CN109683565A - 一种基于多方法融合的仪器仪表故障检测方法 - Google Patents

Abstract

本发明在此提供一种基于多方法融合的仪器仪表故障检测方法；在利用传感器实时采集生产现场过程中的数据时，由于传感器故障或者是被采集对象本身发生异常都会产生异常数据。我们提出一种基于数据驱动的神经网络异常数据检测方法。产生异常数据的时候，一方面可能是因为生产工程中参数本身出现了异常，如温度，电导率出现了异常，另一方面可能是因为仪表设备本身出现了问题造成的异常。本方法能够实现实时在线检测，不用厂家每隔半年或者一年定期停产检查表；同时实时在线监测，实时掌握生产现场数据情况，利于提高生产质量；并且节约了厂家，计量院的时间和人力。

Description

一种基于多方法融合的仪器仪表故障检测方法

技术领域

本发明涉及仪器仪表故障检领域，具体来讲是一种基于多方法融合的仪器仪表故障检测算法。

背景技术

传统仪器仪表校准需要将仪表取下来，就存在让生产企业停工送检，耽搁了生产时间，送往计量院检测校准，或者计量院人员需要到生产现场进行仪表检测检测校准，费时费力。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于多方法融合的仪器仪表故障检测方法；本方法能够实现实时在线检测，不用厂家每隔半年或者一年定期停产检查表；同时实时在线监测，实时掌握生产现场数据情况，利于提高生产质量；并且节约了厂家，计量院的时间和人力。

本发明是这样实现的，构造一种基于多方法融合的仪器仪表故障检测方法，其特征在于：具有，

(1)生产数据异常的检测：

在t时刻截取一段长度为N的时间序列，D^t＝{x_t-N+1,…,x_t}；

其中，x表示采集的参数，

神经网络的输入是长度为L的时间序列(L＜N)，输出为第L+1个序列值；先将数据归一化，再形成一段长度为N-L的数据样本，且第i个样本的输入为{x_t-N+i,…,x_t-N+L+i-1}，输出为{x_t-N+L+i}，其中i＝1,2,…,N-L；按顺序选取4/5的数据样本进行训练完成x_t+1的预测，剩下1/5的数据样本用于计算模型残差；对于新数据，落入通过残差计算出来的检测区间之内，则正常，反之则异常。检测出异常数据之后，利用当前时刻的预测值来代替判断为异常的数据，然后更新历史数据，进行下一轮的预测；

(2)仪器仪表故障检测：

1)首先尽可能连续一段时间采集仪器仪表的各种数据，包括正常和异常数据，建立设备数据集；数据的采集可以通过设备的PLC来进行收集，然后通过智能感知模块将数据发送至服务器数据库；

2)利用历史数据和专家经验建立知识库和分类器；该模型首先利用现场生产人员丰富的经验编写基础知识库，库中包含了大多数情况下的一些故障类型；

3)故障诊断，对于采集到的新数据，首先利用基于知识工程的方法来进行故障诊断，若能成功诊断出故障类型，则给出诊断信息；

4)若诊断失败，则利用基于数据驱动的方法来进行无监督学习分类，利用SOM自组织神经网络，K-Means聚类算法对故障数据进行学习聚类，形成新的案例，更新到之前建立的知识库中。

本发明具有如下优点：在利用传感器实时采集生产现场过程中的数据时，由于传感器故障或者是被采集对象本身发生异常都会产生异常数据。我们提出一种基于数据驱动的神经网络异常数据检测方法。产生异常数据的时候，一方面可能是因为生产工程中参数本身出现了异常，如温度，电导率出现了异常，另一方面可能是因为仪表设备本身出现了问题造成的异常。

本专利经过上述实施之后具有如下优点：

1、实时在线检测，不用厂家每隔半年或者一年定期停产检查表；

2、实时在线监测，实时掌握生产现场数据情况，利于提高生产质量；

3节约了厂家，计量院的时间和人力。

附图说明

图1是本发明对应的流程框图。

具体实施方式

下面将结合附图1对本发明进行详细说明，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。

本发明通过改进在此提供一种基于多方法融合的仪器仪表故障检测方法，包括如下检测；

(1)生产数据异常的检测：

在利用传感器实时采集生产现场过程中的数据时，由于传感器故障或者是被采集对象本身发生异常都会产生异常数据。我们提出一种基于数据驱动的神经网络异常数据检测方法。

在t时刻截取一段长度为N的时间序列，D^t＝{x_t-N+1,…,x_t}；

其中，x表示采集的参数，神经网络的输入是长度为的时间序列(＜)，输出为第个序列值；先将数据归一化，再形成一段长度为的数据样本，且第i个样本的输入为，输出为，其中；按顺序选取4/5的数据样本进行训练完成的预测，剩下1/5的数据样本用于计算模型残差；对于新数据，落入通过残差计算出来的检测区间之内，则正常，反之则异常。检测出异常数据之后，利用当前时刻的预测值来代替判断为异常的数据，然后更新历史数据，进行下一轮的预测；

(2)仪器仪表故障检测：

产生异常数据的时候，一方面可能是因为生产工程中参数本身出现了异常，如温度，电导率出现了异常，另一方面可能是因为仪表设备本身出现了问题造成的异常。多方法融合故障诊断模型是融合了基于知识工程的方法和基于数据驱动的方法所建立的模型。

1)首先尽可能连续一段时间采集仪器仪表的各种数据，包括正常和异常数据，建立设备数据集；数据的采集可以通过设备的PLC来进行收集，然后通过智能感知模块将数据发送至服务器数据库；

2)利用历史数据和专家经验建立知识库和分类器；该模型首先利用现场生产人员丰富的经验编写基础知识库，库中包含了大多数情况下的一些故障类型；

3)故障诊断，对于采集到的新数据，首先利用基于知识工程的方法来进行故障诊断，若能成功诊断出故障类型，则给出诊断信息；

4)若诊断失败，则利用基于数据驱动的方法来进行无监督学习分类，利用SOM自组织神经网络，K-Means聚类算法对故障数据进行学习聚类，形成新的案例，更新到之前建立的知识库中。

本专利经过上述实施之后具有如下优点：

1、实时在线检测，不用厂家每隔半年或者一年定期停产检查表；

2、实时在线监测，实时掌握生产现场数据情况，利于提高生产质量；

3节约了厂家，计量院的时间和人力。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种基于多方法融合的仪器仪表故障检测方法，其特征在于：具有，

(1)生产数据异常的检测：

在t时刻截取一段长度为N的时间序列，D^t＝{x_t-N+1,…,x_t}；

其中，x表示采集的参数，

神经网络的输入是长度为L的时间序列(L＜N)，输出为第L+1个序列值；先将数据归一化，再形成一段长度为N-L的数据样本，且第i个样本的输入为{x_t-N+i,…,x_t-N+L+i-1}，输出为{x_t-N+L+i}，其中i＝1,2,…,N-L；按顺序选取4/5的数据样本进行训练完成x_t+1的预测，剩下1/5的数据样本用于计算模型残差；对于新数据，落入通过残差计算出来的检测区间之内，则正常，反之则异常。检测出异常数据之后，利用当前时刻的预测值来代替判断为异常的数据，然后更新历史数据，进行下一轮的预测；

1)首先尽可能连续一段时间采集仪器仪表的各种数据，包括正常和异常数据，建立设备数据集；数据的采集可以通过设备的PLC来进行收集，然后通过智能感知模块将数据发送至服务器数据库；

2)利用历史数据和专家经验建立知识库和分类器；该模型首先利用现场生产人员丰富的经验编写基础知识库，库中包含了大多数情况下的一些故障类型；

3)故障诊断，对于采集到的新数据，首先利用基于知识工程的方法来进行故障诊断，若能成功诊断出故障类型，则给出诊断信息；

4)若诊断失败，则利用基于数据驱动的方法来进行无监督学习分类，利用SOM自组织神经网络，K-Means聚类算法对故障数据进行学习聚类，形成新的案例，更新到之前建立的知识库中。