CN108181893B - 一种基于pca-kdr的故障检测方法 - Google Patents

一种基于pca-kdr的故障检测方法 Download PDF

Info

Publication number
CN108181893B
CN108181893B CN201711456500.6A CN201711456500A CN108181893B CN 108181893 B CN108181893 B CN 108181893B CN 201711456500 A CN201711456500 A CN 201711456500A CN 108181893 B CN108181893 B CN 108181893B
Authority
CN
China
Prior art keywords
matrix
data
error
fault detection
vector
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
Application number
CN201711456500.6A
Other languages
English (en)
Other versions
CN108181893A (zh
Inventor
孟生军
童楚东
朱莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Dragon Totem Technology Achievement Transformation Co ltd
Zhejiang Ubisor Technology Co ltd
Original Assignee
Ningbo University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University filed Critical Ningbo University
Priority to CN201711456500.6A priority Critical patent/CN108181893B/zh
Publication of CN108181893A publication Critical patent/CN108181893A/zh
Application granted granted Critical
Publication of CN108181893B publication Critical patent/CN108181893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0224—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

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于PCA‑KDR的故障检测方法，为解决传统PCA模型中高斯分布假设问题。具体来讲，本发明方法逐个假设测量变量数据缺失，然后利用已知数据回归(Known Data Regression，KDR)预测出相应的主元估计值，最后利用主元估计误差实施故障检测。因此，本发明方法除利用PCA算法外，还是用了KDR这种回归建模方法。而且，本发明方法不再局限于原始训练数据的高斯分布假设。取而代之的是，无论原始数据是否服从高斯分布，本发明方法监测对象(即估计误差)始终服从高斯分布。可以说，本发明方法能显著提升传统PCA模型的故障检测能力，是一种更为优选的数据驱动故障检测方法。

Description

一种基于PCA-KDR的故障检测方法
技术领域
本发明涉及一种数据驱动的故障检测方法，尤其涉及一种基于PCA-KDR的故障检测方法。
背景技术
安全稳定的生产是所有工业过程对象首要考虑的问题，而保证持续正常的生产状态无外乎对过程运行状态实施实时监测，从而及时地甄别出系统出现的异常状态。在已有的科研文献与专利资料中，实施故障检测的技术手段可以大体上分为基于机理模型的与基于数据的。基于机理模型的故障检测方法依赖于过程对象精确的机理模型，以产生过程对象某些参数的实测值与估计值之间的误差，通过监测估计误差的变化情况来反应过程对象是否处于正常生产工况。一般而言，若系统处于正常生产状态下，参数的实测值与模型输出的估计值之间的误差通常基本符合高斯分布，是在某个区域内变化的。超出这个正常区域范围的误差所对应的采样时间点，系统就进入非正常运行状态。由于这类方法需要已知对象较精确的机理模型，已越来越不适应于监测现代工业过程。然而，以误差生成为核心的理念值得学习与借鉴。
目前，工业界与学术界关注密切的故障检测技术是数据驱动的方法，这其中又当以多变量统计过程监测(Multivariate Statistical Process Monitoring，MSPM)方法为主。主元分析(Principal Component Analysis，PCA)与独立元分析(IndependentComponent Analysis，ICA)是被研究得最多的MSPM算法，相应的研究成果层出不穷。一般来讲，基于PCA的故障检测方法需要要求训练数据服从或近似服从高斯分布，ICA算法因挖掘的是非高斯独立元而不受数据是否高斯分布的限制。然而，从算法本身来讲，PCA只是一种数据降维算法，旨在挖掘数据间的相关性特征并使降维后的数据最大化的保留原始数据的方差，是不存在高斯分布假设的。基于PCA的故障检测方法之所以假设数据高斯分布，原因在于需要为监测统计量指标(即T2与Q)确定控制上限。若不满足于高斯分布，PCA模型所定义的正常变化范围就不准确。基于ICA的故障检测模型同样是采用类似的距离型监测指标实施故障检测，只是控制上限由核密度估计法确定。从几何视觉的角度上看，距离型监测指标及其上限确定了一个超椭球的变化区域，只有在数据服从或近似服从高斯分布的前提下，该椭球区域才不会存在“空洞”现象。若是故障数据经投影变换后刚好位于“空洞”位置，这些故障工况样本是无法被PCA或ICA检测出来的。因此，被监测数据是否服从高斯分布对于基于距离型监测指标的方法很重要，不能只停留在高斯分布的假设上。
刚才提到过基于机理模型的方法生成的估计误差一般而言都服从高斯分布，这在满足一定精度要求的机理模型的前提下是成立的。受此启发，这种生成服从高斯分布误差并利用误差反映过程运行状态是否可以借鉴到数据驱动的故障检测模型中，比如说PCA模型。监测误差的主要优势在于，高斯分布假设变成了能最大限度接近高斯分布的误差信息，定义的超椭球区域不会存在“空洞”，相应的故障检测能力就会得到保证。
发明内容
本发明所要解决的主要技术问题是：如何在已知PCA模型的基础上，为在线监测样本数据推算出其相应主元的估计值，从而生成主元估计误差并利用该误差实施故障检测。为此，本发明提供一种基于PCA-KDR的故障检测方法。本发明方法逐个假设测量变量数据缺失，然后利用已知数据回归(Known Data Regression，KDR)预测出相应的主元估计值，最后利用主元估计误差实施故障检测。
本发明解决上述技术问题所采用的技术方案为：一种基于PCA-KDR的故障检测方法，包括以下步骤：
(1)收集生产过程正常运行状态下的数据样本，组成训练数据集X∈Rn×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵
Figure BSA0000156567510000021
其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵。
(2)利用PCA算法为
Figure BSA00001565675100000217
建立相应的PCA模型：
Figure BSA0000156567510000022
初始化变量下标号i＝1，其中，T∈Rn×d与P∈Rm×d分别为主元得分矩阵与载荷矩阵，E∈Rn×m为模型拟合残差，上标号T表示矩阵与向量的转置。
(3)假设矩阵
Figure BSA0000156567510000023
中第i列数据缺失，为不失一般性，可将矩阵
Figure BSA0000156567510000024
表述成
Figure BSA0000156567510000025
其中，
Figure BSA0000156567510000026
为假设缺失的数据(实为矩阵
Figure BSA0000156567510000027
中第i列)，
Figure BSA0000156567510000028
由矩阵
Figure BSA0000156567510000029
中剩余的列组成，为已知数据。
(4)利用最小二乘的思路构建已知数据矩阵
Figure BSA00001565675100000210
与主元得分矩阵T之间的回归模型，即：
Figure BSA00001565675100000211
上式中，回归矩阵
Figure BSA00001565675100000212
为主元估计误差矩阵。
(5)对主元估计误差
Figure BSA00001565675100000213
实施奇异值分解，即：
Figure BSA00001565675100000214
其中，Ui与Vi为酉矩阵，对角矩阵
Figure BSA00001565675100000216
实际上只包含了一个非零奇异值，这是因为矩阵Ei的秩等于1。因此，从误差Ei到向量Ui之间的变换矩阵为
Figure BSA00001565675100000215
(6)根据公式Ui＝EiΘi计算出剔除冗余信息后的误差向量Ui，并判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差向量组成矩阵U＝[U1，U2，…，Um]后继续执行下一步骤。
(7)计算矩阵U的协方差矩阵S＝UTU/(n-1)，并计算控制上限
Figure BSA0000156567510000031
其中
Figure BSA0000156567510000032
表示自由度为m的卡方分布在置信水平α＝99％下的取值。
(8)收集新采样时刻的数据样本x∈Rm×1，对其实施与步骤(1)中相同的标准化处理得到新数据向量
Figure BSA00001565675100000312
后，初始化i＝1。
(9)假设向量
Figure BSA0000156567510000033
中第i个数据缺失，同理，
Figure BSA0000156567510000034
可表示成
Figure BSA0000156567510000035
其中，
Figure BSA0000156567510000036
为第i个缺失的数据，
Figure BSA0000156567510000037
由向量
Figure BSA0000156567510000038
中除缺失数据以外的元素组成。
(10)利用如下所示公式计算出向量
Figure BSA00001565675100000313
在缺失第i个数据的前提下相应的主元估计误差ei：
Figure BSA0000156567510000039
上式中，主元实际值
Figure BSA00001565675100000310
主元估计值
Figure BSA00001565675100000311
(11)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(9)；若否，则将得到的误差组成向量e＝[e1，e2，…，em]并继续执行下一步骤。
(12)根据如下所示公式计算误差向量e的统计监测指标D：
D＝eS-1eT (4)
进而根据D的具体数值实施在线故障检测，具体思路为：若D≤ub，则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。
与传统方法相比，本发明方法的优势在于：
本发明方法在传统PCA模型的基础上，通过假设缺失数据并利用KDR推算出相应的主元估计值，从而将原始数据转换成估计误差并以误差作为监测对象。一般而言，PCA统计模型能挖掘过程变量间的相关性特征，以PCA为基础通过KDR得到的估计误差通常是服从高斯分布的。从这点上将，本发明方法除利用PCA算法外，还是用了KDR这种回归建模方法。而且，本发明方法不再局限于原始训练数据的高斯分布假设。取而代之的是，无论原始数据是否服从高斯分布，本发明方法监测对象(即估计误差)始终服从高斯分布。因此，本发明方法能显著提升传统PCA模型的故障检测能力，是一种更为优选的故障检测方法。
附图说明
图1为本发明方法的基本原理示意图。
图2为TE过程原始数据与经本发明方法转换后误差的高斯分布检验图。
具体实施方式
下面结合附图对本发明方法进行详细的说明。
如图1所示，本发明公开一种基于PCA-KDR的故障检测方法，包括离线建模与在线故障检测两个部分，对应的实施过程如下所示：
离线建模阶段的实施流程如下所示：
步骤(1)：收集生产过程正常运行状态下的数据样本，组成训练数据集X∈Rn×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵
Figure BSA0000156567510000041
其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵。
步骤(2)：利用PCA算法为
Figure BSA0000156567510000042
建立相应的PCA模型：
Figure BSA0000156567510000043
初始化变量下标号i＝1，其中，T∈Rn×d与P∈Rm×d分别为主元得分矩阵与载荷矩阵，E∈Rn×m为模型拟合残差，上标号T表示矩阵与向量的转置。
步骤(3)：假设矩阵
Figure BSA0000156567510000044
中第i列数据缺失，为不失一般性，可将矩阵
Figure BSA0000156567510000045
表述成
Figure BSA0000156567510000046
其中，
Figure BSA0000156567510000047
为假设缺失的数据(实为矩阵
Figure BSA0000156567510000048
中第i列)，
Figure BSA0000156567510000049
由矩阵
Figure BSA00001565675100000410
中剩余的列组成，为已知数据。
步骤(4)：利用最小二乘的思路构建已知数据矩阵
Figure BSA00001565675100000411
与主元得分矩阵T之间的回归模型，即：
Figure BSA00001565675100000412
上式中，回归矩阵
Figure BSA00001565675100000413
Ei∈Rn×d为主元估计误差矩阵。
步骤(5)：对主元估计误差
Figure BSA00001565675100000414
实施奇异值分解，即：
Figure BSA00001565675100000415
其中，Ui与Vi为酉矩阵，对角矩阵
Figure BSA00001565675100000423
实际上只包含了一个非零奇异值，这是因为矩阵Ei的秩等于1。因此，从误差Ei到向量Ui之间的变换矩阵为
Figure BSA00001565675100000416
步骤(6)：根据公式Ui＝EiΘi计算出剔除冗余信息后的误差向量Ui，并判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差向量组成矩阵U＝[U1，U2，…，Um]后继续执行下一步骤。
步骤(7)：计算矩阵U的协方差矩阵S＝UTU/(n-1)，并计算控制上限
Figure BSA00001565675100000417
其中
Figure BSA00001565675100000418
表示自由度为m的卡方分布在置信水平α＝99％下的取值。
至此，离线建模阶段完成，下面的实施步骤为在线故障检测。
步骤(8)：收集新采样时刻的数据样本x∈Rm×1，对其实施与步骤(1)中相同的标准化处理得到新数据向量
Figure BSA00001565675100000419
后，初始化i＝1。
步骤(9)：假设向量
Figure BSA00001565675100000427
中第i个数据缺失，同理，
Figure BSA00001565675100000424
可表示成
Figure BSA00001565675100000420
其中，
Figure BSA00001565675100000421
为第i个缺失的数据，
Figure BSA00001565675100000422
由向量
Figure BSA00001565675100000425
中除缺失数据以外的元素组成。
步骤(10)：利用如下所示公式计算出向量
Figure BSA00001565675100000426
在缺失第i个数据的前提下相应的主元估计误差ei：
Figure BSA0000156567510000051
上式中，主元实际值
Figure BSA0000156567510000052
主元估计值
Figure BSA0000156567510000053
步骤(11)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(9)；若否，则将得到的误差组成向量e＝[e1，e2，…，em]并继续执行下一步骤。
步骤(12)：根据如下所示公式计算误差向量e的统计监测指标D：
D＝eS-1eT (8)
进而根据D的具体数值实施在线故障检测，具体思路为：若D≤ub，则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。
下面结合一个具体的工业过程的例子来说明本发明方法相对于现有方法的优越性与可靠性。该过程数据来自于美国田纳西-伊斯曼(TE)化工过程实验，原型是伊斯曼化工生产车间的一个实际工艺流程。目前，TE过程因其流程的复杂性，已作为一个标准实验平台被广泛用于故障检测研究。整个TE过程包括22个测量变量、12个操作变量、和19个成分测量变量。所采集的数据分为22组，其中包括1组正常工况下的数据集与21组故障数据。而在这些故障数据中，有16个是已知故障类型，如冷却水入口温度或进料成分的变化、阀门粘滞、反应动力学漂移等，还有5个故障类型是未知的。为了对该过程进行监测，选取如表1所示的33个过程变量，接下来结合该TE过程对本发明具体实施步骤进行详细的阐述。
表1：TE过程监测变量。
序号 变量描述 序号 变量描述 序号 变量描述
1 物料A流量 12 分离器液位 23 D进料阀门位置
2 物料D流量 13 分离器压力 24 E进料阀门位置
3 物料E流量 14 分离器塔底流量 25 A进料阀门位置
4 总进料流量 15 汽提塔等级 26 A和C进料阀门位置
5 循环流量 16 汽提塔压力 27 压缩机循环阀门位置
6 反应器进料 17 汽提塔底部流量 28 排空阀门位置
7 反应器压力 18 汽提塔温度 29 分离器液相阀门位置
8 反应器等级 19 汽提塔上部蒸汽 30 汽提塔液相阀门位置
9 反应器温度 20 压缩机功率 31 汽提塔蒸汽阀门位置
10 排空速率 21 反应器冷却水出口温度 32 反应器冷凝水流量
11 分离器温度 22 分离器冷却水出口温度 33 冷凝器冷却水流量
首先，利用TE过程正常工况下的采样数据建立故障检测模型，包括以下步骤：
(1)收集生产过程正常运行状态下的数据样本，组成训练数据集X∈R960×33，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵
Figure BSA0000156567510000061
(2)利用PCA算法为
Figure BSA0000156567510000062
建立相应的PCA模型：
Figure BSA0000156567510000063
其中，主元得分矩阵为T∈R960×14，载荷矩阵为P∈R33×14。
(3)假设矩阵
Figure BSA0000156567510000064
中第i列数据缺失，利用最小二乘的思路构建已知数据矩阵
Figure BSA0000156567510000065
与主元得分矩阵T之间的回归模型：
Figure BSA0000156567510000066
(4)对主元估计误差
Figure BSA0000156567510000067
实施奇异值分解，得到从误差Ei到向量Ui之间的变换矩阵为
Figure BSA0000156567510000068
(5)据公式Ui＝EiΘi计算出剔除冗余信息后的误差向量Ui，并判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差向量组成矩阵U＝[U1，U2，…，Um]后继续执行下一步骤。
(6)计算矩阵U的协方差矩阵S＝UTU/(n-1)，并计算控制上限
Figure BSA0000156567510000069
其次，为验证本发明方法可以将非高斯的原始数据转变成高斯分布的误差信息，特对TE过程第10、19、和31号测量变量的采样数据执行高斯分布检验，相应的检验图显示于图2中的上半部分。可以很明显的发现这三个测量变量不服从高斯分布。因为，高斯分布检验图为一条直线时，所测试的数据向量才服从高斯分布。在经本发明方法转变成误差后，以主元估计误差U10，U19，U31为例，相应的高斯分布检验图如图2中下半部分所示，都呈现出近乎直线的特性。因此，本发明方法在将其转换成误差信号后，该误差是服从高斯分布的。
最后，实施在线故障检测，为对比验证本发明方法与其他方法(如传统PCA方法与Modified ICA方法)的优越性，分别采集TE过程中除故障3、9、15以外的18种故障类型工况下各960个采样数据，其中前160个数据是正常的，后800个数据才处于异常工况。在线故障检测的实施过程如下所示：
(7)收集新采样时刻的数据样本x∈R33×1，对其实施与步骤(1)中相同的标准化处理得到新数据向量
Figure BSA00001565675100000610
(8)逐一假设数据向量
Figure BSA00001565675100000612
中每个元素缺失，并计算出对应于向量
Figure BSA00001565675100000611
在缺失第i个数据的前提下相应的主元估计误差ei。
(9)判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(9)；若否，则将得到的误差组成向量e＝[e1，e2，…，em]并继续执行下一步骤；
步骤(10)：计算误差向量e的统计监测指标D＝eS-1eT，并根据D的具体数值实施在线故障检测。
将18类故障工况下的故障漏报率对比详情列于表2中，所谓的故障漏报率是指在故障工况发生后，为能识别故障工况下的采样数据个数占所有故障工况下数据的百分比，该百分比数值越小说明方法越优越。在表2中，取得最小故障漏报率的数值已用黑体标出。可以很明显的发现，本发明方法所呈现出的故障漏报率在绝大多数情况下是最小的。
表2 TE过程18类故障的检测漏报率对比。
Figure BSA0000156567510000071
上述实施案例只用来解释说明本发明的具体实施，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，都落入本发明的保护范围。

Claims (2)

1.一种基于PCA-KDR的故障检测方法，其特征在于，包括以下步骤：
离线建模阶段的实施过程如下所示：
步骤(1)：收集生产过程正常运行状态下的数据样本，组成训练数据集X∈Rn×m，并对每个变量进行标准化处理，得到均值为0，标准差为1的新数据矩阵
Figure FSB0000185342210000011
其中，n为训练样本数，m为过程测量变量数，R为实数集，Rn×m表示n×m维的实数矩阵；
步骤(2)：利用PCA算法为
Figure FSB0000185342210000012
建立相应的PCA模型：
Figure FSB0000185342210000013
初始化变量下标号i＝1，其中，T∈Rn×d与P∈Rm×d分别为主元得分矩阵与载荷矩阵，E∈Rn×m为模型拟合残差，上标号T表示矩阵与向量的转置；
步骤(3)：假设矩阵
Figure FSB0000185342210000014
中第i列数据缺失，可将矩阵
Figure FSB0000185342210000015
表述成
Figure FSB0000185342210000016
其中，
Figure FSB0000185342210000017
为假设缺失的数据(实为矩阵
Figure FSB0000185342210000018
中第i列)，
Figure FSB0000185342210000019
由矩阵
Figure FSB00001853422100000110
中剩余的列组成，为已知数据；
步骤(4)：利用最小二乘的思路构建已知数据矩阵
Figure FSB00001853422100000111
与主元得分矩阵T之间的回归模型，即：
Figure FSB00001853422100000112
上式中，回归矩阵
Figure FSB00001853422100000113
Ei∈Rn×d为主元估计误差矩阵；
步骤(5)：对主元估计误差
Figure FSB00001853422100000114
实施奇异值分解，即：
Figure FSB00001853422100000115
其中，Ui与Vi为酉矩阵，对角矩阵Λi实际上只包含了一个非零奇异值，这是因为矩阵Ei的秩等于1，因此从误差Ei到向量Ui之间的变换矩阵为Θi＝ViΛi -1；
步骤(6)：根据公式Ui＝EiΘi计算出剔除冗余信息后的误差向量Ui，并判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(3)；若否，则将得到的误差向量组成矩阵U＝[U1，U2，…，Um]后继续执行下一步骤；
步骤(7)：计算矩阵U的协方差矩阵S＝UTU/(n-1)，并计算控制上限
Figure FSB00001853422100000116
其中
Figure FSB00001853422100000117
表示自由度为m的卡方分布在置信水平α＝99％下的取值；
在线故障检测的实施过程如下所示：
步骤(8)：收集新采样时刻的数据样本x∈Rm×1，对其实施与步骤(1)中相同的标准化处理得到新数据向量
Figure FSB00001853422100000118
后，初始化i＝1；
步骤(9)：假设向量
Figure FSB00001853422100000119
中第i个数据缺失，同理，
Figure FSB00001853422100000120
可表示成
Figure FSB00001853422100000121
其中，xi #为第i个缺失的数据，xi *由向量
Figure FSB00001853422100000122
中除缺失数据以外的元素组成；
步骤(10)：利用如下所示公式计算出向量
Figure FSB00001853422100000123
在缺失第i个数据的前提下相应的主元估计误差ei：
Figure FSB0000185342210000021
上式中，主元实际值
Figure FSB0000185342210000022
主元估计值
Figure FSB0000185342210000023
步骤(11)：判断是否满足条件i＜m；若是，则置i＝i+1后返回步骤(9)；若否，则将得到的误差组成向量e＝[e1，e2，…，em]并继续执行下一步骤；
步骤(12)：根据如下所示公式计算误差向量e的统计监测指标D：
D＝eS-1eT (4)
进而根据D的具体数值实施在线故障检测，具体思路为：若D≤ub，则当前时刻过程对象运行正常，继续监测下一个新样本数据；若否，当前时刻运行出现异常。
2.根据权利要求1所述的一种基于PCA-KDR的故障检测方法，其特征在于，所述步骤(2)中为
Figure FSB0000185342210000024
建立相应的PCA模型的具体实施过程如下所示：
①计算
Figure FSB0000185342210000025
的协方差矩阵
Figure FSB0000185342210000026
②求解C所有特征值γ1≥γ2≥…≥γm所对应的特征向量p1，p2…，pm；
③设置保留的主成分个数d为满足如下所示条件的最小值，并将对应的d个特征向量组成载荷矩阵P＝[p1，p2…，pd]；
Figure FSB0000185342210000027
④根据公式
Figure FSB0000185342210000028
计算主元得分矩阵T∈Rn×d，那么PCA模型的拟合残差矩阵
Figure FSB0000185342210000029
CN201711456500.6A 2017-12-15 2017-12-15 一种基于pca-kdr的故障检测方法 Active CN108181893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711456500.6A CN108181893B (zh) 2017-12-15 2017-12-15 一种基于pca-kdr的故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711456500.6A CN108181893B (zh) 2017-12-15 2017-12-15 一种基于pca-kdr的故障检测方法

Publications (2)

Publication Number Publication Date
CN108181893A CN108181893A (zh) 2018-06-19
CN108181893B true CN108181893B (zh) 2020-06-16

Family

ID=62548354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711456500.6A Active CN108181893B (zh) 2017-12-15 2017-12-15 一种基于pca-kdr的故障检测方法

Country Status (1)

Country Link
CN (1) CN108181893B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960329B (zh) * 2018-07-06 2020-11-06 浙江科技学院 一种包含缺失数据的化工过程故障检测方法
CN109146004B (zh) * 2018-10-09 2021-07-23 宁波大学 一种基于迭代缺失数据估计策略的动态过程监测方法
CN109240270B (zh) * 2018-10-09 2021-03-09 宁波大学 一种基于假设缺失数据迭代估计误差的动态过程监测方法
CN112345895B (zh) * 2020-10-28 2023-02-10 宁波立新科技股份有限公司 一种基于判别分析策略的串联电弧故障检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412557A (zh) * 2013-07-17 2013-11-27 浙江工业大学 一种适于非线性过程在线监控的工业故障检测与诊断方法
CN103853152A (zh) * 2014-03-21 2014-06-11 北京工业大学 一种基于ar-pca的间歇过程故障监测方法
CN106355030A (zh) * 2016-09-20 2017-01-25 浙江大学 一种基于层次分析法和加权投票决策融合的故障检测方法
CN107092242A (zh) * 2017-06-02 2017-08-25 宁波大学 一种基于缺失变量pca模型的工业过程监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2873971A1 (en) * 2013-07-01 2015-05-20 Universiti Putra Malaysia An artificial olfactory system and an application thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412557A (zh) * 2013-07-17 2013-11-27 浙江工业大学 一种适于非线性过程在线监控的工业故障检测与诊断方法
CN103853152A (zh) * 2014-03-21 2014-06-11 北京工业大学 一种基于ar-pca的间歇过程故障监测方法
CN106355030A (zh) * 2016-09-20 2017-01-25 浙江大学 一种基于层次分析法和加权投票决策融合的故障检测方法
CN107092242A (zh) * 2017-06-02 2017-08-25 宁波大学 一种基于缺失变量pca模型的工业过程监测方法

Also Published As

Publication number Publication date
CN108181893A (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN108181893B (zh) 一种基于pca-kdr的故障检测方法
CN106647718B (zh) 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
CN108153267B (zh) 一种基于误差主元分析模型的工业过程监测方法
CN108897286B (zh) 一种基于分散式非线性动态关系模型的故障检测方法
CN103914064B (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN101169623B (zh) 基于核主元分析贡献图的非线性过程故障辨识方法
CN109522972B (zh) 一种基于潜变量自回归模型的动态过程监测方法
CN104914723A (zh) 基于协同训练偏最小二乘模型的工业过程软测量建模方法
CN104062968A (zh) 一种连续化工过程故障检测方法
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
CN108445867B (zh) 一种基于分散式icr模型的非高斯过程监测方法
CN108919755B (zh) 一种基于多块非线性交叉关系模型的分布式故障检测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN104714537A (zh) 一种基于联合相对变化分析和自回归模型的故障预测方法
CN104536439B (zh) 一种基于嵌套迭代费舍尔判别分析的故障诊断方法
CN110244692B (zh) 化工过程微小故障检测方法
CN108960309B (zh) 一种基于rbf神经网络自相关性剔除的动态过程监测方法
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
CN103926919B (zh) 基于小波变换和Lasso函数的工业过程故障检测方法
CN111913460B (zh) 一种基于序列相关局部保持投影算法的故障监测方法
CN108572639B (zh) 一种基于主成分自相关性剔除的动态过程监测方法
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
CN108427398B (zh) 一种基于分散式ar-pls模型的动态过程监测方法
CN111913447B (zh) 一种在线数据驱动的非线性化工过程监测方法

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
TR01 Transfer of patent right

Effective date of registration: 20230315

Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

Address before: Room 521, Information Institute, 818 Fenghua Road, Jiangbei District, Ningbo City, Zhejiang Province

Patentee before: Ningbo University

Effective date of registration: 20230315

Address after: 450000 No. 1105, tower a, Newton international, middle section of Yangjin Road, Jinshui District, Zhengzhou City, Henan Province

Patentee after: ZHEJIANG UBISOR TECHNOLOGY Co.,Ltd.

Address before: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen dragon totem technology achievement transformation Co.,Ltd.

TR01 Transfer of patent right