CN110245460A - 一种基于多阶段oica的间歇过程故障监测方法 - Google Patents
一种基于多阶段oica的间歇过程故障监测方法 Download PDFInfo
- Publication number
- CN110245460A CN110245460A CN201910582671.6A CN201910582671A CN110245460A CN 110245460 A CN110245460 A CN 110245460A CN 201910582671 A CN201910582671 A CN 201910582671A CN 110245460 A CN110245460 A CN 110245460A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- stage
- sampling
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000010923 batch production Methods 0.000 title abstract description 7
- 238000000855 fermentation Methods 0.000 claims abstract description 13
- 230000004151 fermentation Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 47
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 229930182555 Penicillin Natural products 0.000 claims description 11
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 claims description 11
- 229940049954 penicillin Drugs 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000002835 absorbance Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012880 independent component analysis Methods 0.000 description 27
- 230000000694 effects Effects 0.000 description 12
- 238000004088 simulation Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于多阶段OICA的间歇过程故障监测方法。包括“离线建模”和“在线监测”两个阶段。“离线建模”首先对发酵过程的正常数据进行处理；之后对整个批次生产过程进行阶段划分，然后对每个阶段分别建立OICA监测模型并构造监控统计量，并利用核密度估计方法确定统计量的控制限。“在线监测”包括：对新采集的数据进行阶段归属判别，然后对不同阶段分别建立OICA监控模型，计算其统计量并与控制限进行比较判断发酵过程是否运行正常。本发明所提方法不受约束，可以提取更多包含对故障有用的信息用于过程监测，计算复杂度低，有效地降低了监测的误报率和漏报率，极大地提升监测性能，具有较高的实际应用价值。
Description
技术领域
本发明涉及基于数据驱动的故障诊断技术领域，特别是涉及一种针对间歇过程的故障诊断技术。本发明的针对间歇过程的故障监测方法数据驱动的方法即是——青霉素发酵过程故障监测方面的具体应用。
背景技术
近年来，由于间歇过程可以满足生产高附加值产品的需求，批量生产规模比较灵活，工艺改变较容易，对于产品切换有一定的兼容性，可以进行少量的不同品种的生产，并且可以较快地适应原料或运行条件的变化，从而受到广泛关注。但其机理复杂、操作复杂度高、产品质量易受不确定性因素的影响，因此为了保证生产过程的安全、稳定、高效的运行，有必要建立一种有效的过程监控方案来及时地检测异常现象。
目前，多元统计技术已经广泛应用于间歇过程的过程监控，其中应用较为广泛的是ICA(Independent Component Analysis)、PCA(Principal Component Analysis)及其扩展等方法。而且传统的ICA方法在求解解混矩阵时不稳定，收敛速度慢甚至不能收敛，并且要求采样时间周期必须大于变量个数才有解。随着智能工业制造业的升级改造越来越多的传感器应用在智能制造领域，这势必导致测量数据的变量数超过系统采样周期，特别地，针对生产过程进行阶段划分后，由于过度阶段持续时间较短，不能满足采样周期大于变量个数的条件，导致传统ICA及其扩展算法将对此不在适用。
发明内容
为了解决上述问题，提出一种基于多阶段Over-complete IndependentComponent Analysis的间歇过程故障监测方法。充分考虑间歇过程多阶段特性以及相邻阶段的过程变量之间的相关关系，对生产过程进行阶段软划分，将整个生产过程划分为稳定阶段和过渡阶段；其次对每个阶段分别构建OICA监测模型用于故障监测，从而提高建模的精度，有效减少过程监测中误报警、漏报警的发生，提高故障监测的准确性。
本发明所采用的技术方案和实现步骤包括“离线建模阶段”和“在线监测阶段”，具体步骤如下所示：
A.离线建模阶段：
1)采集发酵过程正常工况下的历史数据，所述的历史数据X由离线测试得到的一批次青霉素发酵生产过程正常操作状态的数据构成，一批次数据包含N个采样时刻，每个采样时刻采集J个过程变量形成数据矩阵其中，对于每个采样时刻xi＝(xi,1,xi,2,…,xi,j)，xi,j表示第i个采样时刻的第j个变量的测量值；
2)对历史数据进行标准化处理，首先计算历史数据X所有过程变量的均值和标准差，其中第j个变量所有时刻的均值第j个变量所有时刻的标准差xi,j表示第i个采样时刻的第j个变量的测量值j＝1,…,J。
3)然后对历史数据X进行标准化：其中第i个采样时刻的第j个变量的标准化公式如下：
其中，i＝1,2,…N,j＝1,2,…J。
4)将步骤2)标准化后的数据重新构造成二维矩阵，如下式所示：
其中，i＝1,2,…N,j＝1,2,…J。
5)计算任意两个样本点i和k之间的相似度s(i,k)＝-‖xi-xk‖2，组成相似度矩阵S，将相似度矩阵输入到AP聚类算法进行聚类,得到9个类和各个类的聚类中心examplari,i＝1,2,…,9，便将整个生产过程分为9个操作阶段；
6)针对9个操作阶段，分别对每个阶段建立Over-ICA监控模型用于故障监测，以其中一个阶段为例：
6.1)首先，预先设定所提取独立成分K的个数，其中，K＝J2/4，J为过程变量个数。
6.2)其次，利用Over-ICA算法计算解混矩阵D，从而求解出独立成分S，公式如下：
6.3)再根据独立成分S得到残差，如下式所示
6.4)分别计算独立成分空间的统计量I2和残差空间的统计量SPE，如下式所示：
I2＝STS
SPE＝ETE
7)利用核密度估计算法求得上述I2和SPE统计量在预设置信限时的估计值，并将其作为模型的控制限；
B在线监测：
8)采集青霉素发酵过程k时刻的J个过程变量的测量值xk，并根据步骤2)中得到的均值和标准差进行标准化，得到其中，当前采样时刻k的第j个过程变量xk,j的标准化公式如下:
其中，j＝1,2,…J；
9)计算与各个聚类中心examplari之间所传递的信息值，即吸收度值及归属度值为了简便起见，examplari简写为ei，表示第i个聚类中心，examplart简写为et，表示第t个聚类中心，则吸收度及归属度的计算公式分别如下所示：
其中，表示采样点与聚类中心i的相似度，表示除了聚类中心i的相似度之外，采样点与其他聚类中心的相似度。
其中表示除以外其余采样点和聚类中心i之间的吸收度值，
10)通过步骤9)，可以计算出标准化后的采样值分别与9个聚类中心ei,i＝1,2,…,9的吸收度和归属度的值，共有9组值。满足条件的聚类中心ei所对应的阶段，即为采样值所在的阶段。
11)根据当前k时刻采样值所归属的阶段，选择该阶段所对应的监控模型,并计算经标准化后k时刻J个过程变量的数据的独立成分，计算公式如下：
其中Di表示步骤6.1)中所求得的数据所在阶段的解混矩阵，然后再根据独立成分Sk得到k时刻数据的残差，如下式所示：
12)计算当前采样时刻k的监控统计量和SPEk，如下式所示：
SPEk＝Ek TEk
13)将上述步骤得到的监控统计量和SPEk与步骤7)得到的该采样时刻所对应阶段的控制限进行比较，如果统计量超过控制限则认为发生故障并报警；反之则认为是正常；
14)判断生产过程是否结束，若生产过程结束，则终止监测；否则采集下一时刻的数据，返回步骤8)，继续对下一个采样时刻进行监测。
有益效果
与现有技术相比，本发明将整个生产批次划分为多个操作阶段，充分考虑阶段之间的相关关系，并针对每个阶段分别进行建立OICA模型，构造监测统计量用于故障检测。由于传统的ICA监测模型在求解解混矩阵时必须满足阶段内采样时刻大于变量个数，使得其在一些生产过程中不能使用，而OICA并不受限制，适用范围更广，OICA模型所提取的独立元个数可以提前设定为大于变量个数，能够提取更多包含对故障有用信息的独立成分，并且在提取时更加稳定，计算复杂度低。本发明方法可以减少过程监测中误报、漏报的发生，提高故障监测的准确性且适用范围更加广泛，具有更高的实用价值。
附图说明
图1为本发明的方法流程图；
图2为阶段划分结果图；
图3(a)为多阶段ICA对1号故障I2的监测结果；
图3(b)为多阶段ICA对1号故障SPE的监测结果
图4(a)为本发明方法对1号故障I2的监测效果；
图4(b)为本发明方法对1号故障SPE的监测效果；
图5(a)为多阶段ICA对2号故障I2的监测效果；
图5(b)为多阶段ICA对2号故障SPE的监测效果；
图6(a)为本发明方法对2号故障I2的监测效果；
图6(b)为本发明方法对2号故障SPE的监测效果；
图7(a)为多阶段ICA对3号故障I2的监测效果；
图7(b)为多阶段ICA对3号故障I2的监测效果；
图8(a)为本发明方法对3号故障I2的监测效果；
图8(b)为本发明方法对3号故障SPE的监测效果；
具体实施方式
青霉素是一种高效、临床应用广泛的重要抗生素，其生产过程是一个典型的多阶段的间歇生产过程。2002年，美国伊利诺斯州立理工学院的过程监测与技术小组的Birol等人提出了基于过程机理的青霉素生产模型，将其开发成仿真平台Pensim2.0，它为青霉素间歇生产过程的监测及故障诊断提供了一个Benchmark平台。在此平台上可以实现青霉素发酵过程的一系列仿真，相关研究已表明该仿真平台的实用性与有效性。
本实验即以PenSim2.0为仿真研究对象，设置采样时间间隔为1h，选取10个过程变量监视过程运行状况，如表1所示。仿真了一批正常数据作为训练数据进行离线建模，3批故障数据作为测试数据，用于验证方法的有效性。设置的3种故障的故障类型、幅度、起始时间和结束时间，如表2所示。
表1采样变量
表2故障数据设置
本发明在上述青霉素发酵生产仿真平台的应用过程具体陈述如下：
A.离线建模阶段：
步骤1：通过Pensim2.0仿真平台采集一批正常工况下的操作数据作为训练数据集。实验设置每批次包含10个过程变量400个采样时刻的测量值。采样得到的数据集表示为X(400×10)，即每行代表每个采样时刻所有过程变量的测量值，每一列代表每个过程变量所有采样时刻的测量值。
通过Pensim2.0仿真平台仿真产生一批故障工况下的操作数据作为测试数据集,实验设置每批次包含10个过程变量400个采样时刻的测量值,。采样得到的数据集表示为Xtest(400×10)，即每行代表每个采样时刻所有过程变量的测量值，每一列代表每个过程变量所有采样时刻的测量值。
步骤2：对X＝(400×10)进行标准化处理。
首先计算第j个变量所有时刻的均值和标准差其中xi,j表示第i个采样时刻第j个过程变量的测量值。
步骤3：然后对X(400×10)标准化，其中第i个采样时刻第j个过程变量的标
准化公式如下
其中，i＝1,2,…400,j＝1,2,…10；
步骤4：标准化后的数据重新构造成二维矩阵，如下式所示：
其中，i＝1,2,…400,j＝1,2,…10；
步骤5：计算X(400×10)中任意两个样本点i和k之间的相似度s(i,k)＝-‖xi-xk‖2，组成相似度矩阵S，将相似度矩阵输入到AP聚类算法进行聚类,得到9个类和各个类的聚类中心examplari,i＝1,2,…,9，便将整个生产过程分为9个操作阶段；
步骤6：针对9个操作阶段，分别对每个阶段建立Over-ICA监控模型用于故障监测，以其中一个阶段为例,N代表该阶段所包含的采样时刻个数，9个阶段的采样个数总和为400，则其中一个阶段的I2和SPE统计量的计算方法如下：
6.1)首先，预先设定所提取独立成分K的个数，取K＝64，然后利用Over-ICA算法计算解混矩阵D(16×64)，从而求解出独立成分S(64×N)，公式如下：
其中每一行代表一个主成分。
6.2)再根据独立成分S得到残差E(16×N)，如下式所示
6.3)分别计算独立成分空间的统计量I2(1×N)和残差空间的统计量SPE(1×N)，如下式所示：
I2＝STS
SPE＝ETE
步骤7：利用Matlab中的核密度估计函数ksdensity计算得到I2和SPE统计量在预设置信限为99％时的估计值，并将其作为模型的控制限；
B.在线监测阶段：
步骤8：根据步骤2计算得到的每个操作变量的均值Mean(j)和标准差Std(j)对测试数据集Xtest(400×10)中当前采样时刻k的操作数据xk(1×10)中的每个测量变量做标准化处理，如下式所示：
其中，k＝1,2,…400,j＝1,2,…10；
步骤9：计算当前采样时刻k的标准化后数据与各个类的聚类中心examplari,i＝1,2,…,9之间所传递的信息值，即吸收度值及归属度值为了简便起见，examplari简写为ei，表示第i个聚类中心，examplart简写为et，表示第t个聚类中心，则吸收度及归属度的计算公式分别如下所示：
其中，表示采样点与聚类中心i的相似度，表示除了聚类中心i的相似度之外，采样点与其他聚类中心的相似度。
其中表示除以外其余采样点和聚类中心i之间的吸收度值，
步骤10：通过步骤9可以计算出标准化后的采样值分别与9个聚类中心ei,i＝1,2,…,9的吸收度和归属度的值，共有9组值。满足条件的聚类中心ei所对应的阶段，即为采样值所在的阶段。
步骤11：根据当前k时刻采样值所归属的阶段，选择该阶段所对应的监控模型,并计算经标准化后k时刻J个过程变量的数据的独立成分，计算公式如下：
其中Di表示步骤6.1)中所求得的数据所在阶段的解混矩阵，然后再根据独立成分Sk得到k时刻数据的残差，如下式所示：
步骤12：计算当前采样时刻k的监控统计量和SPEk，如下式所示：
SPEk＝Ek TEk
步骤13：将上述步骤得到的监控统计量和SPEk与步骤7)得到的该采样时刻所对应阶段的控制限进行比较，只要有一个统计量超过控制限则认为发生故障并报警；两个统计量都不超限则认为是正常；
步骤14：判断生产过程是否结束，若生产过程结束，则终止监测；否则采集下一时刻的数据，返回步骤8)，继续对下一个采样时刻进行监测。
以上所述步骤即为本发明方法在青霉素发酵仿真平台Pensim上的具体应用。Pensim提供的故障种类有通风速率、搅拌功率、底物流加速率三种，每种故障又有斜坡、阶跃两种类型。实验结果如图3至图8所示。每幅图中呈现出9个阶段的与横坐标平行的限即为通过核密度估计方法确定的控制限，上下波动的曲线即为实时监测统计量的值。如果曲线的值大于控制限的值即说明在此时刻发生了故障；否则，则认为发酵过程运行正常。传统的ICA方法与本发明方法进行对比，其中分别比较其I2和SPE统计量的误报警率(FAR)，漏报警率(MAR)和准确率(ACC)，其中：
单方面考虑误报警率(FAR)或漏报警率(MAR)不能全面的反映监测性能的好坏，因此对误报警率(FAR)或漏报警率(MAR)进行综合考虑，当误报警率(FAR)和漏报警率(MAR)同时较低的情况下，即准确率(ACC)指标较低的情况下认为监测性能较好。
在本发明中包含400个采样时刻的生产过程被分为9个阶段，每个阶段包含若干个采样时刻，划分结果如图2所示：1-24,25-36,37-49,50-65,66-86,87-119,120-187,188-209,210-400。由于对每个阶段分别建立模型和求取控制限，因此有9个不同大小的控制限，然而由于图3(a)中1-24和25-36,以及87-119和120-187阶段之间控制限的幅值相差不大，因此在图中变化不太明显。
针对1号故障，故障类型为搅拌功率增加3％的阶跃型故障，从38时刻引入故障，并持续到100时刻结束。图3(a)和图3(b)分别为多阶段ICA的I2和SPE统计量对1号故障的监测结果，可知多阶段ICA方法的I2和SPE均有少量的误报警，误报警率分别为6.2％和3.6％，没有漏报现象发生。而从图4(a)和图4(b)可以发现，本发明的I2和SPE的误报率均为0.3％，明显低于多阶段ICA，因此其监测性能较优于多阶段ICA方法。
针对2号故障，故障类型为通风速率减少3％的阶跃型故障，从150时刻引入故障，持续到250时刻结束。从图5(a)和图5(b)可以看出，多阶段ICA在I2和SPE初期出现大量的误报现象，误报率分别为12.1％和14.1％，没有漏报产生，综合考虑FAR和MAR发现，I2和SPE的ACC分别为9.0％和10.5％，监测效果不尽如人意，而从图6(a)和图6(b)可以看出，本发明方法没有产生任何误报和漏报现象，FAR，MAR和ACC指标均为0，可以看出其监测结果要明显优于多阶段ICA。
针对3号故障，故障类型为搅拌功率增加10W的斜坡型故障，持续时间为150-250时刻。图7(a)和图7(b)为多阶段ICA的监测结果，发现I2和SPE统计量均有较高的误报率，分别为12.1％和14.1％，而由于故障类型为斜坡型故障，故障引入时刻变化微小难以监测，而随着时间的推移，故障幅值逐渐增大被监测到，因此I2和SPE均有少量的漏报现象产生，综合考虑其准确率ACC分别为9.5％和6.5％。而本发明的监测结果如图8(a)和图8(b)所示，没有误报现象发生，而由于斜坡型故障自身因素，不可避免的会出现少量的漏报现象，因此综合考虑ACC指标,发现I2和SPE统计量的ACC均为1.3％，低于多阶段ICA，三种故障的监测数据如表3所示。
可以得出结论：本发明的监测方法要优于传统ICA监测方法。
表3故障监测情况
由于pensim仿真实验中所采用变量个数为10个，并且pensim仿真实验批次周期为400时刻，相对较长，而且阶段划分时具有偶然性的使得每个阶段的时段长度均大于过程变量个数，从而使得ICA能够用于正常建模.然而在实际应用中，由于生产产品的不同，使得生产周期各有不同，其中一些产品的生产周期可能较短。并且由于智能制造产业以及传感器技术的爆炸式发展，大量的传感器应用于生产过程的数据采集，这可能会导致过程变量个数小于时段长度，并且考虑到间歇生产过程的阶段特性，对生产过程进行阶段划分后，过渡阶段持续时间短，因此不可避免的会出现持续时间小于变量个数的情况，针对这种情况，传统的ICA无法建模，而本发明的多阶段OICA方法不受约束，因此具有更广泛的使用性和更高的实际应用价值。
Claims (1)
1.一种基于多阶段OICA的间歇过程故障监测方法，其特征包括“离线建模”和“在线监测”两个阶段，具体步骤如下：
A.离线建模阶段：
1)采集发酵过程正常工况下的历史数据，所述的历史数据X由离线测试得到的一批次青霉素发酵生产过程正常操作状态的数据构成，一批次数据包含N个采样时刻，每个采样时刻采集J个过程变量形成数据矩阵其中，对于每个采样时刻xi＝(xi,1,xi,2,…,xi,j)，xi,j表示第i个采样时刻的第j个变量的测量值；
2)对历史数据进行标准化处理，首先计算历史数据X所有过程变量的均值和标准差，其中第j个变量所有时刻的均值第j个变量所有时刻的标准差xi,j表示第i个采样时刻的第j个变量的测量值j＝1,…,J；
3)然后对历史数据X进行标准化：其中第i个采样时刻的第j个变量的标准化公式如下：
其中，i＝1,2,…N,j＝1,2,…J；
4)将步骤2)标准化后的数据重新构造成二维矩阵，如下式所示：
其中，i＝1,2,…N,j＝1,2,…J；
5)计算任意两个样本点i和k之间的相似度s(i,k)＝-‖xi-xk‖2，组成相似度矩阵S，将相似度矩阵输入到AP聚类算法进行聚类,得到9个类和各个类的聚类中心examplari,i＝1,2,…,9，便将整个生产过程分为9个操作阶段；
6)针对9个操作阶段，分别对每个阶段建立Over-ICA监控模型用于故障监测，其中一个阶段的建立过程如下：
6.1)首先，预先设定所提取独立成分K的个数，然后利用Over-ICA算法计算解混矩阵D，从而求解出独立成分S，公式如下：
6.2)再根据独立成分S得到残差，如下式所示
6.3)分别计算独立成分空间的统计量I2和残差空间的统计量SPE，如下式所示：
I2＝STS
SPE＝ETE
7)利用核密度估计算法求得上述I2和SPE统计量在预设置信限时的估计值，并将其作为模型的控制限；
B在线监测：
8)采集青霉素发酵过程k时刻的J个过程变量的测量值xk，并根据步骤2)中得到的均值和标准差进行标准化，得到其中，当前采样时刻k的第j个过程变量xk,j的标准化公式如下:
其中，j＝1,2,…J；
9)计算与各个聚类中心examplari之间所传递的信息值，即吸收度值及归属度值为了简便起见，examplari简写为ei，表示第i个聚类中心，examplart简写为et，表示第t个聚类中心，则吸收度及归属度的计算公式分别如下所示：
其中，表示采样点与聚类中心i的相似度，表示除了聚类中心i的相似度之外，采样点与其他聚类中心的相似度，
其中，表示除以外其余采样点和聚类中心i之间的吸收度值，
10)通过步骤9)，可以计算出标准化后的采样值分别与9个聚类中心ei,i＝1,2,…,9的吸收度和归属度的值，共有9组值，满足条件的聚类中心ei所对应的阶段，即为采样值所在的阶段；
11)根据当前k时刻采样值所归属的阶段，选择该阶段所对应的监控模型,并计算经标准化后k时刻J个过程变量的数据的独立成分，计算公式如下：
其中Di表示步骤6.1)中所求得的数据所在阶段的解混矩阵，然后再根据独立成分Sk得到k时刻数据的残差，如下式所示：
12)计算当前采样时刻k的监控统计量和SPEk，如下式所示：
SPEk＝Ek TEk
13)将上述步骤得到的监控统计量和SPEk与7)得到的该采样时刻所对应阶段的控制限进行比较，如果统计量超过控制限则认为发生故障并报警；反之则认为是正常；
14)判断生产过程是否结束，若生产过程结束，则终止监测；否则采集下一时刻的数据，返回8)，继续对下一个采样时刻进行监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910582671.6A CN110245460B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多阶段oica的间歇过程故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910582671.6A CN110245460B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多阶段oica的间歇过程故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110245460A true CN110245460A (zh) | 2019-09-17 |
| CN110245460B CN110245460B (zh) | 2023-04-25 |
Family
ID=67890509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910582671.6A Active CN110245460B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多阶段oica的间歇过程故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110245460B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123890A (zh) * | 2019-12-24 | 2020-05-08 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
| CN111160811A (zh) * | 2020-01-17 | 2020-05-15 | 北京工业大学 | 一种基于多阶段fom-sae的批次过程故障监测方法 |
| CN112214006A (zh) * | 2020-10-13 | 2021-01-12 | 山东建筑大学 | 考虑两维动态特性的间歇过程故障检测方法及系统 |
| CN114089717A (zh) * | 2021-10-18 | 2022-02-25 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
| CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 北京工业大学 | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011043108A1 (ja) * | 2009-10-09 | 2011-04-14 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN106709214A (zh) * | 2017-02-20 | 2017-05-24 | 北京工业大学 | 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
-
2019
- 2019-06-28 CN CN201910582671.6A patent/CN110245460B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011043108A1 (ja) * | 2009-10-09 | 2011-04-14 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
| CN103970092A (zh) * | 2014-04-13 | 2014-08-06 | 北京工业大学 | 一种基于自适应fcm的多阶段发酵过程故障监测方法 |
| CN106709214A (zh) * | 2017-02-20 | 2017-05-24 | 北京工业大学 | 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法 |
| CN107272655A (zh) * | 2017-07-21 | 2017-10-20 | 江南大学 | 基于多阶段ica‑svdd的间歇过程故障监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 常鹏 等: "Fault diagnosis of sequential batch reaction process with nonlinear and non-Gaussian coexistence" * |
| 蔡振宇;张敏;袁毅;: "基于MKECA间歇过程多阶段故障监测方法研究" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123890A (zh) * | 2019-12-24 | 2020-05-08 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
| CN111123890B (zh) * | 2019-12-24 | 2022-07-12 | 泉州装备制造研究所 | 一种特种设备故障监测系统 |
| CN111160811A (zh) * | 2020-01-17 | 2020-05-15 | 北京工业大学 | 一种基于多阶段fom-sae的批次过程故障监测方法 |
| CN111160811B (zh) * | 2020-01-17 | 2023-10-03 | 北京工业大学 | 一种基于多阶段fom-sae的批次过程故障监测方法 |
| CN112214006A (zh) * | 2020-10-13 | 2021-01-12 | 山东建筑大学 | 考虑两维动态特性的间歇过程故障检测方法及系统 |
| CN114089717A (zh) * | 2021-10-18 | 2022-02-25 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
| CN114089717B (zh) * | 2021-10-18 | 2023-08-15 | 兰州理工大学 | 一种基于多向加权弹性网络的间歇过程质量相关故障检测方法 |
| CN114280935A (zh) * | 2021-12-16 | 2022-04-05 | 北京工业大学 | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110245460B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
| CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
| CN103970092B (zh) | 一种基于自适应fcm的多阶段发酵过程故障监测方法 | |
| CN110929765B (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
| CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| CN105259895B (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
| CN107895224B (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
| CN102736546A (zh) | 一种流程工业复杂机电系统的状态监测装置及方法 | |
| CN104062968A (zh) | 一种连续化工过程故障检测方法 | |
| CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
| CN109799808A (zh) | 一种基于重构技术的动态过程故障预测方法 | |
| CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
| CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
| CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
| CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
| CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
| CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
| CN112434739A (zh) | 一种基于多核学习的支持向量机的化工过程故障诊断方法 | |
| CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
| CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
| CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 |
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 |