CN107578166A - 基于异构递归模式的工业生产过程异常状态检测方法 - Google Patents
基于异构递归模式的工业生产过程异常状态检测方法 Download PDFInfo
- Publication number
- CN107578166A CN107578166A CN201710779347.4A CN201710779347A CN107578166A CN 107578166 A CN107578166 A CN 107578166A CN 201710779347 A CN201710779347 A CN 201710779347A CN 107578166 A CN107578166 A CN 107578166A
- Authority
- CN
- China
- Prior art keywords
- isomery
- recurrence
- control
- vector
- recursive schema
- 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
Abstract
基于异构递归模式的工业生产过程故障检测方法。目前大部分的生产过程数据仅仅起到记录作用,操作工人很难从海量数据中发现自己所需要的信息。基于异构递归模式的工业生产过程故障检测方法,将工业过程涉及的数据构建递归模式的递归图,根据递归图中的孤立点,对角线等结构利用递归量化分析方法提取递归图中的特征,建立控制图,同时应用穷举法来估计
Description
技术领域:
本发明涉及一种基于异构递归模式的工业生产过程异常状态检测方法。
背景技术:
在现代工业过程中,随着生产规模的扩大,生产过程自动化程度的提髙,生产过程异常状态的检测越来越受到重视。如果生产过程出现异常而未能及时发现和排除,不仅会导致产品出现大批量的质量问题,而且可能会导致生产设备的损坏,甚至造成严重的生产事故,出现巨大的人员伤亡和财产损失。
在复杂的工业生产过程中,生产过程变量众多且相关性大、工序复杂、不确定性大,很难获取准确的机理模型或者数学模型,使得传统的基于机理模型或者数学模型的方法己无法符合实际生产过程的要求。随着新技术的发展;以生产过程自动化程度的提高,海量的生产过程数据被采集。这些数据包含有丰富的生产过程信息,真实的记录和反应了实际生产过程的状态。但是大部分的生产过程数据仅仅起到记录作用,没有得到有效利用,企业的操作工人很难从海量数据中发现自己所需要的信息。
发明内容:
基于异构递归模式的工业生产过程异常状态检测方法,所述的基于异构递归模式的连续非线性过程异常状态检测方法为:首先将工业过程涉及的数据利用递归法重构到一个d维的相空间上,利用相空间的向量表示原始数据信号的轨迹,同时利用这些向量的距离关系构建递归模式的递归图,其次根据递归图中的孤立点,对角线等结构利用递归量化分析方法提取递归图中的特征,根据多元统计分析方法,用提取递归图中特征值建立一个多维向量,建立控制图,同时应用穷举法来估计控制图的制图参数和控制界限,
具体实现步骤为:
步骤一、运用异构递归模式求得正常状态工业过程数据的递归图:;
步骤二、运用异构递归量化分析提取特征量HRR、HMean、HENT;
步骤三、定义向量估计向量样本均值和样本协方差,基于向量建立统计量:
;
步骤四、运用穷举法求出异构递归控制图的控制界限;
步骤五、获取新的工业过程数据,重复上述步骤,得到新的统计量,并进行如下判断:如果,表示发生异常状态,如果,表示处于正常状态。
有益效果:
本发明将异构递归模式算法应用于工业过程的分析中,结合质量控制统计方法,分析工业过程中各类数据,提出了基于异构递归模式的连续非线性过程异常检测,实现工业过程的异常状态检测。
本课题提出的研究方法,具有重要的实际意义。可以有效的识别工业过程的异常状态,为企业的技术人员提供预警信息,进而为企业的生产决策提供参考。本课题研究成果能够有效的检测工业生产过程的状态,避免设备出现严重的损伤,可以为企业巧少不必要的经济损失,同时带来更大的经济效益。
本课题将异构递归模式算法应用于工业过程的异常状态检测中,提出了新的生产过程异常检测算法,不仅为工业生产过程性能检测领域提供了新的研究方法,同时拓展了特征值量化方法来检测过程的状态变化,具有重要的学术价值。
本课题研究的科学意义,主要有:
(1)在只有工业过程数据,而无法确定数据的分布信息以及系统的状态时,本课题提出的基于异构递归模式的工业过程异常状态检测算法,可以很好的分析该类问题,实现生产过程的检测。
(2)在非线性工业过程背景信息下,本课题提出的算法仍然可有效的检测出工业过程的异常状态,保证生产过程的安全稳定运行。
(3)本课题丰富和发展了基于数据驱动的统计过程控制理论体系,为生产过程状态检测领域,提供了新的思路和选择。
本课题的研究成果,具有重要的应用前景,可以广泛应用于汽车装配、机械加工、模型生产、钢铁冶金等领域,可应用于多种生产过程的异常检测、异常预报的状态检测中。
具体实施方式:
本实施方式的基于异构递归模式的工业生产过程异常状态检测方法,所述的基于异构递归模式的连续非线性过程检测方法为:首先将工业过程涉及的数据利用递归法重构到一个d维的相空间上,利用相空间的向量表示原始数据信号的轨迹,同时利用这些向量的距离关系构建递归模式的递归图,其次根据递归图中的孤立点,对角线等结构利用递归量化分析方法提取递归图中的特征,根据多元统计分析方法,用提取递归图中的特征值建立一个多维向量,建立控制图,同时应用穷举法来估计控制图的制图参数和控制界限,
具体实现步骤为:
步骤一、运用异构递归模式求得正常状态工业过程数据的递归图:;
步骤二、运用异构递归量化分析提取特征量HRR、HMean、HENT;
步骤三、定义向量估计向量样本均值和样本协方差,基于向量建立统计量:
;
步骤四、运用穷举法求出异构递归控制图的控制界限:;
步骤五、获取新的工业过程数据,重复上述步骤,得到新的统计量,并进行如下判断:如果,表示发生异常状态,如果,表示处于正常状态。
各步骤实现方法:
本实施方式为基于异构递归模式的工业生产过程异常状态检测方法。
步骤一:
运用异构递归模式求得正常状态工业过程数据的递归图:的过程为,假定为一个一维的非线性信号,根据相空间重构方法,定义一个相空间维度d和时间延迟量,则可以将该信号重构到一个d维的相空间,得到向量集:
,则向量表示为信号在相空间中的轨迹;再比较这些向量间的距离,定义一个阈值,可得:
函数表达式为;
表示向量和向量在相空间的相关关系,其取值为0或1则矩阵是一个由元素0和1组成的矩阵,该矩阵被称为递归矩阵,有着行和列。
若将递归矩阵用图形化的方法表示出来,则可以示为一幅图,这幅图被称为信号的递归图,由此可见,递归图信号的另一种表现形式,包含了信号的大部分信息,而且可以方便的从递归图中提取特征。
步骤二:
运用异构递归量化分析提取特征量HRR、HMean、HENT,提取的特征量分别为:
异构率;
异构均值;
异构熵;
本发明中利用三种新的异构递归量化表示异构递归模式的特征:
HRR是一个统计测量来描绘异构迭代集合中重复率的特征;
HMean是测量在集合中状态的平均距离;
HENT是异构迭代集合中距离测量的概率分布的香农熵,表征信号的不确定性。
步骤三与步骤四:
运用穷举法求出异构递归控制图的控制界限:的过程为:控制图,作为一种多元统计质量控制方法,最早由Hotelling于1947年提出,假定有个变量,采用这个变量的个样本,得,如果假设这些样本服从多元正态分布,则样本均值为和样本协方差矩阵;根据多元统计理论,则可得到该样本的统计量为:
,
式中,为样本的维度;
假定是一组采集到的信号,运用异构递归模式,则可得到这组信号的递归图和信号的量化特征HRR、HMean、HENT;如果定义向量,基于向量Y,可以建立控制图,其统计量为:
由此建立控制图,其统计量称为多元递归统计特征量,且由上式可知,控制图包含了递归图的3个特征量信息,综合考虑了递归图中所具有的各种特征信息,相比于利用单个递归定理特征具有很大的优势。
因此,在样本数量有限时,虽然无法获取真实的分布函数,但是利用穷举法,可以从有限的样本中,得到很多个新的样本组,从而估计出样本的分布函数,基于穷举法,估计统计量即的分布信息,建立控制图,估计控制图参数和控制界限。
Claims (4)
1.一种基于异构递归模式的工业生产过程异常状态检测方法,其特征是: 所述的基于异构递归模式的连续非线性过程检测方法为:首先将工业过程涉及的数据利用递归法重构到一个d维的相空间上,利用相空间的向量表示原始数据信号的轨迹,同时利用这些向量的距离关系构建递归模式的递归图,其次根据递归图中的孤立点,对角线等结构利用递归量化分析方法提取递归图中的特征,根据多元统计分析方法,用提取递归图中的特征值建立一个多维向量,建立控制图,同时应用穷举法来估计控制图的制图参数和控制界限,
具体实现步骤为:
步骤一、运用异构递归模式求得正常状态工业过程数据的递归图:;
步骤二、运用异构递归量化分析提取特征量HRR、HMean、HENT;
步骤三、定义向量估计向量样本均值和样本协方差,基于向量建立统计量:
;
步骤四、运用穷举法求出异构递归控制图的控制界限;
步骤五、获取新的工业过程数据,重复上述步骤,得到新的统计量,并进行如下判断:如果,表示发生异常状态,如果,表示处于正常状态。
2.根据权利要求1所述的基于异构递归模式的工业生产过程异常状态检测方法,其特征是:步骤一所述的运用异构递归模式求得正常状态工业过程数据的递归图:的过程为,假定为一个一维的非线性信号,根据相空间重构方法,定义一个相空间维度d和时间延迟量,则可以将该信号重构到一个d维的相空间,得到向量集:
,则向量表示为信号在相空间中的轨迹;再比较这些向量间的距离,定义一个阈值,可得:
函数表达式为;
表示向量和向量在相空间的相关关系,其取值为0或1则矩阵是一个由元素0和1组成的矩阵,该矩阵被称为递归矩阵,有着行和列;
若将递归矩阵用图形化的方法表示出来,则可以示为一幅图,这幅图被称为信号的递归图。
3.根据权利要求1或2所述的基于异构递归模式的工业生产过程异常状态检测方法,其特征是:步骤二所述的运用异构递归量化分析提取特征量HRR、HMean、HENT,提取的特征量分别为:
异构率;
异构均值;
异构熵;
HRR是一个统计测量来描绘异构迭代集合中重复率的特征;
HMean是测量在集合中状态的平均距离;
HENT是异构迭代集合中距离测量的概率分布的香农熵,表征信号的不确定性。
4.根据权利要求3所述的基于异构递归模式的工业生产过程异常状态检测方法,其特征是:步骤四所述的运用穷举法求出异构递归控制图的控制界限:的过程为:控制图,假定有个变量,采用这个变量的个样本,得,如果假设这些样本服从多元正态分布,则样本均值为和样本协方差矩阵;根据多元统计理论,则可得到该样本的统计量为:
,
式中,为样本的维度;
假定是一组采集到的信号,运用异构递归模式,则可得到这组信号的递归图和信号的量化特征HRR、HMean、HENT;如果定义向量,基于向量Y,可以建立控制图,其统计量为:
由此建立控制图,基于穷举法,估计统计量即的分布信息,建立控制图,估计控制图参数和控制界限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779347.4A CN107578166A (zh) | 2017-09-01 | 2017-09-01 | 基于异构递归模式的工业生产过程异常状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779347.4A CN107578166A (zh) | 2017-09-01 | 2017-09-01 | 基于异构递归模式的工业生产过程异常状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578166A true CN107578166A (zh) | 2018-01-12 |
Family
ID=61030820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710779347.4A Pending CN107578166A (zh) | 2017-09-01 | 2017-09-01 | 基于异构递归模式的工业生产过程异常状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930076A (zh) * | 2019-12-18 | 2020-03-27 | 华东交通大学 | 一种接触网状态的多元统计评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158693A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
CN104517041A (zh) * | 2015-01-26 | 2015-04-15 | 北京化工大学 | 一种基于最大信息熵的化工数据流实时异常检测方法 |
CN105404280A (zh) * | 2015-12-11 | 2016-03-16 | 浙江科技学院 | 基于自回归动态隐变量模型的工业过程故障检测方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
-
2017
- 2017-09-01 CN CN201710779347.4A patent/CN107578166A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158693A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 基于多核独立元分析的批量生产过程故障检测方法 |
CN104517041A (zh) * | 2015-01-26 | 2015-04-15 | 北京化工大学 | 一种基于最大信息熵的化工数据流实时异常检测方法 |
CN105404280A (zh) * | 2015-12-11 | 2016-03-16 | 浙江科技学院 | 基于自回归动态隐变量模型的工业过程故障检测方法 |
CN106250709A (zh) * | 2016-08-18 | 2016-12-21 | 中国船舶重工集团公司第七�三研究所 | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 |
Non-Patent Citations (2)
Title |
---|
杨俊,周丙寅,张毅,周勇: "基于递归图分析的压缩机故障诊断方法研究", 《计算机与数字工程》 * |
苏林,尚朝轩,连光耀,王宝龙: "基于故障检测率的主元个数确定方法", 《计算机测量与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930076A (zh) * | 2019-12-18 | 2020-03-27 | 华东交通大学 | 一种接触网状态的多元统计评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stefatos et al. | Dynamic independent component analysis approach for fault detection and diagnosis | |
Zhao et al. | A nested-loop Fisher discriminant analysis algorithm | |
Khediri et al. | Variable window adaptive kernel principal component analysis for nonlinear nonstationary process monitoring | |
Li et al. | Correlated and weakly correlated fault detection based on variable division and ICA | |
CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
Yu et al. | A novel hybrid of auto-associative kernel regression and dynamic independent component analysis for fault detection in nonlinear multimode processes | |
CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
Ji | Statistics Mahalanobis distance for incipient sensor fault detection and diagnosis | |
Shao et al. | Generalized orthogonal locality preserving projections for nonlinear fault detection and diagnosis | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
CN103678936B (zh) | 一种多部件工程系统中异常部件定位方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
Zhong et al. | Multimode non‐Gaussian process monitoring based on local entropy independent component analysis | |
Wang et al. | Fault diagnosis using kNN reconstruction on MRI variables | |
Li et al. | Nonlinear process modeling via unidimensional convolutional neural networks with self-attention on global and local inter-variable structures and its application to process monitoring | |
CN111965486A (zh) | 一种基于智能数据融合分析的配电网故障识别方法及系统 | |
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 | |
CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
CN104536996A (zh) | 一种同构环境下计算节点异常检测方法 | |
Wang et al. | Decentralized plant-wide monitoring based on mutual information-Louvain decomposition and support vector data description diagnosis | |
Perry | Identifying the time of polynomial drift in the mean of autocorrelated processes | |
CN107578166A (zh) | 基于异构递归模式的工业生产过程异常状态检测方法 | |
CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
CN108170648B (zh) | 一种基于已知数据回归的非高斯过程监测方法 | |
CN112947649A (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180112 |
|
WD01 | Invention patent application deemed withdrawn after publication |