CN110244692B - 化工过程微小故障检测方法 - Google Patents
化工过程微小故障检测方法 Download PDFInfo
- Publication number
- CN110244692B CN110244692B CN201910535087.5A CN201910535087A CN110244692B CN 110244692 B CN110244692 B CN 110244692B CN 201910535087 A CN201910535087 A CN 201910535087A CN 110244692 B CN110244692 B CN 110244692B
- Authority
- CN
- China
- Prior art keywords
- training data
- formula
- data
- principal component
- test data
- 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
Links
Images
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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 And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种化工过程微小故障检测方法,其步骤为:对训练数据进行归一化处理后,建立LGPCA模型,从训练数据中提取局部‑全局特征作为得分向量,利用滑动窗口计算训练数据得分向量的均值和方差,在此基础上得到训练KLD成分,进一步基于训练KLD成分计算主成分空间统计量T2和残差空间统计量SPE并确定相应的控制限;采集测试数据,利用LGPCA模型提取对应的主成分向量和残差向量,利用滑动窗口计算测试数据得分向量的均值和方差,进一步得到在线KLD成分,基于在线KLD成分计算主成分空间统计量T2和残差空间统计量SPE,并利用控制限进行监控。本发明方法将KLD引入到传统LGPCA方法中,能够充分利用化工过程数据所包含的概率信息,提高微小故障检测率。
Description
技术领域
本发明属于化工过程故障检测技术领域,具体地说,涉及一种化工过程微小故障检测方法。
背景技术
由于现代化工过程日益大型化和复杂化,一旦过程发生异常且没有得到及时的控制,将会造成巨大的生命和财产损失。若能及时在工业运行过程的可控范围内检测出微小故障并进行隔离报警,将有效避免异常事件的发生,减少生产力损失。作为提高系统可靠性和降低事故风险的重要方法和有效措施,故障检测与诊断技术变得越来越重要。随着集散控制系统(简称:DCS)的广泛应用,大量过程数据被保存下来,基于数据驱动的故障诊断方法得到了广泛的应用。
在化工过程监控中,主元分析(简称:PCA)法是故障诊断领域的经典算法。为全面提取过程全局和局部特征,研究人员进一步提出局部-全局主成分分析(简称:LGPCA)方法。然而在实际监控中,传统LGPCA方法仅利用得分向量构造监控模型,忽略过程数据所包含的概率信息,但对于幅值小、变化缓慢的微小故障而言,其正常数据和故障数据的得分向量往往重叠在一起,难以区分,从而影响微小故障检测的效果,导致微小故障检测率低。因此,如何从测量数据中提取概率信息以及时地检测到化工过程中的微小故障,进而提高微小故障的检测效果,是目前化工过程监控中亟待解决的一个问题。
发明内容
本发明针对传统LGPCA方法存在的忽略过程数据所包括的概率信息导致微小故障检测率低等问题,提供一种化工过程微小故障检测方法。该方法将Kullback Leibler散度(英文:Kullback Leibler Divergence,简称:KLD)引入到LGPCA方法中,利用KLD挖掘化工过程数据所包含的概率信息,能够进一步挖掘化工过程数据的微弱信息,提高故障检测率,进而改善微小故障检测效果。
为了达到上述目的,本发明提供了一种化工过程微小故障检测方法,含有以下步骤:
(二)将所述归一化后的训练数据X进行局部-全局主成分分析得到LGPCA模型,利用所述LGPCA模型提取所述训练数据X的投影向量和得分向量;
(三)计算所述训练数据X所对应的训练KLD成分;
(四)由训练KLD成分计算训练数据X的主成分空间统计量T2和残差空间统计量SPE,给定置信水平α,通过核密度估计(英文:Kernel Density Estimation,简称:KDE)方法计算主成分空间统计量T2所对应的控制限和残差空间统计量SPE所对应的控制限SPElim;
(六)利用步骤(二)所得到的投影向量将测试数据xt投影到低维空间,得到测试数据xt所对应的得分向量;
(七)计算所述测试数据xt所对应的在线KLD成分;
(八)由在线KLD成分计算测试数据xt的主成分空间统计量Tt 2和残差空间统计量SPEt;
训练数据X0经上述公式(1)归一化处理后即可获得归一化后的训练数据X。
进一步的,将所述训练数据X进行局部-全局主成分分析提取所述训练数据X的投影向量和得分向量的具体步骤为:
对于归一化后的训练数据X=[x1,x2,...,xn]T∈Rn×m,其中,n表示样本个数,m表示变量个数,通过公式(2)计算所述训练数据X所对应的全局矩阵C,通过公式(3)计算所述训练数据X所对应的局部矩阵U,公式(2)、公式(3)表示为:
U=XTLX (3)
式中,L=D-W表示Laplacian矩阵,W为权值矩阵,D表示对角阵,W和D的具体表达式如下:
Dii=∑jWij i,j=1,2,...,n (5)
式中,Wij表示W矩阵的第(i,j)个元素,σ代表总体样本方差,Dii表示D矩阵的第i个对角元素;
对所述全局矩阵C和局部矩阵U开展公式(6)中所示的特征值分解,公式(6)的表达式为:
CP=λUP (6)
求解公式(6)得到m个非零特征值λ1≥λ2≥...≥λm,以及与之对应的投影向量p1,p2,...,pm;
由特征值85%的累计贡献率准则确定主元个数l,所述训练数据X的样本空间被划分为主成分空间和残差空间两部分;
对于所述训练数据X中在第h个采样时刻的样本x(h),通过公式(7)提取对应的得分向量ts=[ts(1),...,ts(h),...,ts(n)]T,公式(7)的表达式为:
ts(h)=xT(h)ps,s=1,2,...,m (7)
式中,ts(h)为训练数据X中第h个采样时刻的样本x(h)对应的第s个得分向量;ps为求解公式(6)所获得的第s个投影向量。
进一步的,步骤(三)中,计算所述训练数据X所对应的训练KLD成分具体步骤为:
计算所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量ts(h)的均值和方差,由公式(8)计算所述训练数据X第h个采样时刻处的训练KLD成分ys(h),公式(8)的表达式为:
进一步的,步骤(四)中,计算训练数据X的主成分空间统计量T2和残差空间统计量SPE的具体步骤为:
基于KLD成分ys,由公式(9)构造用于过程监控的主成分空间统计量T2,由(10)构造用于过程监控的残差空间统计量SPE,公式(9)、公式(10)的表达式为:
式中,Sl表示主成分空间所对应的协方差矩阵,Sr表示残差空间所对应的协方差矩阵,l为步骤(二)中所得到的主元个数。
测试数据xnew经上述公式(11)归一化处理后即可获得归一化后的测试数据xt。
进一步的,步骤(六)中,利用步骤(二)所得到的投影向量将测试数据xt投影到低维空间,得到测试数据xt所对应的得分向量的具体步骤为:
所述测试数据xt中第h个采样时刻的样本xt(h)的得分向量tt,s=[tt,s(1),...,tt,s(h),...]T通过公式(12)计算,公式(12)的表达式为:
式中,tt,s(h)为测试数据xt中第h个采样时刻的样本xt(h)对应的第s个得分向量;ps为求解公式(6)获得的第s个投影向量。
进一步的,步骤(七)中,计算所述测试数据xt所对应的在线KLD成分:
由步骤(三)得到所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量tt,s(h)的均值和方差,由公式(13)计算在第h个采样时刻处的在线KLDyt,s(h),公式(13)的表达式为:
进一步的,步骤(八)中,由在线KLD成分计算测试数据xt的主成分空间统计量Tt 2和残差空间统计量SPEt的具体步骤为:
基于在线KLD成分yt,s,由公式(14)构造用于过程监控的主成分空间统计量Tt 2,由公式(15)构造用于过程监控的残差空间统计量SPEt,公式(14)、公式(15)的表达式为:
式中,Sl表示主成分空间所对应的协方差矩阵,Sr表示残差空间所对应的协方差矩阵,l为步骤(二)中所得到的主元个数。
与现有技术相比,本发明的有益效果在于:
本发明提供的化工过程微小故障检测方法,基于局部-全局主成分分析,利用Kullback Leibler散度度量得分向量的概率分布变化,实现了过程数据信息的进一步挖掘,使得统计量能够更为明显的反应化工过程中的微小故障信息,进而改善微小故障检测结果,提高微小故障故障检测率,有效克服传统LGPCA方法因忽略化工过程数据概率信息所造成的对微小故障检测性能不佳的问题。
附图说明
图1为本发明化工过程微小故障检测方法的流程图;
图2为本发明实施例所述连续搅拌反应釜(简称:CSTR)系统的原理图;
图3a为本发明实施例采用传统PCA方法对CSTR系统故障3的监控结果示意图;
图3b为本发明实施例采用传统LGPCA方法对CSTR系统故障3的监控结果示意图;
图3c为本发明实施例采用本发明化工过程微小故障检测方法对CSTR系统故障3的监控结果示意图;
图4a为本发明实施例采用传统PCA方法对CSTR系统故障6的监控结果示意图;
图4b为本发明实施例采用传统LGPCA方法对CSTR系统故障6的监控结果示意图;
图4c为本发明实施例采用本发明化工过程微小故障检测方法对CSTR系统故障6的监控结果示意图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1,本发明揭示了一种化工过程微小故障检测方法,含有以下步骤:
训练数据集X0经上述公式(1)归一化处理后即可获得归一化后的训练数据X。
(二)将所述归一化后的训练数据X进行局部-全局主成分分析得到LGPCA模型,利用所述LGPCA模型提取所述训练数据X的投影向量和得分向量;具体步骤为:
对于归一化后的训练数据X=[x1,x2,...,xn]T∈Rn×m,其中,n表示样本个数,m表示变量个数,通过公式(2)计算所述训练数据X所对应的全局矩阵C,通过公式(3)计算所述训练数据X所对应的局部矩阵U,公式(2)、公式(3)表示为:
U=XTLX (3)
式中,L=D-W表示Laplacian矩阵,W为权值矩阵,D表示对角阵,W和D的具体表达式如下:
Dii=∑jWij i,j=1,2,...,n (5)
式中,Wij表示W矩阵的第(i,j)个元素,σ代表总体样本方差,Dii表示D矩阵的第i个对角元素;
对所述全局矩阵C和局部矩阵U开展公式(6)中所示的特征值分解,公式(6)的表达式为:
CP=λUP (6)
求解公式(6)得到m个非零特征值λ1≥λ2≥...≥λm,以及与之对应的投影向量p1,p2,...,pm;
由特征值85%的累计贡献率准则确定主元个数l,所述训练数据X的样本空间被划分为主成分空间和残差空间两部分;
对于所述训练数据X中在第h个采样时刻的样本x(h),通过公式(7)提取对应的得分向量ts=[ts(1),...,ts(h),...,ts(n)]T,公式(7)的表达式为:
ts(h)=xT(h)ps,s=1,2,...,m (7)
式中,ts(h)为训练数据X中第h个采样时刻的样本x(h)对应的第s个得分向量;ps为求解公式(6)所获得的第s个投影向量。
(三)计算所述训练数据X所对应的训练KLD成分;具体步骤为:
计算所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量ts(h)的均值和方差,由公式(8)计算所述训练数据X第h个采样时刻处的训练KLD成分ys(h),公式(8)的表达式为:
(四)由训练KLD成分计算训练数据X的主成分空间统计量T2和残差空间统计量SPE,具体步骤为:
基于KLD成分ys,由公式(9)构造用于过程监控的主成分空间统计量T2,由(10)构造用于过程监控的残差空间统计量SPE,公式(9)、公式(10)的表达式为:
式中,Sl表示主成分空间所对应的协方差矩阵,Sr表示残差空间所对应的协方差矩阵,l为步骤(二)中所得到的主元个数;
测试数据xnew经上述公式(11)归一化处理后即可获得归一化后的测试数据xt。
(六)利用步骤(二)所得到的投影向量将测试数据xt投影到低维空间,得到测试数据xt所对应的得分向量,具体步骤为:
所述测试数据xt中第h个采样时刻的样本xt(h)的得分向量tt,s=[tt,s(1),...,tt,s(h),...]T通过公式(12)计算,公式(12)的表达式为:
式中,tt,s(h)为测试数据xt中第h个采样时刻的样本xt(h)对应的第s个得分向量;ps为求解公式(6)获得的第s个投影向量。
(七)计算所述测试数据xt所对应的在线KLD成分,具体步骤为:
由步骤(三)得到所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量tt,s(h)的均值和方差,由公式(13)计算在第h个采样时刻处的在线KLDyt,s(h),公式(13)的表达式为:
(八)由在线KLD成分计算测试数据xt的主成分空间统计量Tt 2和残差空间统计量SPEt,具体步骤为:
基于在线KLD成分yt,s,由公式(14)构造用于过程监控的主成分空间统计量Tt 2,由公式(15)构造用于过程监控的残差空间统计量SPEt,公式(14)、公式(15)的表达式为:
式中,Sl表示主成分空间所对应的协方差矩阵,Sr表示残差空间所对应的协方差矩阵,l为步骤(二)中所得到的主元个数。
(九)依据主成分空间统计量Tt 2是否超出控制限和残差空间统计量SPEt是否超出控制限SPElim,判断测试数据xt是否发生故障。具体地,当且SPEt≤SPElim时,认为化工过程处于正常工作状态,否则,认为化工过程出现故障。
上述方法中,步骤(一)至(四)为离线建模阶段,步骤(五)至(九)为在线测试阶段。
本发明上述故障检测方法,对训练数据进行归一化处理后,建立LGPCA模型,从训练数据中提取局部-全局特征作为得分向量,利用滑动窗口计算训练数据得分向量的均值和方差,在此基础上得到训练KLD成分,进一步基于训练KLD成分计算主成分空间统计量T2和残差空间统计量SPE并确定相应的控制限;采集测试数据,利用LGPCA模型提取对应的主成分向量和残差向量,利用滑动窗口计算测试数据得分向量的均值和方差,进一步得到在线KLD成分,基于在线KLD成分计算主成分空间统计量T2和残差空间统计量SPE,并利用控制限进行监控。本发明上述故障检测方法利用Kullback Leibler散度挖掘化工过程数据所包含的概率信息,能够更加精准地衡量化工过程数据中的微小故障特征信息,提高微小故障检测率,进而改善微小故障检测结果。
为了能更清楚地说明本发明上述故障检测方法的有益效果,以下结合实施例对本发明上述故障检测方法做出进一步说明。
实施例:
连续搅拌反应釜(以下简称:CSTR)系统是一个典型的非线性化工过程控制系统,广泛应用于故障检测和诊断领域。参见图2,CSTR系统包括温度和液位控制回路,物质A在反应釜中发生一级不可逆放热反应形成物质B。在仿真过程中,加入测量噪声以模拟正常和6种故障工况。从CSTR系统的10个变量中收集过程数据信息,其中包括4个状态变量和6个输入变量,具体参见表1。本实施例中采用的6个故障参见表2,通过表2中的故障来验证各方法的监控性能。正常和故障工况条件均包含1000个样本,首先仿真1000组正常数据作为训练集用于历史建模,为了产生故障数据,在仿真过程的第301个时刻引入故障,并使故障一直持续到仿真结束为止。
表1
变量 | 变量描述 |
C<sub>a</sub> | 反应物A从反应釜流出时的浓度 |
T | 反应釜的温度 |
T<sub>c</sub> | 夹套出口冷却剂的温度 |
h | 反应釜液位高度 |
Q | 反应釜流出物料的浓度 |
Q<sub>f</sub> | 进料A的流量 |
C<sub>af</sub> | 反应釜进料A的浓度 |
T<sub>f</sub> | 进料A的温度 |
Q<sub>c</sub> | 夹套内冷却剂的流量 |
T<sub>cf</sub> | 夹套入口冷却剂温度 |
表2
故障 | 描述 | 幅值 |
F1 | 进料流速Q<sub>f</sub>阶跃变化 | +0.8L/min |
F2 | 进料浓度C<sub>af</sub>斜坡变化 | +2×10(-5)(mol/L)/min |
F3 | 催化剂逐渐失活 | +1.45K/min |
F4 | 换热器结垢 | -38(J/min(K))/min |
F5 | 反应器温度传感器出现偏差 | +0.9K |
F6 | 冷凝器中温度测量传感器出现偏差 | +1.3K |
采用本发明上述故障检测方法(以下简称:PR-LGPCA方法)对本实施例所述CSTR系统进行故障检测。检测到发生故障后,为评价不同故障检测方法的故障检测性能,通过故障检出率FDR指标对不同方法的故障检测结果对比。故障检出率FDR定义为检测出的故障数据与实际总的故障数据之比。很显然,FDR的数值越大,意味着工业过程故障检测方法的故障检测效果越好;反之,工业过程故障检测方法的故障检测效果越差。
在本实施例的CSTR系统仿真中,采用传统PCA方法、传统LGPCA方法和本发明PR-LGPCA方法三种方法作为仿真对比。在本实施例中,三种方法均根据85%的方差贡献率确定主元个数。传统LGPCA方法和本发明PR-LGPCA方法中利用交叉验证法选择k近邻个数为15,本发明PR-LGPCA方法中滑动窗口宽度w为40。99%置信限被用来计算各方法的控制限。
故障3是由催化剂逐渐失活引起的。采用传统PCA方法、传统LGPCA方法和本发明PR-LGPCA方法对故障3的监控图参见图3a-3c。参见图3a,由于故障幅值较小,传统PCA方法对故障3的监控效果较差,主成分空间统计量T2的检出率为13.29%,残差空间统计量SPE的检出率为7.29%。同样的,参见图3b,传统LGPCA方法的主成分空间统计量T2的检出率为14%,残差空间统计量SPE的检出率为7.86%,虽然传统LGPCA方法在传统PCA方法的基础上考虑了数据局部特征的提取,但是对于微小故障而言,大量的故障样本点被误认为处于正常状态,传统LGPCA方法仍达不到满意的监控效果。与之相比,参见图3c,对于故障3,本文发明提供的PR-LGPCA方法考虑了过程数据的概率信息差异,主成分空间统计量T2在第486个采样点检测到故障的发生,对应的检出率提高至74.43%,残差空间统计量SPE在第522个采样点检测到故障的发生,对应的检出率提高至65%,因此,本发明所提的PR-LGPCA方法能够改善对CSTR系统故障3的检测性能。
故障6为冷凝器中温度测量传感器出现偏差。采用PCA方法、LGPCA方法和本发明PR-LGPCA方法对故障6的监控效果参见图4a-4c所示。参见图4a,传统PCA方法几乎无法检测到该微小故障的发生,主成分空间统计量T2的检出率为1.57%,残差空间统计量SPE的检出率为1.43%。参见图4b,传统PR-LGPCA方法与传统PCA方法的监控效果类似,同样无法检测到故障6的发生,主成分空间统计量T2和残差空间统计量SPE的检出率与传统PCA类似,主成分空间统计量T2的检出率为1.57%,残差空间统计量SPE的检出率为2.29%。与之相比,本发明提供的PR-LGPCA方法的监控结果参见图4c,虽然主成分空间统计量T2的检出率为6.29%,但残差空间统计量SPE从第317个采样点开始检测到故障的发生并能够持续报警到仿真结束,残差空间统计量SPE的检出率达到97.71%,监控性能得到了明显的提高。
表3给出了传统PCA方法、传统LGPCA方法和本发明PR-LGPCA方法对于CSTR系统6种故障的故障检出率。
表3
由表3可知,传统PCA方法和传统LGPCA方法对于CSTR系统的6种微小故障不能给出满意的监控效果。本发明提供的PR-LGPCA方法,通过利用Kullback Leibler散度挖掘过程数据所包含的概率信息,对于这6种故障的检测效果能获得明显的改善,总体上取得了最好的监控结果。
综合以上分析,本发明提供的PR-LGPCA方法,基于概率相关局部-全局主成分分析对化工过程微小故障进行检测,其故障检测效果明显优于PCA方法和LGPCA方法。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (8)
1.一种化工过程微小故障检测方法,其特征在于,含有以下步骤:
(二)将所述归一化后的训练数据X进行局部-全局主成分分析得到LGPCA模型,利用所述LGPCA模型提取所述训练数据X的投影向量和得分向量;
(三)计算所述训练数据X所对应的训练KLD成分;
计算所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量ts(h)的均值和方差,由公式(8)计算所述训练数据X第h个采样时刻处的训练KLD成分ys(h),公式(8)的表达式为:
(四)由训练KLD成分计算训练数据X的主成分空间统计量T2和残差空间统计量SPE,给定置信水平α,通过KDE方法计算主成分空间统计量T2所对应的控制限和残差空间统计量SPE所对应的控制限SPElim;
(六)利用步骤(二)所得到的投影向量将测试数据xt投影到低维空间,得到测试数据xt所对应的得分向量;
(七)计算所述测试数据xt所对应的在线KLD成分;
由步骤(三)得到所述训练数据X得分向量ts所对应均值μs和方差λs;
利用滑动窗口求取得分向量tt,s(h)的均值和方差,由公式(13)计算在第h个采样时刻处的在线KLDyt,s(h),公式(13)的表达式为:
(八)由在线KLD成分计算测试数据xt的主成分空间统计量Tt 2和残差空间统计量SPEt;
3.如权利要求2所述的化工过程微小故障检测方法,其特征在于,所述步骤(二)中,将所述训练数据X进行局部-全局主成分分析提取所述训练数据X的投影向量和得分向量的具体步骤为:
对于归一化后的训练数据X=[x1,x2,...,xn]T∈Rn×m,其中,n表示样本个数,m表示变量个数,通过公式(2)计算所述训练数据X所对应的全局矩阵C,通过公式(3)计算所述训练数据X所对应的局部矩阵U,公式(2)、公式(3)表示为:
U=XTLX (3)
式中,L=D-W表示Laplacian矩阵,W为权值矩阵,D表示对角阵,W和D的具体表达式如下:
Dii=∑jWij i,j=1,2,...,n (5)
式中,Wij表示W矩阵的第(i,j)个元素,σ代表总体样本方差,Dii表示D矩阵的第i个对角元素;
对所述全局矩阵C和局部矩阵U开展公式(6)中所示的特征值分解,公式(6)的表达式为:
CP=λUP (6)
求解公式(6)得到m个非零特征值λ1≥λ2≥...≥λm,以及与之对应的投影向量p1,p2,...,pm;
由特征值85%的累计贡献率准则确定主元个数l,所述训练数据X的样本空间被划分为主成分空间和残差空间两部分;
对于所述训练数据X中在第h个采样时刻的样本x(h),通过公式(7)提取对应的得分向量ts=[ts(1),...,ts(h),...,ts(n)]T,公式(7)的表达式为:
ts(h)=xT(h)ps,s=1,2,...,m (7)
式中,ts(h)为训练数据X中第h个采样时刻的样本x(h)对应的第s个得分向量;ps为求解公式(6)所获得的第s个投影向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535087.5A CN110244692B (zh) | 2019-06-20 | 2019-06-20 | 化工过程微小故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910535087.5A CN110244692B (zh) | 2019-06-20 | 2019-06-20 | 化工过程微小故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244692A CN110244692A (zh) | 2019-09-17 |
CN110244692B true CN110244692B (zh) | 2020-07-07 |
Family
ID=67888301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910535087.5A Active CN110244692B (zh) | 2019-06-20 | 2019-06-20 | 化工过程微小故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244692B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126870B (zh) * | 2019-12-30 | 2023-10-27 | 华东理工大学 | 利用集成主成分分析的污水处理过程异常工况检测方法 |
CN111914888A (zh) * | 2020-06-13 | 2020-11-10 | 宁波大学 | 一种多工况识别与故障检测一体化的化工过程监测方法 |
CN113031566A (zh) * | 2021-03-09 | 2021-06-25 | 上海海事大学 | 基于在线选取主元并加权的pca模型故障检测方法 |
CN114167729B (zh) * | 2021-12-08 | 2024-05-28 | 北京工业大学 | 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统 |
CN114528939B (zh) * | 2022-02-21 | 2024-05-17 | 南通大学 | 一种基于Kolmogorov-Smirnov检验的微小故障检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5658423A (en) * | 1995-11-27 | 1997-08-19 | International Business Machines Corporation | Monitoring and controlling plasma processes via optical emission using principal component analysis |
US7421351B2 (en) * | 2006-12-21 | 2008-09-02 | Honeywell International Inc. | Monitoring and fault detection in dynamic systems |
CN103576594B (zh) * | 2013-11-11 | 2015-12-02 | 浙江工业大学 | 一种基于张量全局-局部保持投影的间歇过程在线监控方法 |
EP3085016A1 (en) * | 2013-12-19 | 2016-10-26 | BAE Systems PLC | Data communications performance monitoring |
JP6398383B2 (ja) * | 2014-07-01 | 2018-10-03 | 株式会社Ihi | 異常診断装置 |
CN104777830B (zh) * | 2015-04-01 | 2017-07-11 | 浙江大学 | 一种基于kpca混合模型的多工况过程监控方法 |
CN105242660A (zh) * | 2015-07-15 | 2016-01-13 | 浙江中烟工业有限责任公司 | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 |
CN106127136A (zh) * | 2016-06-21 | 2016-11-16 | 上海电机学院 | 滚动轴承故障诊断方法 |
CN109164794B (zh) * | 2018-11-22 | 2019-11-29 | 中国石油大学(华东) | 基于偏f值selm的多变量工业过程故障分类方法 |
-
2019
- 2019-06-20 CN CN201910535087.5A patent/CN110244692B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110244692A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244692B (zh) | 化工过程微小故障检测方法 | |
CN109407652B (zh) | 基于主辅pca模型的多变量工业过程故障检测方法 | |
CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
Xiaogang et al. | Sparse kernel locality preserving projection and its application in nonlinear process fault detection | |
Zhang et al. | Fault detection in the Tennessee Eastman benchmark process using principal component difference based on k-nearest neighbors | |
Wang et al. | Multiscale neighborhood normalization-based multiple dynamic PCA monitoring method for batch processes with frequent operations | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN110687895B (zh) | 一种基于自适应核主成分分析的化工过程故障检测方法 | |
CN115994337B (zh) | 一种带钢热连轧非平稳过程微小故障检测方法及装置 | |
CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN112000081A (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN111913460B (zh) | 一种基于序列相关局部保持投影算法的故障监测方法 | |
CN103995985A (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
CN113253682B (zh) | 非线性化工过程故障检测方法 | |
CN116661410A (zh) | 基于加权有向图的大规模工业过程故障检测及诊断方法 | |
CN111983994B (zh) | 一种基于复杂工业化工过程的v-pca故障诊断方法 | |
CN113341926A (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 | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis | |
Geng et al. | Fault diagnosis of chemical processes based on a novel adaptive kernel principal component analysis | |
CN114528939B (zh) | 一种基于Kolmogorov-Smirnov检验的微小故障检测方法 |
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 |