CN110084301A - 一种基于隐马尔可夫模型的多工况过程工况辨识方法 - Google Patents
一种基于隐马尔可夫模型的多工况过程工况辨识方法 Download PDFInfo
- Publication number
- CN110084301A CN110084301A CN201910336470.8A CN201910336470A CN110084301A CN 110084301 A CN110084301 A CN 110084301A CN 201910336470 A CN201910336470 A CN 201910336470A CN 110084301 A CN110084301 A CN 110084301A
- Authority
- CN
- China
- Prior art keywords
- operating condition
- formula
- hidden markov
- markov model
- probability
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于隐马尔可夫模型的多工况过程工况辨识方法,具体属于自动检测技术领域。该方法包括离线训练和在线辨识两部分:离线训练过程中,采集各个工况下的历史数据,利用隐马尔可夫模型对多工况过程进行建模,使用极大似然估计算法估计隐马尔可夫模型的参数;在线辨识过程中,首先根据上一时刻样本分属各个工况的概率和工况转移特性计算得到当前时刻样本分属各个工况的先验概率,然后基于当前时刻的样本信息和贝叶斯准则计算得到后验概率,再根据最大后验概率准则确定当前工况,与标准维特比算法相比,本发明所提方法显著降低了在线计算复杂度,更适用于在线的工况辨识。
Description
技术领域
本发明属于自动检测技术领域,具体涉及一种基于隐马尔可夫模型的多工况过程工况辨识方法。
背景技术
在实际工业系统中,很多因素会导致生产过程的运行工况发生改变。这些因素包括原料的改变、设定点的改变、生产工艺的改变以及市场需求的改变,等等。这一类过程通常被称为多工况过程。在多工况过程中,工况的改变引起过程数据统计特性的变化,因此传统的多元统计过程监控方法不再适用。
近年来,隐马尔可夫模型被广泛应用于多工况过程监控。隐马尔可夫模型不仅可以处理数据的多模态特性,而且可以提取工业过程的动态信息。对多工况过程进行监控时,通常需要在线辨识当前过程所属的工况,以便为后续的过程监控提供基础。目前,大多数基于隐马尔可夫模型的方法都利用标准维特比算法进行工况辨识。然而该算法包含回溯过程,导致在线计算复杂度较高,因此不利于在线的工况辨识。
发明内容
本发明的目的是针对上述不足,提出了一种降低了在线计算复杂度、更适用于在线的工况辨识的基于隐马尔可夫模型的多工况过程工况辨识方法。
本发明具体采用如下技术方案:
一种基于隐马尔可夫模型的多工况过程工况辨识方法,包括以下步骤:
11、离线训练阶段,具体为:
111、采集不同工况下的历史数据,建立如式(1)所示的训练数据集,
X={Xi},i=1,…,C (1)
其中,为第i种工况下的训练样本,Ni为第i种工况下的样本个数,m为测量变量数目,C为工况总数;
112、各个工况的初始概率分布设置为相等,即为式(2)所示,
113、假设历史数据是有标签的,即获得数据样本对应的工况信息,则利用极大似然估计算法估计隐马尔可夫模型的各个参数,采用式(3)计算工况i向工况j的状态转移概率,
其中,Fij表示过程在前一时刻处于工况i且在当前时刻转移至工况j的频数;
114、假设各个工况下的数据服从单一的高斯分布,则第i个工况的样本均值为式(4)所示,
其中,表示第i个工况下的第j个数据样本;
115、第i个工况的样本协方差矩阵为式(5)所示:
116、采用训练好的隐马尔可夫模型用于对该多工况过程进行建模;
12、在线辨识阶段,具体为:
121、令过程在t-1时刻分属各个工况的概率为P(qt-1=i),采用式(6)计算t时刻的先验概率:
122、结合t时刻的样本xt,采用式(7)根据贝叶斯准则计算后验概率:
123、将(6)式代入(7)式,得到式(8)
其中,为多元高斯概率密度函数,即式(9)
124、根据最大后验概率准则,则t时刻的工况为式(10)所示:
本发明具有如下有益效果:
与标准维特比算法相比,本发明所提方法显著降低了在线计算复杂度,更适用于在线的工况辨识;
与朴素贝叶斯、线性判别分析、随机森林等经典分类方法相比,本发明所提方法同时利用时序关系和空间信息进行工况辨识,具有更高的辨识准确率。
附图说明
图1为本发明离线训练和在线辨识的流程图;
图2为本发明一个示例中不同算法的工况辨识准确率比较示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1所示,一种基于隐马尔可夫模型的多工况过程工况辨识方法,包括以下步骤:
11、离线训练阶段,具体为:
111、采集不同工况下的历史数据,建立如式(1)所示的训练数据集,
X={Xi},i=1,…,C (1)
其中,为第i种工况下的训练样本,Ni为第i种工况下的样本个数,m为测量变量数目,C为工况总数;
112、各个工况的初始概率分布设置为相等,即为式(2)所示,
113、假设历史数据是有标签的,即获得数据样本对应的工况信息,则利用极大似然估计算法估计隐马尔可夫模型的各个参数,采用式(3)计算工况i向工况j的状态转移概率,
其中,Fij表示过程在前一时刻处于工况i且在当前时刻转移至工况j的频数;
114、假设各个工况下的数据服从单一的高斯分布,则第i个工况的样本均值为式(4)所示,
其中,表示第i个工况下的第j个数据样本;
115、第i个工况的样本协方差矩阵为式(5)所示:
116、采用训练好的隐马尔可夫模型用于对该多工况过程进行建模;
12、在线辨识阶段,具体为:
121、令过程在t-1时刻分属各个工况的概率为P(qt-1=i),采用式(6)计算t时刻的先验概率:
122、结合t时刻的样本xt,采用式(7)根据贝叶斯准则计算后验概率:
123、将(6)式代入(7)式,得到式(8)
其中,为多元高斯概率密度函数,即式(9)
124、根据最大后验概率准则,则t时刻的工况为式(10)所示:
如图2所示,为了帮助理解本发明,同时直观地展示本发明方法用于多工况过程工况辨识的效果,下面对一示例进行说明。
本示例考虑一个多元线性过程,如式(11)所示:
式中,xi(i=1,…,8)表示测量变量,si(i=1,…,4)表示服从高斯分布的独立数据源,ei(i=1,…,8)表示零均值、标准差为0.3的高斯白噪声。
该过程包括如下的三种工况:
①工况1:s1~N(10.7,1.22),s2~N(5.1,0.82),s3~N(4.7,1.12),s4~N(3.7,0.62).
②工况2:s1~N(10.4,1.52),s2~N(3.4,0.82),s3~N(6.1,1.22),s4~N(5.6,0.82).
③工况3:s1~N(3.6,0.72),s2~N(6.0,0.92),s3~N(9.0,1.32),s4~N(7.3,0.92).
需要注意的是,工况1和工况2的数据存在部分重叠的情况。在每个工况下采集2000个样本,合计6000个样本组成训练数据集。根据离线训练所述步骤,估计隐马尔可夫模型的参数。
在测试阶段,产生6000个样本来验证本发明所提方法的有效性。我们采用了一些经典的分类方法进行比较,包括朴素贝叶斯、最近邻、线性判别分析、随机森林和支持向量机。进行500次蒙特卡洛实验,工况辨识结果如图2所示。与其它五种分类方法相比,本发明所提方法显著提高了工况辨识的准确率,从而验证了该方法的有效性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种基于隐马尔可夫模型的多工况过程工况辨识方法,其特征在于,包括以下步骤:
11、离线训练阶段,具体为:
111、采集不同工况下的历史数据,建立如式(1)所示的训练数据集,
X={Xi},i=1,…,C (1)
其中,为第i种工况下的训练样本,Ni为第i种工况下的样本个数,m为测量变量数目,C为工况总数;
112、各个工况的初始概率分布设置为相等,即为式(2)所示:
113、假设历史数据是有标签的,即获得数据样本对应的工况信息,则利用极大似然估计算法估计隐马尔可夫模型的各个参数,采用式(3)计算工况i向工况j的状态转移概率,
其中,Fij表示过程在前一时刻处于工况i且在当前时刻转移至工况j的频数;
114、假设各个工况下的数据服从单一的高斯分布,则第i个工况的样本均值为式(4)所示,
其中,表示第i个工况下的第j个数据样本;
115、第i个工况的样本协方差矩阵为式(5)所示:
116、采用训练好的隐马尔可夫模型用于对该多工况过程进行建模;
12、在线辨识阶段,具体为:
121、令过程在t-1时刻分属各个工况的概率为P(qt-1=i),采用式(6)计算t时刻的先验概率:
122、结合t时刻的样本xt,采用式(7)根据贝叶斯准则计算后验概率:
123、将(6)式代入(7)式,得到式(8)
其中,为多元高斯概率密度函数,即式(9)
124、根据最大后验概率准则,则t时刻的工况为式(10)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336470.8A CN110084301B (zh) | 2019-04-25 | 2019-04-25 | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336470.8A CN110084301B (zh) | 2019-04-25 | 2019-04-25 | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084301A true CN110084301A (zh) | 2019-08-02 |
CN110084301B CN110084301B (zh) | 2023-04-18 |
Family
ID=67416570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336470.8A Active CN110084301B (zh) | 2019-04-25 | 2019-04-25 | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084301B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988674A (zh) * | 2019-11-19 | 2020-04-10 | 中南大学 | 永磁同步电机的健康状态监测方法、系统及移动终端 |
CN111381498A (zh) * | 2020-03-09 | 2020-07-07 | 常熟理工学院 | 多传感器基于多率变时滞状态空间模型的期望最大化辨识方法 |
CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2189976A1 (en) * | 2008-11-21 | 2010-05-26 | Harman Becker Automotive Systems GmbH | Method for adapting a codebook for speech recognition |
US20130124438A1 (en) * | 2011-11-11 | 2013-05-16 | Sung-young Lee | Method of recognizing patterns based on markov chain hidden conditional random field model |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
CN109597307A (zh) * | 2018-12-29 | 2019-04-09 | 浙江运达风电股份有限公司 | 一种基于隐马尔科夫模型的故障容错控制方法 |
-
2019
- 2019-04-25 CN CN201910336470.8A patent/CN110084301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2189976A1 (en) * | 2008-11-21 | 2010-05-26 | Harman Becker Automotive Systems GmbH | Method for adapting a codebook for speech recognition |
US20130124438A1 (en) * | 2011-11-11 | 2013-05-16 | Sung-young Lee | Method of recognizing patterns based on markov chain hidden conditional random field model |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN108280484A (zh) * | 2018-01-30 | 2018-07-13 | 辽宁工业大学 | 一种驾驶员加速特性在线分类与辨识方法 |
CN109597307A (zh) * | 2018-12-29 | 2019-04-09 | 浙江运达风电股份有限公司 | 一种基于隐马尔科夫模型的故障容错控制方法 |
Non-Patent Citations (1)
Title |
---|
张可;周东华;柴毅;: "复合故障诊断技术综述" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988674A (zh) * | 2019-11-19 | 2020-04-10 | 中南大学 | 永磁同步电机的健康状态监测方法、系统及移动终端 |
CN111381498A (zh) * | 2020-03-09 | 2020-07-07 | 常熟理工学院 | 多传感器基于多率变时滞状态空间模型的期望最大化辨识方法 |
CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084301B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
CN110084301A (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
Shang et al. | Profile monitoring with binary data and random predictors | |
Zhang et al. | Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes | |
US7769561B2 (en) | Robust sensor correlation analysis for machine condition monitoring | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN103916896B (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
CN108268632A (zh) | 异常情报数据识别机器学习方法 | |
CN113467375A (zh) | 基于虚拟测量的智能数控加工刀具剩余可用寿命预测方法 | |
CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
CN117063190A (zh) | 用于预测和规定应用的多级机器学习 | |
Huang et al. | Multimode process monitoring and mode identification based on multiple dictionary learning | |
CN108919182B (zh) | 一种wifi环境下基于支撑集及期望最大化的目标定位方法 | |
CN109325065A (zh) | 基于动态隐变量模型的多采样率软测量方法 | |
CN111625934B (zh) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 | |
Zhang et al. | Determining statistical process control baseline periods in long historical data streams | |
CN111259340A (zh) | 一种基于logistic回归的饱和负荷预测方法 | |
Ko et al. | A multivariate parameter trace analysis for online fault detection in a semiconductor etch tool | |
Kuang et al. | An Association Rules-Based Method for Outliers Cleaning of Measurement Data in the Distribution Network | |
Lipor et al. | Margin-based active subspace clustering | |
Yuan et al. | Bayesian planning of optimal step-stress accelerated life test | |
CN110543896B (zh) | 一种基于半监督朴素贝叶斯的异构众包指纹标注方法 |
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 |