CN109683565A - 一种基于多方法融合的仪器仪表故障检测方法 - Google Patents
一种基于多方法融合的仪器仪表故障检测方法 Download PDFInfo
- Publication number
- CN109683565A CN109683565A CN201811516048.2A CN201811516048A CN109683565A CN 109683565 A CN109683565 A CN 109683565A CN 201811516048 A CN201811516048 A CN 201811516048A CN 109683565 A CN109683565 A CN 109683565A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- instrument
- fault
- production
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 21
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
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
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,Dt={xt-N+1,…,xt};
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{xt-N+i,…,xt-N+L+i-1},输出为{xt-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xt+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,Dt={xt-N+1,…,xt};
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,Dt={xt-N+1,…,xt};
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{xt-N+i,…,xt-N+L+i-1},输出为{xt-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xt+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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516048.2A CN109683565A (zh) | 2018-12-12 | 2018-12-12 | 一种基于多方法融合的仪器仪表故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811516048.2A CN109683565A (zh) | 2018-12-12 | 2018-12-12 | 一种基于多方法融合的仪器仪表故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109683565A true CN109683565A (zh) | 2019-04-26 |
Family
ID=66186551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516048.2A Pending CN109683565A (zh) | 2018-12-12 | 2018-12-12 | 一种基于多方法融合的仪器仪表故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109683565A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110274762A (zh) * | 2019-07-16 | 2019-09-24 | 贵州北盘江电力股份有限公司董箐分公司 | 一种基于大数据的水轮机导轴承故障诊断系统 |
CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0472937A (ja) * | 1990-07-13 | 1992-03-06 | Furukawa Electric Co Ltd:The | 故障診断装置 |
CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
CN102707713A (zh) * | 2012-06-15 | 2012-10-03 | 长春工业大学 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN108126987A (zh) * | 2017-05-04 | 2018-06-08 | 汉威广园(广州)机械设备有限公司 | 一种高速线材轧机远程在线监测和智能诊断系统及方法 |
CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
-
2018
- 2018-12-12 CN CN201811516048.2A patent/CN109683565A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0472937A (ja) * | 1990-07-13 | 1992-03-06 | Furukawa Electric Co Ltd:The | 故障診断装置 |
CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
CN102707713A (zh) * | 2012-06-15 | 2012-10-03 | 长春工业大学 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN108126987A (zh) * | 2017-05-04 | 2018-06-08 | 汉威广园(广州)机械设备有限公司 | 一种高速线材轧机远程在线监测和智能诊断系统及方法 |
CN108776694A (zh) * | 2018-06-05 | 2018-11-09 | 哈尔滨工业大学 | 一种时间序列异常点检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
张定会等: "基于知识和神经网络相结合的实时故障诊断专家系统", 《自动化仪表》 * |
郭明等: "基于SOM网和K-means的聚类算法", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110274762A (zh) * | 2019-07-16 | 2019-09-24 | 贵州北盘江电力股份有限公司董箐分公司 | 一种基于大数据的水轮机导轴承故障诊断系统 |
CN110794799A (zh) * | 2019-11-28 | 2020-02-14 | 桂林电子科技大学 | 应用于工业生产的具有故障诊断功能的大数据系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN108805359A (zh) | 一种故障预判方法及装置 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN107369303A (zh) | 工厂智能诊断方法、装置及系统 | |
WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN109683565A (zh) | 一种基于多方法融合的仪器仪表故障检测方法 | |
CN108445865A (zh) | 一种用于火电机组主辅设备动态报警的方法及系统 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN115660631A (zh) | 一种基于修正权重故障树模型的配电终端状态评估方法 | |
CN110262417B (zh) | 一种生产设备故障预测诊断方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN110266527A (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN116842684A (zh) | 电能表及其运行可靠性的评估方法、系统、电能表处理器 | |
JP7062505B2 (ja) | 設備管理支援システム | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |