据X被平均分配为P1类,每一类别所含的原始数据点数为NP1=N/P1,然后针对每一类i(1)内选取一个特征点,以此在第1层近似代表类i(1)内所有的点,这个特征点可经如下计算得到
所得到的P1个特征点组成一个新的数据集合
②对第2层来说,在第1层的每一类中,将所含有的原始数据平均分配为P2类,每一类别所含的原始数据点数为NP2=NP1/P2=N/P1P2,然后针对每一类i(1),i(2)内选取一个特征点,以此在第2层近似代表类i(1),i(2)内所有的点,可经如下计算得到
所得到的P1×P2个特征点组成一个新的数据集合
③对第l层来说(l=2,…,L),在第(l-1)层的每一类中,将所含有的原始数据平均分配为Pl类,每一类别所含的原始数据点数为NPl=N/(P1…Pl),然后针对每一类i(1),i(2)内选取一个特征点,以此在第l层近似代表类i(1):i(l-1),i(l)内所有的点,可经如下计算得到
所得到的P1×…×Pl个特征点组成一个新的数据集合
④上述过程一直进行到第L层。第(L+1)层与之前的层都不一样,这一层只有PL类,其中每一类所含的原始数据与所对应的第L层中的类相同,所含原始建模点的数量为NPL=NPL-1/PL=N/(P1…PL),记为
步骤(4)的具体过程如下:
其中
由于第2层的核矩阵的作用所补充第1层扩展矩阵的主对角矩阵,进而可得到
其中
本发明通过分层技术,将原始建模数据X切为分逐级嵌套的(L+1)层,在每一层内分别求解核矩阵,并将所有所求得的核矩阵扩展拼接得到近似核矩阵,以此显著减低计算复杂度和空间要求;流形结构的局部特征和稀疏性保证了多层技术的有效实施;相比传统算法,本发明可以大大提高对连续加热釜过程故障检测的效率,减小对计算机硬件的依赖,减小延迟检测时间,很大程度上改善了故障检测性能,增强了过程操作员对过程的操作信心,更加有利于减少过程波动、提高产品产量与质量,保障工业过程的自动化的有效实施。
附图说明
图1为本发明的基于工业大数据多层核学习的连续加热釜快速故障检测法的流程图;
图2为采用传统最大方差展开检测方法连续搅拌釜式加热器过程IDV1数据集上的具体的检测结果;
图3为采用多层最大方差展开检测方法连续搅拌釜式加热器过程IDV1数据集上的具体的检测结果。
具体实施方式
基于工业大数据多层核学习的连续加热釜快速故障检测法:利用集散控制系统收集正常工作状态下的数据,对数据进行预处理和归一化;然后根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层;并在每一层内分别训练出相应的核矩阵;将每一层训练出的核矩阵扩展拼接得到总的近似核矩阵,并进一步得到检测统计限;最终在新数据到来时,计算出其降维结果与相应的统计量,判断系统的运行状况。
其包括以下具体步骤:
(2)对数据集X进行预处理和归一化,即使得各个过程变量的均值为零,方差为1;
(3)根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层,在每一层内利用传统最大方差展开算法计算出相应的核矩阵;
(6)收集新的过程数据xw,并对其进行与建模数据相同的预处理和归一化;
(7)计算相应的核向量并得到其降维结果yw,计算相应的T2与SPE统计量,并与相应的检测统计限相比较,判断待测数据xw检测结果。
其更进一步特征在于:
步骤(3)的具体过程如下:
①对第1层来说,建模数据X被平均分配为P1类,每一类别所含的原始数据点数为NP1=N/P1,然后针对每一类i(1)内选取一个特征点,以此在第1层近似代表类i(1)内所有的点,这个特征点可经如下计算得到
所得到的P1个特征点组成一个新的数据集合
②对第2层来说,在第1层的每一类中,将所含有的原始数据平均分配为P2类,每一类别所含的原始数据点数为NP2=NP1/P2=N/P1P2。然后针对每一类i(1),i(2)内选取一个特征点,以此在第2层近似代表类i(1),i(2)内所有的点,可经如下计算得到
所得到的P1×P2个特征点组成一个新的数据集合
③对第l层来说(l=2,…,L),在第(l-1)层的每一类中,将所含有的原始数据平均分配为Pl类,每一类别所含的原始数据点数为NPl=N/(P1…Pl),然后针对每一类i(1),i(2)内选取一个特征点,以此在第l层近似代表类i(1):i(l-1),i(l)内所有的点,可经如下计算得到
所得到的P1×…×Pl个特征点组成一个新的数据集合
④上述过程一直进行到第L层。第(L+1)层与之前的层都不一样,这一层只有PL类,其中每一类所含的原始数据与所对应的第L层中的类相同,所含原始建模点的数量为NPL=NPL-1/PL=N/(P1…PL),记为
步骤(4)的具体过程如下:
进而得到第1层的扩展矩阵
其中
得到第2层的扩展矩阵
由于第2层的核矩阵的作用所补充第1层扩展矩阵的主对角矩阵,进而可得到
④对第(L+1)层来说,所学习到的核矩阵是这些矩阵被用来直接替代第L层扩展矩阵的主对角矩阵,
其中
⑤将上述步骤所得到的每层的扩展和矩阵拼接起来得到最终的近似核矩阵
以下以一个实际的连续搅拌釜式加热器过程验证所提出算法的有效性。连续搅拌釜式加热器过程最初由THORNHILL等提出,使用PI控制器。一共选择了六个变量进行过程监测:蒸汽阀门、冷水阀门、控制器输出信号、液位、冷水流量和温度。在正常工况下搜集的600个数据点被选为建模数据。另外收集了四个测试数据集,依次为正常工况、液位随机改变故障工况、冷水阀门随机改变故障工况和冷水流量阶跃改变故障工况,分别命名为IDV0、IDV1、 IDV2和IDV3,每一个都含有600个数据点。所有的故障均在第201个点被引入。表1给出了所有的故障检测率。为了更直观地呈现结果,图2中分别给出了传统最大方差展开和多层最大方差展开在IDV1数据集上的具体的检测结果。从上述检测结果可以很容易地看出多层最大方差展开算法与传统最大方差算法在连续搅拌釜式加热器过程故障检测的效果基本相同。但是最大方差展开的建模时间需要45.17秒,而多层最大方差展开只需要11.90秒,可以明显看出多层最大方差展所需要的时间是明显减少的。
表1:连续搅拌釜式加热器过程的检测率
上述仿真结果验证了基于连续加热釜过程与多层核学习的快速故障检测方法的有效性,相比传统算法,本发明可以大大提高对连续加热釜过程故障检测的效率,减小对计算机硬件的依赖,减小延迟检测时间,很大程度上改善了故障检测性能,增强了过程操作员对过程的操作信心,更加有利于减少过程波动、提高产品产量与质量,保障工业过程的自动化的有效实施。
本专利所公布的给予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 (4)
1.基于工业大数据多层核学习的连续加热釜快速故障检测法,其特征在于:利用集散控制系统收集正常工作状态下的数据,对数据进行预处理和归一化;然后根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层;并在每一层内分别训练出相应的核矩阵;将每一层训练出的核矩阵扩展拼接得到总的近似核矩阵,并进一步得到检测统计限;最终在新数据到来时,计算出其降维结果与相应的统计量,判断系统的运行状况。
2.如权利要求1所述的基于工业大数据多层核学习的连续加热釜快速故障检测法,其特征在于,其包括以下具体步骤:
(2)对数据集X进行预处理和归一化,即使得各个过程变量的均值为零,方差为1;
(3)根据数据流形结构的局部特征和稀疏性,将建模数据X切为分逐级嵌套的(L+1)层,在每一层内利用传统最大方差展开算法计算出相应的核矩阵;
(6)收集新的过程数据xw,并对其进行与建模数据相同的预处理和归一化;
(7)计算相应的核向量并得到其降维结果yw,计算相应的T2与SPE统计量,并与相应的检测统计限相比较,判断待测数据xw检测结果。
3.如权利要求2所述的基于工业大数据多层核学习的连续加热釜快速故障检测法,其特征在于,步骤(3)的具体过程如下:
假设训练样本集为其中的数据点根据分层情况有序排列;
①对第1层来说,建模数据X被平均分配为P1类,每一类别所含的原始数据点数为NP1=N/P1,然后针对每一类i(1)内选取一个特征点,以此在第1层近似代表类i(1)内所有的点,这个特征点可经如下计算得到
所得到的P1个特征点组成一个新的数据集合
②对第2层来说,在第1层的每一类中,将所含有的原始数据平均分配为P2类,每一类别所含的原始数据点数为NP2=NP1/P2=N/P1P2, 然后针对每一类i(1),i(2)内选取一个特征点,以此在第2层近似代表类i(1),i(2)内所有的点,可经如下计算得到
所得到的P1×P2个特征点组成一个新的数据集合
③对第l层来说(l=2,…,L),在第(l-1)层的每一类中,将所含有的原始数据平均分配为Pl类,每一类别所含的原始数据点数为NPl=N/(P1…Pl),然后针对每一类i(1),i(2)内选取一个特征点,以此在第l层近似代表类i(1):i(l-1),i(l)内所有的点,可经如下计算得到
所得到的P1×…×Pl个特征点组成一个新的数据集合
利用这个新的数据集合,通过传统最大方差展开算法得到第l层的P1×…×Pl-1个核矩阵
④上述过程一直进行到第L层, 第(L+1)层与之前的层都不一样,这一层只有PL类,其中每一类所含的原始数据与所对应的第L层中的类相同,所含原始建模点的数量为NPL=NPL-1/PL=N/(P1…PL),记为
4.如权利要求3所述的基于工业大数据多层核学习的连续加热釜快速故障检测法,其特征在于,步骤(4)的具体过程如下:
其中
由于第2层的核矩阵的作用所补充第1层扩展矩阵的主对角矩阵,进而可得到
③对第l层来说(l=2,…,L),所学习到的核矩阵由于第l层的核矩阵的作用所补充第(l-1)层扩展矩阵的主对角矩阵,进而可得到
④对第(L+1)层来说,所学习到的核矩阵是这些矩阵被用来直接替代第L层扩展矩阵的主对角矩阵,
其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619585.9A CN107463164B (zh) | 2017-07-26 | 2017-07-26 | 基于工业大数据多层核学习的连续加热釜快速故障检测法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710619585.9A CN107463164B (zh) | 2017-07-26 | 2017-07-26 | 基于工业大数据多层核学习的连续加热釜快速故障检测法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463164A CN107463164A (zh) | 2017-12-12 |
CN107463164B true CN107463164B (zh) | 2020-01-17 |
Family
ID=60547447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710619585.9A Active CN107463164B (zh) | 2017-07-26 | 2017-07-26 | 基于工业大数据多层核学习的连续加热釜快速故障检测法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463164B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209145B (zh) * | 2019-05-16 | 2020-09-11 | 浙江大学 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7353215B2 (en) * | 2001-05-07 | 2008-04-01 | Health Discovery Corporation | Kernels and methods for selecting kernels for use in learning machines |
CN103901855B (zh) * | 2014-04-01 | 2016-11-02 | 浙江大学 | 一种不等长批次条件下青霉素生产过程核学习监测方法 |
CN104777830B (zh) * | 2015-04-01 | 2017-07-11 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
CN106017879B (zh) * | 2016-05-18 | 2018-07-03 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
-
2017
- 2017-07-26 CN CN201710619585.9A patent/CN107463164B/zh active Active
Non-Patent Citations (1)
Title |
---|
"多重核学习非线性时间序列故障预报";张军峰 等;《控制理论与应用》;20081231;第25卷(第6期);第1142-1144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107463164A (zh) | 2017-12-12 |
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 | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
CN109669415A (zh) | 一种基于结构化典型变量分析的动态过程监测方法 | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
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 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN108388234A (zh) | 一种基于相关性划分多变量块pca模型的故障监测方法 | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN112114103B (zh) | 基于鲁棒自适应典型相关分析的污水厂污泥膨胀检测方法 | |
CN105320805A (zh) | 一种皮卫星多源可靠性信息融合方法 | |
CN116128102B (zh) | 一种制冷设备用异形铜管生产优化方法及系统 | |
CN110895814A (zh) | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 | |
CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
CN107463164B (zh) | 基于工业大数据多层核学习的连续加热釜快速故障检测法 | |
CN112231971A (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 | |
Mahmood et al. | A bivariate exponentially weighted moving average control chart based on exceedance statistics | |
CN112506718B (zh) | 一种故障冗余机制的安全芯片处理器及处理方法 | |
CN108572639B (zh) | 一种基于主成分自相关性剔除的动态过程监测方法 | |
CN111338310B (zh) | 一种工业过程稳态工况识别与分类方法 | |
CN115982655A (zh) | 一种基于决策树的缺失数据流程异常预测方法 | |
CN101859105A (zh) | 船舶航向控制系统故障在线预报方法 | |
CN115564247A (zh) | 一种核电厂事故智能识别及决策的方法及系统 | |
KR20240025792A (ko) | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 | |
CN108491878A (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN110288724B (zh) | 一种基于小波函数主元分析的批次过程监测方法 |
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 |