CN109085816A - 一种基于动态正交的全局局部间歇过程故障检测方法 - Google Patents
一种基于动态正交的全局局部间歇过程故障检测方法 Download PDFInfo
- Publication number
- CN109085816A CN109085816A CN201811090756.4A CN201811090756A CN109085816A CN 109085816 A CN109085816 A CN 109085816A CN 201811090756 A CN201811090756 A CN 201811090756A CN 109085816 A CN109085816 A CN 109085816A
- Authority
- CN
- China
- Prior art keywords
- data
- global
- spe
- test
- follows
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000010923 batch production Methods 0.000 claims abstract description 18
- 238000013179 statistical model Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000002813 epsilometer test Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000000855 fermentation Methods 0.000 description 10
- 230000004151 fermentation Effects 0.000 description 10
- 229930182555 Penicillin Natural products 0.000 description 9
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 9
- 229940049954 penicillin Drugs 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006052 feed supplement Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000013022 venting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于动态正交的全局局部间歇过程故障检测方法,包括以下步骤:(1)收集间歇过程正常运行下的各关键变量数据,形成正常运行状态下的训练样本X∈RI×J×K;(2)将训练样本X首先沿着批次方向展开为二维数据X∈RI×KJ,然后将展开的二维数据进行标准化,将标准化后的二维数据重新排列成X∈RKI×J;(3)在二维数据X∈RKI×J基础上,建立一个时滞矩阵XD来消除过程变量的时序自相关;(4)对建立的时滞矩阵XD构造动态正交全局局部模型;(5)分别在特征空间和残差空间建立T2和SPE统计模型,求取控制限;(6)收集在线的过程数据,进行标准化处理;(7)利用已经建立的动态正交全局局部模型将在线数据进行投影,通过T2和SPE统计模型,判断故障的发生。
Description
技术领域
本发明属于工业过程监控技术领域,涉及一种基于动态正交的全局局部间歇过程故障检测方法。
背景技术
随着现代工业过程的规模不断扩大以及复杂度的增加,间歇过程作为一种重要的生产方式广泛的运用于高质量和小容量的过程生产中,如特殊化工、食品生产、医药生产和半导体生产等。间歇过程生产是由许多生产环节组成,每一环节对最终的产品质量和安全生产都至关重要,并且前一环节的完成情况直接影响下一环节的实施。由于多个环节的嵌套、生产规模不断扩大以及复杂度的增加,这就使得间歇过程生产更容易发生故障。如果故障不能及时的检测和排除,对整个生产过程的影响会越来越大,以至于最终影响整个生产。因此,这就迫切需要对间歇过程产品质量和生产安全建立监控系统。
由于分布式控制系统的广泛运用和数据分析技术的快速发展,多元统计的方法逐渐成为过程监测的主流。多元统计的方法不受对象模型的限制,只需要对生产过程的数据进行分析。对于日渐复杂的间歇过程来说,对其很难建立数学模型,因此基于多元统计的方法已经被深入研究并广泛用于间歇过程的故障检测。其中,多向主元分析和多向偏最小二乘已经成功的用于间歇过程监控中,这两种方法将间歇过程数据降维到一个低维空间,然后在低维空间中建立统计模型进行分析。一些学者对以上算法进行了改进,在间歇过程监控中考虑了过程的动态性,如动态多向主元分析等。传统的方法在特征提取时,只考虑了过程数据的全局结构,忽略了数据的局部结构,因此在降维过程中不能充分的保持过程数据的全局和局部结构,并且在数据重构时没有考虑广义正交问题,使得在过程监控中造成部分有用信息的丢失,导致监控效果不佳。
发明内容
本发明的目的在于针对现有技术存在的问题,提供一种基于动态正交的全局局部间歇过程故障检测方法,该方法可显著提高间歇过程故障检测的效果,能在故障发生时及时检测到故障,有利于对产品质量和生产安全进行严格把控。
一种基于动态正交的全局局部间歇过程故障检测方法,包括以下步骤:
(1)利用集散控制系统收集间歇过程正常运行下的各关键变量数据,形成正常运行状态下的训练样本X∈RI×J×K,其中R为实数集并满足(I×J×K)的三维分布,I表示批次,J表示变量,K为采样点;
(2)将训练样本X首先沿着批次方向展开为二维数据X∈RI×KJ,然后将展开的二维数据进行标准化,使得各个变量的均值为0,方差为1,然后将标准化后的二维数据重新排列成X∈RKI×J;
(3)在混合展开的二维数据X∈RKI×J基础上,建立一个时滞矩阵XD来消除过程变量的时序自相关;
(4)对建立的时滞矩阵XD构造动态正交全局局部模型,且其过程是首先建立全局局部特征提取的目标函数JG-L,然后引入广义正交向量以求取目标函数JG-L的投影矩阵;
(5)分别在特征空间和残差空间建立T2和SPE统计模型,求取控制限;
(6)收集在线的过程数据,进行标准化处理;
(7)利用已经建立的动态正交全局局部模型将在线数据进行投影,通过T2和SPE统计模型,判断故障的发生。
进一步地,步骤(3)中:时滞矩阵XD如下所示:
上式中,d为窗口的宽度,T为总的采样数,X(t)=[x1,t,x2,t,…,xJ,t]T为在t采样时刻的测量向量。
进一步地,步骤(4)中:建立全局局部特征提取的目标函数JG-L的具体过程如下:
首先建立全局特征提取的目标函数Jglobal:
上式中,Y=[y1,y2,.....,yn]=ATX,A=[a1,a2,…,ad]为Jglobal的投影矩阵,X=[x1,x2,…,xn]为采样矩阵,为局部均值矩阵,为全局结构矩阵;
局部特征提取的目标函数Jlocal通过邻域保持嵌入算法得到,具体过程如下:
首先,利用k近邻算法,选择近邻点,如果xi为xj的近邻点,则邻域图中节点i到节点j通过一条边连接,反之,如果不是近邻点,则没有连接,通过这种方法构成邻域图,邻域图的权重系数W=[w1,w2,...,wn]通过下式求得:
∑jwij=1,j=1,2,…n
则局部特征提取的目标函数Jlocal可以表示为:
上式中,I为单位向量,M=(I-W)T(I-W),限定条件为aTXXTa=1,则全局局部特征提取的目标函数JG-L如下所示:
则上式可以转化为求解广义特征值问题,即:
Ga=λMa
设{a1,a2...ad}为正交基向量,第一个向量a1为(M)-Ga对应的最小的特征值所对应的特征向量,当d>2时,如下式:
上式中限定条件为:引入拉格朗日乘子,则可转化为下式:
对C(d)求取偏导则为:
对上式乘以可得:
通过连续的乘以可以获得如下d‐1个式子:
上式可以表示为:
式中,μ(d-1)=[μ1,…,μd-1],A(d-1)=[a1,…,ad-1],B(d-1)=[A(d-1)]T(XXT)-1A(d-1);
通过乘以(M)-1,则上式可以转化为:
2(M)-1Gad-2λad-(M)-1A(d-1)μ(d-1)=0
{I-(M)-1A(d-1)[B(d-1)]-1[A(d-1)]T}·(M)-1Gad=λad
上式中,I为单位向量,λ为最小化判别因子,ad为最小的特征值所对应的特征向量;A={a1,a2,…ad}为(M)-1Gad通过迭代计算的最小特征值所对应的特征向量,即正交全局局部特征提取的目标函数JG-L的投影矩阵,也即JG-L的正交解。
进一步地,步骤(5)为:设Y(y1,…,yn)∈Rn×d为原始变量空间X(x1,…,xm)∈Rn×m的低维表示,yi=ATxi,则特征空间和残差空间可以描述为:
Y=ATX=(BTB)-1BTX
E=X-BY
上式中,AT=(BTB)-1BT为转移矩阵,表示主元空间,表示残差空间,E=[e1,e2,.....en]为残差矩阵,T2和SPE统计模型为:
T2=yTΛ-1y
SPE=eTe
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,n为观测值的个数,K为核函数,因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
可以求取控制限为SPEα和
步骤(6)中,对在线采集的测试数据Xtest进行标准化,使得各个变量的均值为0,方差为1。
步骤(7)中,通过已经求取的全局局部特征提取的目标函数JG-L的投影矩阵A,将采样的测试数据Xtest进行投影,则Ytest=ATXtest
Ytest=ATXtest=(BTB)-1BTXtest
Etest=(I-BAT)Xtest=(I-B(BTB)-1BT)Xtest
因此在线数据的T2和SPE统计可以描述为:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
本发明的有益效果在于:本发明通过对间歇过程数据进行建模统计分析,在提取过程数据时,首先对过程数据建立时滞窗来消除动态时序相关性,消除过程数据的动态性;之后考虑数据的全局和局部结构特性,并在求取全局局部结构投影时引入正交矩阵来充分的保持数据的几何结构;最后基于该模型建立相应的统计监测量,判断故障的发生。相比于目前的其他方法,本发明可显著提高间歇过程故障检测率并减少故障误报率,能在故障发生时及时检测到故障,有利于对产品质量和生产安全进行严格把控。
附图说明
图1是MPCA法对青霉素发酵过程搅拌功率添加0.03斜坡故障的故障检测图;
图2是MNPE法对青霉素发酵过程搅拌功率添加0.03斜坡故障的故障检测图;
图3是MGNPE法对青霉素发酵过程搅拌功率添加0.03斜坡故障的故障检测图;
图4是本发明方法对青霉素发酵过程搅拌功率添加0.03斜坡故障的故障检测图。
具体实施方式
下面结合具体实施例对本发明方法进行进一步的说明。
青霉素生产过程是一个典型的动态、非线性、时变、多阶段的间歇过程。本发明通过Pensim2.0青霉素发酵过程的标准仿真平台产生出间歇过程数据,Pensim2.0是美国Illinois州立理工学院为了更加方便地研究典型间歇过程而开发的,它可产生出不同初始条件和不同工况下青霉素发酵过程中各变量每个时刻的数据用以分析研究。在青霉素发酵模型里,充分的考虑了发酵过程的温度变化、pH值、空气流量的变化、底物流加速率、搅拌率等对菌体合成的影响,可以接近真实地模拟青霉素发酵的实际过程。接下来结合具体过程对本发明的方法步骤作一阐述:
(1)本发明将每批次的反应时间设定为400h,每隔1h采样一次,在不同初始条件且没有故障的情况下共产生30个批次正常工况下数据。从产生的18个变量数据中选择其中10个过程变量作为监控变量(如表1所示),构成三维数据矩阵X(30×10×400)并作为训练样本。
表1受监控的过程变量
变量序号 | 变量名称 |
1 | 通风速率 |
2 | 搅拌速率 |
3 | 底物流加速率 |
4 | 补料温度 |
5 | 基质浓度 |
6 | 溶解氧浓度 |
7 | 反应器体积 |
8 | 排气二氧化碳浓度 |
9 | pH值 |
10 | 发酵罐温度 |
(2)对得到的三维标准数据X(30×10×400)沿着批次方向展开为Xb(30×4000),然后进行标准化,最后对标准化后的Xb(30×4000)重新排列成沿变量方向的二维数据Xb-v(12000×10)。
(3)对混合展开的二维数据Xb-v(12000×10),建立一个时滞矩阵来消除过程变量的时序自相关,时滞矩阵如下所示:
上式中,d为窗口的宽度,T为总的采样数,X(t)=[x1,t,x2,t,…,xJ,t]T为在t采样时刻的测量向量。
(4)对建立的时滞矩阵构造动态正交全局局部模型,求取全局局部特征提取的目标函数JG-L的投影矩阵A,具体地:
首先建立如下的全局特征提取的目标函数Jglobal:
上式中,Y=[y1,y2,.....,yn]=ATX,A=[a1,a2,…,ad]为Jglobal的投影矩阵,X=[x1,x2,…,xn]为采样矩阵,为局部均值矩阵,为全局结构矩阵;
局部特征提取的目标函数Jlocal通过邻域保持嵌入算法得到,具体过程如下:
首先,利用k近邻算法,选择近邻点,如果xi为xj的近邻点,则邻域图中节点i到节点j通过一条边连接,反之,如果不是近邻点,则没有连接,通过这种方法构成邻域图,邻域图的权重系数W=[w1,w2,...,wn]通过下式求得:
∑jwij=1,j=1,2,…n
则局部特征提取的目标函数Jlocal可以表示为:
上式中,I为单位向量,M=(I-W)T(I-W),限定条件为aTXXTa=1,则全局局部特征提取的目标函数JG-L如下所示:
通过构造正交基向量来保持数据结构,{a1,a2,…ad}为正交基向量,第一个向量a1为(M)-1Ga对应的最小的特征值所对应的特征向量,当d>2时,如下式:
上式中限定条件为:引入拉格朗日乘子,则可转化为下式:
对C(d)求取偏导则为:
对上式乘以可得:
通过连续的乘以可以获得如下d-1个式子:
上式可以表示为:
式中,μ(d-1)=[μ1,…,μd-1],A(d-1)=[a1,…,ad-1],B(d-1)=[A(d-1)]T(XXT)-1A(d-1);
通过乘以(M)-1,则上式可以转化为:
2(M)-1Gad-2λad-(M)-1A(d-1)μ(d-1)=0
{I-(M)-1A(d-1)[B(d-1)]-1[A(d-1)]T}·(M)-1Gad=λad
上式中,I为单位向量,λ为引入的最小化判别因子,ad为最小的特征值所对应的特征向量;A={a1,a2,…ad}为(M)-1Gad通过迭代计算的最小特征值所对应的特征向量,即正交全局局部特征提取的目标函数JG-L的投影矩阵。
(5)通过求取的投影矩阵A,求取T2和SPE的控制限
在特征空间和残差空间分别建立T2和SPE统计模型,设Y(y1,…,yn)∈Rn×d为建立的时滞矩阵的低维表示,则特征空间和残差空间可以描述为:
Y=ATX=(BTB)-1BTX
E=X-BY
上式中,AT=(BTB)-1BT为转移矩阵,表示主元空间,表示残差空间,E为残差矩阵,T2和SPE统计模型为:
T2=yTΛ-1y
SPE=eTe
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,n为观测值的个数,K为核函数。因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
可以求取控制限为SPEα和
(6)Pensim2.0仿真平台不仅可以产生正常工况下数据,还提供了三种故障类型,分别为:通风率故障,搅拌功率故障,底物流加速率故障。为了验证算法的效果,本发明中引入故障类型2,即变量2搅拌功率(Agitator power)故障,在采样时间200~400h时加入+0.03的斜坡信号作为故障信号,产生测试数据Xtest(400×10),所产生的数据进行标准化后为X′test(400×10),将其作为故障样本以供在线检测。
分别用多向主成分分析算法(MPCA)、多向邻域保持嵌入算法(MNPE)、多向全局邻域保持嵌入算法(MGNPE)和本发明提出的算法来对故障样本进行监控,得到图1-4的监控图。由于本发明能够消除过程数据的动态时序相关性,并在降维过程中保持了过程数据的正交全局局部结构,因此基于此方法的故障检测效果得到明显的改善。
(7)通过已经求取的正交全局局部特征提取的目标函数JG-L的投影矩阵A,将新的测试数据Xtest(400×10)进行投影,Ytest=ATXtest。
Ytest=ATXtest=(BTB)-1BTXtest
Etest=(I-BAT)Xtest=(I-B(BTB)-1BT)Xtest
因此在线数据的T2和SPE统计可以描述为:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
Claims (6)
1.一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,包括以下步骤:
(1)利用集散控制系统收集间歇过程正常运行下的各关键变量数据,形成正常运行状态下的训练样本X∈RI×J×K,其中R为实数集并满足(I×J×K)的三维分布,I表示批次,J表示变量,K为采样点;
(2)将训练样本X首先沿着批次方向展开为二维数据X∈RI×KJ,然后将展开的二维数据进行标准化,使得各个变量的均值为0,方差为1,然后将标准化后的二维数据重新排列成X∈RKI×J;
(3)在混合展开的二维数据X∈RKI×J基础上,建立一个时滞矩阵XD来消除过程变量的时序自相关;
(4)对建立的时滞矩阵XD构造动态正交全局局部模型,且其过程是首先建立全局局部特征提取的目标函数JG-L,然后引入广义正交向量以求取目标函数JG-L的投影矩阵;
(5)分别在特征空间和残差空间建立T2和SPE统计模型,求取控制限;
(6)收集在线的过程数据,进行标准化处理;
(7)利用已经建立的动态正交全局局部模型将在线数据进行投影,通过T2和SPE统计模型,判断故障的发生。
2.根据权利要求1所述的一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,步骤(3)中:时滞矩阵XD如下所示:
上式中,d为窗口的宽度,T为总的采样数,X(t)=[x1,t,x2,t,…,xJ,t]T为在t采样时刻的测量向量。
3.根据权利要求1所述的一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,步骤(4)中:建立全局局部特征提取的目标函数JG-L的具体过程如下:
首先建立全局特征提取的目标函数Jglobal:
上式中,Y=[y1,y2,.....,yn]=ATX,A=[a1,a2,…,ad]为Jglobal的投影矩阵,X=[x1,x2,…,xn]为采样矩阵,为局部均值矩阵,为全局结构矩阵;
局部特征提取的目标函数Jlocal通过邻域保持嵌入算法得到,具体过程如下:
首先,利用k近邻算法,选择近邻点,如果xi为xj的近邻点,则邻域图中节点i到节点j通过一条边连接,反之,如果不是近邻点,则没有连接,通过这种方法构成邻域图,邻域图的权重系数W=[w1,w2,...,wn]通过下式求得:
∑jwij=1,j=1,2,…n
则局部特征提取的目标函数Jlocal表示为:
上式中,I为单位向量,M=(I-W)T(I-W),限定条件为aTXXTa=1,则全局局部特征提取的目标函数JG-L如下所示:
则上式转化为求解广义特征值问题,即:
Ga=λMa
设{a1,a2...ad}为正交基向量,第一个向量a1为(M)-Ga对应的最小的特征值所对应的特征向量,当d>2时,如下式:
上式中限定条件为:引入拉格朗日乘子,则转化为下式:
对C(d)求取偏导则为:
对上式乘以可得:
通过连续的乘以可以获得如下d‐1个式子:
上式可表示为:
式中,μ(d-1)=[μ1,…,μd-1],A(d-1)=[a1,…,ad-1],B(d-1)=[A(d-1)]T(XXT)-1A(d-1);
通过乘以(M)-1,则上式转化为:
2(M)-1Gad-2λad-(M)-1A(d-1)μ(d-1)=0
{I-(M)-1A(d-1)[B(d-1)]-1[A(d-1)]T}·(M)-1Gad=λad
上式中,I为单位向量,λ为最小化判别因子,ad为最小的特征值所对应的特征向量;A={a1,a2,…ad}为(M)-1Gad通过迭代计算的最小特征值所对应的特征向量,即正交全局局部特征提取的目标函数JG-L的投影矩阵,也即JG-L的正交解。
4.根据权利要求1所述的一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,步骤(5)为:
设Y(y1,…,yn)∈Rn×d为原始变量空间X(x1,…,xm)∈Rn×m的低维表示,yi=ATxi,则特征空间和残差空间可以描述为:
Y=ATX=(BTB)-1BTX
E=X-BY
上式中,AT=(BTB)-1BT为转移矩阵,表示主元空间,表示残差空间,E=[e1,e2,.....en]为残差矩阵,T2和SPE统计模型为:
T2=yTΛ-1y
SPE=eTe
在求得正常数据的SPE和T2统计后,通过核密度估计算法求取控制限SPEα和求取过程为:
对一个给定的数据集j,则j的密度分布为:
上式中,ji为观测值,σ为窗口宽度,n为观测值的个数,K为核函数,因此通过选择高斯核函数设检验水平为0.95下的SPE和T2的控制限为SPEα和则有:
可以求取控制限为SPEα和
5.根据权利要求1所述的一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,步骤(6)中,对在线采集的测试数据Xtest进行标准化,使得各个变量的均值为0,方差为1。
6.根据权利要求1所述的一种基于动态正交的全局局部间歇过程故障检测方法,其特征在于,步骤(7)中,通过已经求取的全局局部特征提取的目标函数JG-L的投影矩阵A,将采样的测试数据Xtest进行投影,则Ytest=ATXtest
Ytest=ATXtest=(BTB)-1BTXtest
Etest=(I-BAT)Xtest=(I-B(BTB)-1BT)Xtest
因此在线数据的T2和SPE统计可以描述为:
如果SPEtest>SPEα或者则说明发生故障,否则没有故障发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090756.4A CN109085816B (zh) | 2018-09-18 | 2018-09-18 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090756.4A CN109085816B (zh) | 2018-09-18 | 2018-09-18 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109085816A true CN109085816A (zh) | 2018-12-25 |
CN109085816B CN109085816B (zh) | 2021-04-13 |
Family
ID=64842097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090756.4A Expired - Fee Related CN109085816B (zh) | 2018-09-18 | 2018-09-18 | 一种基于动态正交的全局局部间歇过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109085816B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN111123890A (zh) * | 2019-12-24 | 2020-05-08 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
CN112270363A (zh) * | 2020-11-02 | 2021-01-26 | 杭州电子科技大学 | 一种局部近邻在线自适应建模的性能绩效指标确定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09324286A (ja) * | 1996-06-07 | 1997-12-16 | Nisshin Steel Co Ltd | ステンレス鋼帯,耐熱鋼帯の脱スケール方法 |
WO2005099118A2 (en) * | 2004-03-31 | 2005-10-20 | Board Of Trustees Of Michigan State University | Multi-user detection in cdma systems |
CN102431136A (zh) * | 2011-09-16 | 2012-05-02 | 广州市香港科大霍英东研究院 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
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 |
CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
-
2018
- 2018-09-18 CN CN201811090756.4A patent/CN109085816B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09324286A (ja) * | 1996-06-07 | 1997-12-16 | Nisshin Steel Co Ltd | ステンレス鋼帯,耐熱鋼帯の脱スケール方法 |
WO2005099118A2 (en) * | 2004-03-31 | 2005-10-20 | Board Of Trustees Of Michigan State University | Multi-user detection in cdma systems |
CN102431136A (zh) * | 2011-09-16 | 2012-05-02 | 广州市香港科大霍英东研究院 | 一种基于多向主元分析法的多阶段批次过程阶段划分方法 |
CN103336507A (zh) * | 2013-06-24 | 2013-10-02 | 浙江大学 | 基于多模态协同时段自动划分的统计建模与在线监测方法 |
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 |
CN105607631A (zh) * | 2016-03-24 | 2016-05-25 | 辽宁工业大学 | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 |
CN108037668A (zh) * | 2017-12-28 | 2018-05-15 | 杭州电子科技大学 | 一种新型的化工间歇过程建模与监测方法 |
Non-Patent Citations (2)
Title |
---|
曹莹: "基于多向主元分析的间歇过程监控研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赵小强: "基于WMNPE间歇过程监测的改进SVDD算法", 《第27届中国过程控制会议》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN111123890A (zh) * | 2019-12-24 | 2020-05-08 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
CN111123890B (zh) * | 2019-12-24 | 2022-07-12 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
CN112270363A (zh) * | 2020-11-02 | 2021-01-26 | 杭州电子科技大学 | 一种局部近邻在线自适应建模的性能绩效指标确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109085816B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Natural gas pipeline valve leakage rate estimation via factor and cluster analysis of acoustic emissions | |
CN109947879B (zh) | 一种基于复杂网络的海洋观测大数据可视化分析方法 | |
CN107153759B (zh) | 一种多源数据融合的航空涡扇发动机剩余寿命预测方法 | |
CN111538759B (zh) | 一种基于分布式字典学习的工业过程智能监测方法与系统 | |
CN107153409B (zh) | 一种基于缺失变量建模思路的非高斯过程监测方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN109085816A (zh) | 一种基于动态正交的全局局部间歇过程故障检测方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN110472846A (zh) | 核电厂热工水力安全分析最佳估算加不确定性方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN112183643B (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN109144039A (zh) | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 | |
CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN112183624A (zh) | 一种基于集成学习的大坝监测数据异常检测方法 | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
US11906957B1 (en) | Method for assessing short-term voltage stability of power grid based on synchronous spatio-temporal information learning | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN113341926B (zh) | 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法 | |
Zhang | Data-driven and model-based methods with physics-guided machine learning for damage identification | |
CN109669412A (zh) | 一种基于新型动态独立成分分析的非高斯过程监测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210413 |