CN109901476B - 一种基于多变量数据段相似性的异常工况监控方法及系统 - Google Patents

一种基于多变量数据段相似性的异常工况监控方法及系统 Download PDF

Info

Publication number
CN109901476B
CN109901476B CN201910249998.1A CN201910249998A CN109901476B CN 109901476 B CN109901476 B CN 109901476B CN 201910249998 A CN201910249998 A CN 201910249998A CN 109901476 B CN109901476 B CN 109901476B
Authority
CN
China
Prior art keywords
monitoring
similarity
variables
multivariate
principal component
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
CN201910249998.1A
Other languages
English (en)
Other versions
CN109901476A (zh
Inventor
曲广浩
郭阳
吴水龙
刘书杰
陈矿
刘树昌
张建强
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.)
Shandong Huazhi Power Technology Co ltd
Dezhou Power Plant of Huaneng International Power Co Ltd
Original Assignee
Shandong Huazhi Power Technology Co ltd
Dezhou Power Plant of Huaneng International Power Co Ltd
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 Shandong Huazhi Power Technology Co ltd, Dezhou Power Plant of Huaneng International Power Co Ltd filed Critical Shandong Huazhi Power Technology Co ltd
Priority to CN201910249998.1A priority Critical patent/CN109901476B/zh
Publication of CN109901476A publication Critical patent/CN109901476A/zh
Application granted granted Critical
Publication of CN109901476B publication Critical patent/CN109901476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开提出了一种基于多变量数据段相似性的异常工况监控方法及系统，包括：离线设计步骤：获取多变量系统运行状况良好且无故障发生的历史数据段；以固定窗口宽度提取多元变量历史数据段之间的相似性，利用此相似性为特征信息；利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；在线监控步骤：以多元变量实时窗口内数据相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。该方法能有效克服现有方法存在的参数确定困难的实际问题，具有应用便捷、理解直观等优点，对于生产过程监控具有重要意义。

Description

一种基于多变量数据段相似性的异常工况监控方法及系统
技术领域
本公开涉及流程工业生产过程监控技术领域，特别是涉及一种基于多变量数据段相似性的异常工况监控方法及系统。
背景技术
随着科学技术的进步和发展，现代生产过程规模日益增大，整个生产过程系统的复杂性也日益提高，同时也致使生产过程事故所造成的损失更加巨大。有鉴于此，当前针对生产过程监测相关技术得到了广泛关注。工业生产过程监测主要目的是发现生产过程中的异常工况与故障等情况，并将监测的结果及时通过声、光、文字等形式呈现给生产运行人员，以便生产运行人员进行必要的措施来确保生产安全，提高生产质量。
由于以多个过程变量为基础监控方法，在监控能效上具有单变量监控所不能达到的效果，如系统整体运行效率、故障检测等，因此多变量监控方法日益受到关注，也越来越多地被应用于生产过程监控。
发明人在研究中发现，现有的多变量监控技术手段多集中于对平稳过程变量的监控，但是在实际生产过程中，往往要实现对生产过程或生产单元的监控，将不可避免地需要将非平稳过程信号列为检测指标，并且由于生产过程经常要发生工况改变，如火力发电过程中，实发功率要随电网指令不断调节，非平稳过程信号在生产过程中普遍存在，而且其对于生产过程的异常监控具有重要意义。尽管目前有部分多变量监控方法在理论上可以实现对非平稳过程信号的监控，但是由于其在应用过程中难以确定相关参数，因此应用效果并不理想。
发明内容
本说明书实施方式的目的是提供一种基于多变量数据段相似性的异常工况监控方法，该方法以多变量时间序列相似性为基础进行监控，该方法能有效克服现有方法存在的参数确定困难的实际问题，具有应用便捷、理解直观等优点，对于生产过程监控具有重要意义。
本说明书实施方式提供一种基于多变量数据段相似性的异常工况监控方法，采用以下技术方案实现：
包括：
离线设计步骤：获取多变量系统运行状况良好且无故障发生的历史数据段；
提取历史数据段中多元变量之间的相似性，利用所得的相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
及在线监控步骤：以多元变量实时相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
该方法以多变量时间序列数据段相似性为基础的监控方法，该方法能有效克服现有方法存在的参数确定困难的实际问题，具有应用便捷、理解直观等优点，对于生产过程监控具有重要意义。
本说明书另一实施方式提供一种基于多变量数据段相似性的异常工况监控系统，采用以下技术方案实现：
包括：
离线设计单元，被配置为：获取多变量系统运行状况良好且无故障发生的历史数据段；
提取历史数据段中多元变量各数据段之间的相似性，利用所获得的历史数据段相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
及在线监控单元，被配置为：以多元变量实时数据窗口内数据段的相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
本说明书另一实施方式提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现一种基于多变量数据段相似性的异常工况监控方法的步骤。
本说明书另一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于多变量数据段相似性的异常工况监控方法的步骤。
与现有技术相比，本公开的有益效果是：
本公开的技术方案以多变量时间窗口内，各个变量数据段的相似性为监控量，针对采用多变量两两之间相似性带来的监控量维数增加的问题，采用主元分析法进行降维，并采用Hotelling’s T2统计量作为监控指标。可应用于包括非平稳过程变量的多变量过程监控。
本公开的技术方案将非平稳过程的数据段之间的相似性特征作为监控对象，既能有效地监控整个生产过程，又避免了现有多变量监控方面不能很好地适用于非平稳过程的缺陷，以监控多变量之间的相似性作为监控手段，该方法既适用于平稳过程变量，也适用于非平稳过程变量。
本公开的技术方案以多变量时间序列相似性为基础的监控方法，该方法能有效克服现有方法存在的参数确定困难的实际问题，具有应用便捷、理解直观等优点，对于生产过程监控具有重要意义。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例子所提供方法的实施流程图；
图2是本公开实施例子所提供系统的实施流程图；
图3是本公开实施例子所采用的离线设计数据段趋势图；
图4是本公开实施例子所采检测出工况异常的数据段趋势图；
图5(a)是本公开实施例子实时计算所得的T2趋势(黑色实线)控制限
Figure BDA0002012132090000041
(红色虚线)；
图5(b)是本公开实施例子图5(a)对应的告警信号。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例子公开了一种基于多变量数据段相似性的异常工况监控方法，针对当前多变量监控方法难以应用于非平稳过程信号监控的问题，本公开的具体实施例子主要解决生产过程中多元非平稳过程信号(或含有非平稳过程信号)的监控问题。
参见附图1所示，本公开的具体实施例子技术路线可简述为：离线设计，在线监控。离线设计是以生产过程高效运行状态下历史数据为基础，通过提取多元变量历史数据段之间的相似性，利用此相似性为特征信息，采用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值。在线运行是以多元变量实时窗口内数据相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息，告知运行人员当前系统异常。
在一实施例中，对于离线设计部分：具体包括的步骤为：
步骤一：选取需要监控的M个过程变量，同时依据经验选取运行状况良好且无故障发生的历史数据段作为建模数据段，在此将所选取的过程数据标记为
Figure BDA0002012132090000052
其中
Figure BDA0002012132090000053
表示所选数据段的长度为L。
步骤二：选取固定窗口宽度WL，按照1步滑窗模式取历史数据段，对窗口内的数据按照式(1)分别计算各个监控过程变量之间的MP相似系数为dij(k)，作为两组变量之间相似性的衡量指标，下标i与j表示所监控的第i与第j个变量，i∈[1,M]，j∈[1,M]，k表示第k个窗口内的数据段，因此对所选取的过程变量Xi与Xj，MP相似系数序列为
Figure BDA0002012132090000051
步骤三，将所有dij(k)以i为行标，以j为列标记，以形成的如式(3)所示相似系数矩阵D；
步骤四：按照主元分析法实现降维过程，以采用Hotelling’s T2统计量作为监控指标，对相似系数矩阵D的协方差矩阵S进行奇异值分解，确定对角矩阵Λ＝diag{λ1,λ2,…,λM}，同时按照累计贡献率99％确定主元变量个数A及负载矩阵P，显著水平为α＝99％，按照式(9)确定T2监控量的告警阈值(控制限)
Figure BDA0002012132090000061
在该实施例子中，对需要监控的M个过程变量，选取运行状况良好且无故障发生的历史数据段作为建模数据段，在此将所选取的M个过程变量的数据集合标记为
Figure BDA0002012132090000062
其中Xi表示第i(i∈[1,M])个过程变量，将Xi表示为
Figure BDA0002012132090000063
针对选定的历史数据，以固定窗口宽度WL遍历整个数据段，对于每个窗口内的数据，按照式(1)分别计算各个过程变量窗口内数据段之间的相似系数，
Figure BDA0002012132090000069
其中，Xi[k]与Xj[k]表示第i个过程变量与j个过程变量在第k个窗口内的数据。Corr(Xi[k],Xj[k])表示Xi[k]与Xj[k]的皮尔森相关系数，其在第k个窗口内的估计值为:
Figure BDA0002012132090000064
其中，μi,k为Xi[k]的样本均值，即
Figure BDA0002012132090000065
μj,k为Xj[k]的样本均值，即
Figure BDA0002012132090000066
σi,k为Xi[k]的样本标准差，
Figure BDA0002012132090000067
σj,k为Xj[k]的样本标准差，
Figure BDA0002012132090000068
将所有的dij(k)按照如下方式进行排列，形成矩阵D，
Figure BDA0002012132090000071
由于dij(k)是计算两个变量之间的数据段相似性，因此当监控变量数量增加时，矩阵D的维数降维呈现出增长，因此要对矩阵D进行降维，以便实现实时监测的目的。在此采用主元分析的方法实现对矩阵D的降维。具体操作为，对于式(3)所示的矩阵D求其协方差矩阵S,
Figure BDA0002012132090000072
得到协方差矩阵S后，对其进行奇异值分解，并按照S特征值的大小对其特征值矩阵与特征向量矩阵进行降序排列，将此时的特征值矩阵和特征向量矩阵分别记为Λ和U，则有
S＝UΛUT (5)
式(5)中，Λ＝diag{λ1,λ2,…,λK}，且满足λ1≥λ2≥λ3…≥λK关系。
令P＝U(:,1:A)，则P是由矩阵U中的对应前A个较大奇异值(特征值)对应的奇异向量组成的矩阵，则可以得到如下PCA模型：
Figure BDA0002012132090000073
对于式(6)中的模型，采用累积方差贡献率准则来确定主元个数来，前A个主元的累计贡献率CPV可以表示为：
Figure BDA0002012132090000074
本公开实施例子的技术方案中，取CPV值为0.99(即99％)作为选择主元变量的标准。因此主元变量数A的取值为：
Figure BDA0002012132090000081
当利用式(8)确定了主元变量数量后，则式(6)中PCA模型的负载矩阵P也随之确定。
利用所确定的数窗口宽度WL、主元变量A、负载矩阵P后，利用式(9)确定Hotelling’s T2统计量的门限值
Figure BDA0002012132090000082
即：
Figure BDA0002012132090000083
在式(9)中，FA,N-A,α是自由度分别为A和WL-A，显著水平为α的F分布的临界值。
在另一实施例中，关于在线监控部分，具体包括：
步骤S1：实时采集所监控过程变量的数据，并对以窗口(宽度WL)内的数据进行更新，更新后计算窗口内监控变量之间的相似系数dij(k)，以所有dij(k)组成行向量，令矩阵D的第2到第K行等于其第1到第K-1行，之后令其第1行的元素分别等于dij(k)，完成矩阵D的更新。
步骤S2：：依据根据离线步骤所确定的负载矩阵P，对角矩阵Λ，告警阈值
Figure BDA0002012132090000084
然后按照式(10)计算T2统计量，并将T2与
Figure BDA0002012132090000085
做比较，如果
Figure BDA0002012132090000086
则生产过程发生异常，发出告警信号。
在该实施例子中，具体的，当完成各项参数设计之后，针对需要监控的M个过程变量，以窗口宽度为WL收集其当前时刻t的实时数据与之前WL-1时间长度的历史数据，
Figure BDA0002012132090000087
计算此M个过程变量的相似系数序列
Figure BDA0002012132090000088
将该相似系数序列与之前的K-1个序列按行进行合并，形成式(3)所示矩阵D，对矩阵D计算其Hotelling’s T2统计量
T2＝DTPΛPTD (10)
当满足
Figure BDA0002012132090000091
是，表示被监控的生产过程处于异常状态，否则生产过程于正常状态。
实施例子二
参见附图2所示，该实施例子公开了一种基于多变量数据段相似性的异常工况监控系统，采用以下技术方案实现：
包括：
离线设计单元，被配置为：获取多变量系统运行状况良好且无故障发生的历史数据段；
按照一定的窗口宽度，计算历史数据段中多元变量之间的相似性，利用此相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
在线监控单元，被配置为：以多元变量历史数据相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
在监控系统中离线设计单元及在线监控单元中的具体技术方案可参见实施例一中的基于多变量数据段相似性的异常工况监控方法。
应当注意，尽管在上文的详细描述中提及了设备的若干单元或子单元，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元或模块来具体化。
实施例子三
本说明书另一实施方式提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现一种基于多变量数据段相似性的异常工况监控方法的步骤。
具体步骤为：
S1，获取待监控的过程变量在正常工况下的历史数据，并以定窗口宽度滑窗方式计算各个监控变量在窗口内数据段之间的相似性，得到相似性序列矩阵；
S2,对所得到的相似性矩阵采用主元分析方法，按照累计贡献率选择主元变量，实现降维，同时确定负载矩阵和Hotelling’s T2控制限；
S3,获取监控变量的实时数据，并计算其窗口内各变量的当前数据段相似性值，并与部分距离当前时刻最近相似性数据构成矩阵；
S4，计算S3所得矩阵的T2值，当T2值大于其控制限时，表明系统处于异常状态。
本公开实施例子提供了一种基于多变量数据段相似性的异常工况监控方法，为多元非平稳过程信号监控提供了有效技术手段。
实施例子四
本说明书另一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现一种基于多变量数据段相似性的异常工况监控方法的步骤。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。
实施例子五
该实施例子公开了一种告警设备，专门用于流程工业生产过程监控，所述告警设备包括控制单元，所述控制单元被配置为执行以下内容：
离线设计步骤：获取多变量系统运行状况良好且无故障发生的历史数据段；
以固定窗口宽度，提取历史数据段中多元变量之间的相似性，利用此相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
及在线监控步骤：以实时窗口宽度内多元变量相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
在具体实施例子中，上述控制单元可与声光或声电等告警器相连，控制单元发出的告警信号通过告警器进行告警。上述控制单元还可以与显示单元相连，将告警信息实时进行显示。
在该实施例子中，离线设计步骤及在线监控步骤的详细技术内容参见实施例子一，此处不再赘述。
为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比例详细说明本公开的技术方案。选取华北电网某300MW机组运行数据为基础，运用本文所提出的监控方法对机组3#磨煤机驱动端轴承温度(Tag1)、3#磨煤机非驱动端轴承温度(Tag2)、机组实发功率(Tag3)、主蒸汽压(Tag4)、主蒸汽温度(Tag5)、总给煤量(Tag6)和汽机主控指令(Tag7)7个变量进行机组运行工况监控。
S1，在采样周期为1秒的条件下，提取此7个变量在正常工况(参数无较大变动、无系统故障)情况下的历史数据，建立监测模型。所选取的历史数据段趋势参见附图3。采用固定窗口宽度WL＝1200，按照1步滑窗模式取历史数据段，对窗口内的数据按照式(1)分别计算各个监控过程变量之间的MP相似系数为dij(k)，形成矩阵D；
S2,对所得到的相似性矩阵采用主元分析方法，按照累计贡献率选择主元变量，实现降维，同时确定负载矩阵和Hotelling’s T2控制限。所确定的主元变量个数为5，Hotelling’s T2控制限
Figure BDA0002012132090000121
S3,以1秒为采样周期，获取用来监控的7个变量的实时数据，并计算其窗口内各变量的当前相似性值，并与部分距离当前时刻最近相似性构成矩阵D；
S4，根据公式(10)计算S3所得矩阵D的T2值，当T2值大于S2中所确定的控制限
Figure BDA0002012132090000122
时，表明系统处于异常状态,触发告警信号。
具体的，附图5(a)-图5(b)所示为系统在线监测过程中发现异常的具体案例，其对应的7个监控变量的数据趋势图参见附图4。本案例中，第一次告警是因为汽机主控指令突然下降，导致被监测变量之间的相关关系发生改变，使得监测量T2大于设定值
Figure BDA0002012132090000123
从而产生告警；第三次告警是因磨煤机轴承故障，导致轴承温度信号Tag1与Tag2发生改变，导致所监测变量之间的相似性发生改变，最终导致监测量T2大于设定值
Figure BDA0002012132090000124
从而产生告警；第三次告警是因为磨煤机轴承损坏，导致磨煤机紧急跳闸，进而轴承温度信号Tag1与Tag2再次发生改变，但是此时其他变量之间的相似关系基本未改变，从而使得T2大于设定值
Figure BDA0002012132090000131
从而产生告警。此应用案例表明了本系统在生产过程监控中的有效性。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于多变量数据段相似性的异常工况监控方法，其特征是，包括：
离线设计步骤：获取多变量系统运行状况良好且无故障发生的历史数据段；
以固定窗口宽度，提取多元变量历史数据段之间的相似性，利用该相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
及在线监控步骤：以实时窗口宽度内多元变量相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
2.如权利要求1所述的一种基于多变量数据段相似性的异常工况监控方法，其特征是，在离线设计步骤中，需要选取需要监控的若干个过程变量，并在所获得的历史数据段中将所选取的过程数据进行标记。
3.如权利要求2所述的一种基于多变量数据段相似性的异常工况监控方法，其特征是，以固定窗口宽度，提取多元变量历史数据段之间的相似性时，以各个过程变量之间的数据相似系数来表示。
4.如权利要求2所述的一种基于多变量数据段相似性的异常工况监控方法，其特征是，各个过程变量之间的数据相似系数序列构成相似系数矩阵，采用主元分析法实现对相似系数矩阵降维，获得对角矩阵、负载矩阵及告警阈值。
5.如权利要求4所述的一种基于多变量数据段相似性的异常工况监控方法，其特征是，在线监控步骤中，实时采集过程变量的数据，并对实时窗口内的数据进行更新，更新后计算窗口内给监控变量之间的相似系数，构造实时相似系数矩阵。
6.如权利要求5所述的一种基于多变量数据段相似性的异常工况监控方法，其特征是，依据根据离线步骤所确定的负载矩阵，对角矩阵，告警阈值，然后根据实时相似系数矩阵计算实时数据的T2统计量，并将T2与告警阈值
Figure FDA0002457580940000021
做比较，如果
Figure FDA0002457580940000022
则生产过程发生异常，发出告警信号。
7.一种基于多变量数据段相似性的异常工况监控系统，其特征是，包括：
离线设计单元，被配置为：获取多变量系统运行状况良好且无故障发生的历史数据段；
以固定窗口宽度，提取多元变量取历史数据段之间的相似性，利用此相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
在线监控单元，被配置为：以多元变量实时窗口内数据段相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一所述的一种基于多变量数据段相似性的异常工况监控方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一所述的一种基于多变量数据段相似性的异常工况监控方法的步骤。
10.一种告警设备，专门用于流程工业生产过程监控，其特征在于，所述告警设备包括控制单元，所述控制单元被配置为执行以下步骤：
离线设计步骤：获取多变量系统运行状况良好且无故障发生的历史数据段；
提取多元变量历史数据段之间的相似性，利用此相似性为特征信息；
利用主元分析方法对特征信息进行降维，确定主元变量，并构建监控变量、确定其在给定置信度水平下的门限值；
在线监控步骤：以实时窗口内多元变量相似性特征为基础，在线计算所构建的监控变量值，当监控变量值超出离线设计所得的门限值时，触发告警信息。
CN201910249998.1A 2019-03-29 2019-03-29 一种基于多变量数据段相似性的异常工况监控方法及系统 Active CN109901476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910249998.1A CN109901476B (zh) 2019-03-29 2019-03-29 一种基于多变量数据段相似性的异常工况监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910249998.1A CN109901476B (zh) 2019-03-29 2019-03-29 一种基于多变量数据段相似性的异常工况监控方法及系统

Publications (2)

Publication Number Publication Date
CN109901476A CN109901476A (zh) 2019-06-18
CN109901476B true CN109901476B (zh) 2020-07-24

Family

ID=66954232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910249998.1A Active CN109901476B (zh) 2019-03-29 2019-03-29 一种基于多变量数据段相似性的异常工况监控方法及系统

Country Status (1)

Country Link
CN (1) CN109901476B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110303380B (zh) * 2019-07-05 2021-04-16 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN111474911B (zh) * 2020-04-28 2021-03-16 浙江浙能技术研究院有限公司 面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法
CN112101733B (zh) * 2020-08-18 2023-11-10 浙江大学 高端发电装备磨煤机的多指示变量解耦的智能监测方法
CN115220396B (zh) * 2022-09-20 2022-12-20 南通韦俐数控机床有限公司 一种数控机床智能监控方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101522385B1 (ko) * 2014-05-02 2015-05-26 연세대학교 산학협력단 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
US20180268015A1 (en) * 2015-09-02 2018-09-20 Sasha Sugaberry Method and apparatus for locating errors in documents via database queries, similarity-based information retrieval and modeling the errors for error resolution
CN105607631B (zh) * 2016-03-24 2018-01-19 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
CN107357269A (zh) * 2017-06-17 2017-11-17 湖州师范学院 基于混合mpls的多阶段过程质量预报方法
CN108490912B (zh) * 2018-03-12 2019-08-30 华中科技大学 一种基于主元相似性分析的多模态过程模态辨识方法
CN108490923B (zh) * 2018-04-28 2020-09-15 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法

Also Published As

Publication number Publication date
CN109901476A (zh) 2019-06-18

Similar Documents

Publication Publication Date Title
CN109901476B (zh) 一种基于多变量数据段相似性的异常工况监控方法及系统
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
AU2002246994B2 (en) Diagnostic systems and methods for predictive condition monitoring
US7233886B2 (en) Adaptive modeling of changed states in predictive condition monitoring
US7539597B2 (en) Diagnostic systems and methods for predictive condition monitoring
Alkaya et al. Variance sensitive adaptive threshold-based PCA method for fault detection with experimental application
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
US9250625B2 (en) System of sequential kernel regression modeling for forecasting and prognostics
US20020128731A1 (en) Global state change indicator for empirical modeling in condition based monitoring
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
Jiao et al. Quality-related root cause diagnosis based on orthogonal kernel principal component regression and transfer entropy
WO2011145496A1 (ja) 監視診断装置および監視診断方法
CN109143995B (zh) 质量相关慢特征分解的闭环系统精细运行状态监测方法
Tsung et al. Adaptive charting techniques: literature review and extensions
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
CN115270491A (zh) 基于多元信息融合的海上风电运维平台设计方法
Li et al. Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger
CN111914886B (zh) 一种基于在线简略核学习的非线性化工过程监测方法
Alinezhad et al. A modified bag-of-words representation for industrial alarm floods
CN111913447A (zh) 一种在线数据驱动的非线性化工过程监测方法
Geng et al. Fault detection of large-scale process control system with higher-order statistical and interpretative structural model
Yinghua et al. A new fault detection and diagnosis method based on principal component analysis in multivariate continuous processes
Huang et al. A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid processes
Medon A framework for a predictive manitenance tool articulated with a Manufacturing Execution System
CN117764163A (zh) 基于时序和变量相关分析的动态过程监测算法

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