CN110880024B - 基于判别核慢特征分析的非线性过程故障辨识方法及系统 - Google Patents
基于判别核慢特征分析的非线性过程故障辨识方法及系统 Download PDFInfo
- Publication number
- CN110880024B CN110880024B CN201911234905.4A CN201911234905A CN110880024B CN 110880024 B CN110880024 B CN 110880024B CN 201911234905 A CN201911234905 A CN 201911234905A CN 110880024 B CN110880024 B CN 110880024B
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- identified
- working condition
- normal working
- 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
- 238000000034 method Methods 0.000 title claims abstract description 194
- 238000004458 analytical method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 26
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 17
- 238000000513 principal component analysis Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000002826 coolant Substances 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000008278 dynamic mechanism Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种基于判别核慢特征分析的非线性过程故障辨识方法及系统。其中,基于判别核慢特征分析的非线性过程故障辨识方法,包括根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向;比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。其能够利用非线性过程数据的类别标签信息,提高非线性过程的故障辨识性能。
Description
技术领域
本发明属于多变量非线性工业过程故障识别领域,尤其涉及一种基于判别核慢特征分析的非线性过程故障辨识方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
现代工业系统日益趋于大型化、集成化、复杂化,工业过程的故障诊断已经成为保证现代工业系统安全、可靠、无故障稳定运行的关键技术。随着计算机控制系统的广泛应用,在工业过程中能够实时采集和存储丰富的过程运行数据,基于数据驱动的故障诊断技术逐渐成为工业过程监控领域的研究热点。研究人员提出了一系列基于数据驱动的故障诊断方法,比如主元分析(PCA)、偏最小二乘(PLS)和慢特征分析(SFA)等。
然而,发明人在研究过程中发现,现有故障诊断方法的研究大多数集中在故障检测问题上(即如何快速有效的发现过程在运行时出现故障),检测到故障发生后,针对故障源的诊断问题(即识别故障的类型和发生的原因)的研究相对较少。因此检测到故障后,如何继续辨识工业过程的故障类型,特别是辨识非线性工业过程的故障类型是故障诊断领域中一种更具有挑战性的研究问题。
贡献图法是一种广泛使用的故障变量辨识方法,该方法简单易行且不需要与故障有关的先验知识。但是,由于过程变量间的相关性和相互耦合,故障的影响会从真实的故障变量传播到正常过程变量,导致贡献图无法正确识别故障发生的根源。此外,贡献图法也不适用于基于非线性的过程监控方法,因为在非线性方法中过程变量从原始空间被非线性变换到高维特征空间,导致过程变量丢失了对监控模型的贡献度和相关性信息。当工业过程数据库中存在一些已知的故障模式数据时,利用从故障模式数据和正常工况数据中提取的判别特征信息,基于判别分析的方法能够更加准确和高效的识别故障类型。Bohmer等首先提出基于核技巧的非线性SFA方法。近年来,核SFA(KSFA)作为一种有效的非线性工业过程故障检测技术,引起了国内外研究人员的广泛关注。为了解决过程数据具有的非线性特征问题,KSFA首先将原始过程数据通过核函数非线性变换到高维特征空间,然后在特征空间中实施SFA技术,提取非线性过程数据的低维特征信息。虽然基于KSFA的方法取得了一定的应用成果,但是发明人发现,KSFA方法缺点在于:(1)KSFA是一种无监督的算法,无法利用过程数据的类别标签信息,降低了故障诊断的性能。(2)KSFA一直被用于检测非线性过程的故障,仅仅只是用来检测故障,但是还无法判断故障的类型。
发明内容
为了解决上述问题,本发明提供一种基于判别核慢特征分析的非线性过程故障辨识方法及系统,其能够利用非线性过程数据的类别标签信息,提高非线性过程的故障辨识性能。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一方面提供一种基于判别核慢特征分析的非线性过程故障辨识方法,其包括:
根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向;
比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
本发明的第二个方面提供一种基于判别核慢特征分析的非线性过程故障辨识系统,其包括:
故障方向提取模块,其用于根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向;
故障类型判断模块,其用于比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
本发明的第四个方面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,所述处理器执行所述程序时实现如上述所述的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
本发明的有益效果是:
(1)本发明克服了传统的贡献图法容易产生“smearing”(拖尾)效应的问题以及其不适用于非线性过程监控方法的局限性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向,通过计算故障方向之间的相似性识别待辨识数据的故障类型,为基于判别核慢特征分析方法辨识非线性工业过程的故障类型提供了一种新思路,达到了利用过程数据的类别标签信息,提高非线性过程故障辨识性能的目的。
(2)本发明根据最大化正常工况数据和待辨识故障数据间的类间可分离性同时最小化正常工况数据内的时间变化原则将判别分析技术融入到核慢特征分析方法中,提出判别核慢特征分析方法以利用非线性过程数据的类别标签信息。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例提供的一种基于判别核慢特征分析的非线性过程故障辨识方法的具体实施过程图;
图2是本发明实施例提供的一种基于判别核慢特征分析的非线性过程故障辨识方法原理图;
图3是公开实施例提供的CSTR系统的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
在本发明中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
根据背景技术可知,现有基于慢特征分析的非线性过程故障诊断方法仅仅只能进行非线性过程的故障检测,即判断测试数据是否属于正常工况数据,如果判断出测试数据与正常工况数据之间存在较大的差异性,则认为检测到非线性过程发生故障,完成故障检测任务,并不能确定待辨识故障数据的类型。
本发明在检测到过程发生故障的基础上,进一步开展故障辨识工作,即识别待辨识故障数据的具体故障类型。具体步骤为:首选收集检测到发生故障的数据组成待辨识故障数据集,然后将DKSFA(判别核慢特征分析)算法应用于正常工况数据集和待辨识故障数据集,提取待辨识故障数据的故障方向。此外,还需要将DKSFA(判别核慢特征分析)算法应用于正常工况数据集和每一类历史故障数据集,提取历史故障数据的故障方向。最后计算待辨识故障数据集的故障方向与每一类历史故障数据集的故障方向之间的相似性,识别待辨识数据的故障类型,实现故障辨识。
实施例1
如图1和图2所示,本实施例提供一种基于判别核慢特征分析的非线性过程故障辨识方法,其包括:
步骤S101:根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向。
在具体实施中,提取待辨识故障数据集和历史故障模式数据集的故障方向之前还包括:
接收正常工况数据集和历史故障模式数据集,标准化正常工况数据集,根据正常工况数据集将历史故障模式数据集进行标准化处理,得到归一化的故障模式数据集;
调取历史数据库中的正常工况数据集Xo和C类已知的故障模式数据集{Fo1,Fo2,…,FoC},计算正常工况数据集的均值mean(Xo)和标准差std(Xo)并分别对正常工况数据集和历史故障模式数据集进行标准化处理,得到归一化的正常工况数据集X和历史故障模式数据集{F1,F2,…,FC}。
其中,根据正常工况数据集将历史故障模式数据集进行标准化处理的过程为:
计算正常工况数据集的均值和标准差;
利用正常工况数据集的均值和标准差对历史故障模式数据集进行标准化处理。
在具体实施中,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向的过程为:
利用判别核慢特征分析算法构建出判别核慢特征分析的目标函数,求解判别核慢特征分析目标函数的最小化,并将最小化问题转化为广义特征值的分解问题,分别应用于待辨识故障数据集和历史故障模式数据集,进而求解出广义特征向量后,选取与最小广义特征值相对应的广义特征向量作为待辨识故障数据集的故障方向和历史故障模式数据集的故障方向。
具体地,构建判别核慢特征分析目标函数的过程为:
(a)接收正常工况数据集并基于连续采样时刻计算其时间变化;
正常工况数据集X中基于连续的采样时刻计算其时间变化的过程为:
(b)当检测到工业过程发生故障后,接收实时故障数据组成的待辨识数据集,根据正常工况数据集将待辨识数据集标准化处理,得到归一化的待辨识数据集;
具体地,检测到过程发生故障后,收集实时故障数据组成待辨识数据集S,利用正常工况数据的均值mean(Xo)和标准差std(Xo)对其进行归一化处理。
(c)利用k-近邻准则构造正常工况数据和归一化待辨识故障数据之间的类间伪时间序列,计算类间伪时间变化;
(d)在高维特征空间中,根据最小化正常工况数据集的时间变化信息同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,构造出判别慢特征分析算法的优化目标;
在高维特征空间中,根据核慢特征分析算法的目标函数JKSFA最小化正常工况数据集中的时间变化;最大化类间伪时间变化以使正常工况数据集和待辨识故障数据集之间的可分离性目标函数JSepara最大化;
(e)定义核函数以避免计算非线性映射向量的内积,将核函数代入到判别慢特征分析算法的优化目标中,得到判别核慢特征分析目标函数。
选用高斯核函数exp(-||x-y||2/σ)以避免计算非线性映射向量的内积,将计算得到的核向量ki、ki+1、γ2i和γ2i-1代入到判别慢特征分析算法的目标函数中,推导出判别核慢特征分析的目标函数JDKSFA。
步骤S102:比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
计算待辨识故障数据的故障方向αS与每一类历史故障模式数据集的故障方向之间的相似系数SDKSFA,衡量待辨识故障数据集S与每一类历史故障模式数据集Fi,i=1,2,…,C之间的相似性,识别待辨识故障数据的类型。
在具体实施中,利用故障识别性能评价指标,评价故障类型的识别效果,其过程为:
计算识别误差指标(Recognition Error Index,REI)通过同时考虑相同故障模式间的相似性和不同故障模式间的非相似性来衡量整体的故障识别误差;
计算识别对比度(Recognition Contrast Degree,RCD)通过比较最大的相似系数和第二大的相似系数来衡量所采用的方法识别故障数据类型的清晰程度。
以连续搅拌反应釜(CSTR)系统为例,在CSTR系统中,物料A进入反应器,发生一阶不可逆化学方应,生成物料B,放出热量,通过外面的夹套冷却剂对反应器降温,为保证过程正常运行,采用串级控制系统控制反应器的液位和温度,其结构图如图3所示。
根据过程机理,建立CSTR系统的动态机理模型如下:
式中,A是反应器截面积,cA是反应器内物料A的浓度,cAF是物料A在进料中的浓度,Cp是反应物比热,CpC是冷却剂比热,E是活化能,h是反应器液位,k0是反应因子,QF进料流量,QC是冷却剂流量,R是气体常数,T是反应器内温度,TC是冷却剂出口温度,TCF是冷却剂入口温度,TF是反应器进料温度,U是换热系数,AC是总的换热面积,ESPE是反应热,ρ是反应物密度,是冷却剂密度。
根据动态机理模型,对CSTR系统进行仿真。在仿真过程中,采集反应器进料流量、反应器进料温度、进料中物料A浓度、反应器内温度、反应器液位、反应器出料流量、反应器出料中物料A浓度、冷却剂入口温度、冷却剂出口温度和冷却剂流量10个测量变量。
在CSTR的仿真过程中加入服从高斯分布的测量噪声,采集900个正常工况下的样本数据作为训练集数据。模拟了7类故障的发生,在每一类故障中分别采集300个样本点,建立历史故障模式数据集(F1H、F2H、F3H、F4H、F5H、F6H、F7H),故障类型如表1。检测到过程发生故障后,从故障检测时刻开始,对这7类故障分别采集700个样本点组成待辨识故障数据集(F1S、F2S、F3S、F4S、F5S、F6S、F7S)。待辨识故障数据集中所添加的故障幅值是历史故障模式数据集中同种故障类型幅值的90%。
表1CSTR系统的故障模式
通过公式(5)对各历史故障模式数据根据正常工况数据进行标准化处理,公式(5)的表达式如下:
Fj=(Foj-mean(Xo))/std(Xo),(j=1,2,…,C) (5)
经上述公式(5)标准化处理后即可获得归一化的故障模式数据集{F1,F2,…,FC}。
检测到故障发生后,从故障检测时刻开始采集故障数据构建待辨识故障数据集So,并跟据正常工况数据对其进行标准化处理:
S=(So-mean(Xo))/std(Xo) (7)
经上述公式(7)标准化处理后即可获得归一化的待辨识故障数据集S。
构造正常工况数据和待辨识故障数据之间的类间伪时间序列的方法为:对于正常工况数据集X中的第i个数据点x(i),根据k-近邻准则从待辨识故障数据集S中选取p个近邻点构造数据点x(i)和待辨识故障数据集S的类间伪时间序列tb(i)。
其中,n表示正常工况数据集中的样本数目。
依次类推,正常工况数据矩阵X和待辨识故障数据矩阵S之间的类间伪时间序列构造为公式(9)所示的形式:
考虑到数据的非线性特点,采用非线性映射函数φ(·)分别将正常工况数据矩阵X和类间伪时间序列矩阵Tb映射到高维特征空间。将矩阵X和Tb在高维特征空间中的形式表示为Xφ=φ(X)和Tbφ=φ(Tb)。
在高维特征空间中,根据KSFA的目标函数最小化正常工况数据矩阵Xφ中的时间变化:
其中,wj表示高维空间中的投影向量,xφ(i)=φ(x(i))表示高维空间中正常工况数据的样本点。
当类间伪时间序列矩阵Tb被非线性变换到高维特征空间中后,最大化正常工况数据和待辨识故障数据之间的类间可分离性等价于最大化矩阵Tbφ中的时间变化,因此定义类间可分离性的目标函数JSepara为:
其中,μφ(2i)=φ(μ(2i))和μφ(2i-1)=φ(μ(2i-1))分别表示高维空间中的样本点μ(2j-1)和μ(2j)。
为了尽可能多的保持类判别信息,所提出DKSFA算法的优化目标是在特征空间中最小化正常工况数据Xφ中的时间变化信息同时最大化正常工况数据Xφ和待辨识故障数据之间的类间可分离性:
判别向量wj存在于φ(x(i)),i=1,2,…,n张成的空间中,故存在常数αji(i=1,2,…,n)使判别向量wj可表示成高维特征空间中正常工况数据点的线性组合:
定义核函数ker(x,y)=φ(x)Tφ(x)以避免计算两个非线性映射向量的内积。在本发明中,选择使用高斯核函数作为核函数:
ker(x,y)=exp(-||x-y||2/σ) (16)
其中,σ表示核宽度参数。
基于高斯核函数计算核向量ki=Xφxφ(i)和ki+1=Xφxφ(i+1),其中核向量ki和ki+1中的第j个元素分别定义为ki,j=ker(x(i),x(j))和ki+1,j=ker(x(i+1),x(j)),j=1,2,…,n。同样地,计算核向量γ2i=Xφμφ(2i)和γ2i-1=Xφμφ(2i-1),其中核向量γ2i和γ2i-1中的第j个元素分别定义为γ2i,j=ker(μ(2i),x(j))和γ2i-1,j=ker(μ(2i-1),x(j)),j=1,2,…,n。
将DKSFA目标函数JDKSFA的最小化问题转化为公式(18)中的广义特征值分解问题。
通过求解式(18)我们能够获得一系列与广义特征值相对应的广义特征向量α1,α2,…,αn。选取与最小广义特征值相对应的广义特征向量α1作为待辨识故障数据的故障方向αS。故障方向αS能够表征待辨识故障数据和正常工况数据之间的差异。
计算待辨识故障数据的故障方向αS与每一类历史故障模式数据集的故障方向之间的相似性系数SDKSFA,以衡量待辨识故障数据集S与每一类历史故障模式数据集Fi,i=1,2,…,C之间的相似性。相似性系数SDKSFA的计算公式如下:
如果待辨识故障数据集的故障类型与历史故障模式数据集Fi的故障类型一致,则相似性系数SDKSFA(i)接近于1,反之,相似性系数SDKSFA(i)趋近于0。
为了评价故障类型的识别效果,使用两个性能评价指标:识别误差指标(Recognition Error Index,REI)和识别对比度(Recognition Contrast Degree,RCD)。REI通过同时考虑相同故障模式间的相似性和不同故障模式间的非相似性来衡量整体的故障识别误差。REI指标的定义如下:
其中,ρ表示惩罚参数,对于错误的故障模式识别取ρ=1,对于正确的故障模式识别取ρ=0。当i=ireal时,rei=SDKSFA(i)-1;当i≠ireal时,rei=SDKSFA(i)-0。ireal表示真实故障模式的索引,C表示历史故障库中所有故障模式的数目。因此,REI的值越小,所采用方法的故障识别结果越好。
RCD指标通过比较最大的相似系数和第二大的相似系数来衡量所采用的方法识别故障数据类型的清晰程度,RCD的定义如下:
其中,SDKSFA(imax)表示最大的相似系数,SDKSFA(isubmax)表示第二大的相似系数。对于正确的故障模式识别取r=1,对于错误的故障模式识别取r=-1。因此,RCD的值越大,表明所采用方法对待辨识故障的类型确定的越清晰和正确。
在本仿真实例中,采用基于改进PCA相似系数的故障辨识方法、基于线性DSFA相似系数的故障辨识方法与本发明基于DKSFA相似系数的故障辨识方法对CSTR系统进行故障模式识别,并对比这三种方法的故障辨识效果。
对于DKSFA相似系数法,根据主元方差的贡献率在95%以上的原则选取主元模型的阶数,选取核参数σ=90,此外近邻点个数k取为6。对于线性DSFA相似系数法,判别矩阵中保留特征向量的个数与DKSFA方法中判别矩阵中保留的特征向量个数一致,近邻点个数k同样取为6。对于改进的PCA相似系数法,依据主元方差的贡献率在95%以上的原则选取主元模型的阶数。
综合对比上述三种方法,以待辨识故障数据集F3S和F6S为例说明故障识别效果。检测到故障F3发生后,采集故障数据构建待辨识故障数据集F3S。分别应用改进的PCA相似系数法、线性DSFA相似系数法和DKSFA相似系数法计算数据集F3S与历史故障数据集F1H~F7H的相似系数SDSFA和SDKSFA,如表2所示。如果计算的某一相似系数值小于0.0001,则我们认为该相似系数趋近于0。可以看出,数据集F3S与历史故障集F3H的SDSFA和SDKSFA相似系数值均最大,因此认为待辨识数据集F3S的故障模式与故障F3的故障模式一致。虽然三种故障识别算法都能正确识别出待辨识数据集F3S的故障类型,但是这三种故障识别算法的差异存在于数据集F3S与历史故障数据集F1H~F2H、F4H~F7H之间的相似系数值。例如,数据集F3S和F4H之间的相似系数SDSFA和SDKSFA分别是0.9423,0.5347和0.0001。尽管数据集F3S和F4H之间的SDSFA值小于值,但是相似系数SDSFA和的数值还是非常大的。相反,数据集F3S和F4H之间的SDKSFA值为0.0001,故障区分效果非常明显。总之,从表2中可以看出,相比于改进的PCA相似系数法和线性DSFA相似系数法,DKSFA相似系数法能够获得更加清晰的故障识别效果。
表2待辨识数据集F3S的改进的PCA、线性DSFA和DKSFA的相似系数
表3给出了三种方法对待辨识数据集F3S的故障识别性能评价指标REI和RCD。通过对比可以看出,DKSFA相似系数法具有最小的REI值和最大的RCD值。REI值越小,表明故障类型识别误差越小;RCD值越大,表明故障类型识别对比度越清晰。因此,DKSFA相似系数法在识别F3S的故障类型上明显优于改进的PCA相似系数法和线性DSFA相似系数法。
表3三种方法对待辨识数据集F3S的REI和RCD指标
检测到故障F6发生后,采集故障数据构建待辨识故障数据集F6S。计算数据集F6S与历史故障数据集F1H~F7H的三种相似系数SDSFA和SDKSFA,结果如表4所示。对于改进的PCA相似系数法,数据集F6S与历史故障数据集F6H的相似系数值最大,因此我们认为待辨识数据集F6S的故障类型与故障数据集F6H的故障类型一致。但是数据集F6S与历史故障数据集F3H~F5H的相似系数值均大于0.63,这增加了故障识别的难度。相比于改进的PCA相似系数法,线性DSFA相似系数法获得了更好的故障识别效果。线性DSFA相似系数法不仅能够正确识别待辨识数据集F6S的故障类型,而且数据集F6S与历史故障数据集F1H~F5H和F7H之间的相似系数值均小于0.57。相比于前两种方法,DKSFA相似系数法给出了最好的故障识别结果。数据集F6S和历史故障数据集F6H之间的相似系数SDKSFA值是0.9916,而数据集F6S与其他历史故障数据集的相似系数SDKSFA值均小于0.06,这就保证了故障识别结果的准确性和清晰性。
表4待辨识数据集F6S的改进的PCA、线性DSFA和DKSFA的相似系数
表5给出了三种方法对故障F6的故障识别性能评价指标REI和RCD。我们能够发现线性DSFA相似系数法比改进的PCA相似系数法具有更小的REI值和更大的RCD值,这表明线性DSFA相似系数法的故障识别性能好于改进的PCA相似系数法。更近一步的,DKSFA相似系数法给出了最好的故障识别性能,因为它的REI值是最小的,具体为0.0230,并且它的RCD值是最大的,具体为0.9396。
表5三种方法对待辨识数据集F6S的REI和RCD指标
检测到故障F1~F7发生后,采集故障数据构成待辨识的故障数据集F1S~F7S,计算数据集F1S~F7S和历史故障数据集F1H~F7H之间的相似系数SDSFA和SDKSFA。结果表明改进的PCA相似系数法、线性DSFA相似系数法和DKSFA相似系数法都能正确的识别待辨识数据集F1S~F7S的故障模式。
为了对这三种故障识别方法进行进一步的比较,我们计算各算法对7种故障的识别效果评价指标REI和RCD,如表6和表7所示。可以看出,DKSFA相似系数法对7种待辨识故障数据都获得了最小的REI值和最大的RCD值,这意味着DKSFA相似系数法取得了最好的故障识别效果。综合以上分析,本发明的基于DKSFA相似系数法的故障辨识效果明显优于基于改进PCA相似系数法和基于线性DSFA相似系数法的故障辨识效果。
表6三种故障识别方法的REI指标比较
表7三种故障识别方法的RCD指标比较
本实施例克服了传统的贡献图法容易产生“smearing”效应的问题以及其不适用于非线性过程监控方法的局限性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向,通过计算故障方向之间的相似性识别待辨识数据的故障类型,为基于判别核慢特征分析方法辨识非线性工业过程的故障类型提供了一种新思路,达到了利用过程数据的类别标签信息,提高非线性过程故障辨识性能的目的。
本实施例根据最大化正常工况数据和待辨识故障数据间的类间可分离性同时最小化正常工况数据内的时间变化原则将判别分析技术融入到核慢特征分析方法中,提出判别核慢特征分析方法以利用非线性过程数据的类别标签信息。
实施例2
本实施例提供一种基于判别核慢特征分析的非线性过程故障辨识系统,其包括:
(1)故障方向提取模块,其用于根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向。
具体地,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向的过程为:
利用判别核慢特征分析算法构建出判别核慢特征分析目标函数,求解判别核慢特征分析目标函数的最小化,并将最小化问题转化为广义特征值的分解问题,分别应用于待辨识故障数据集和历史故障模式数据集,进而求解出广义特征向量后,选取与最小广义特征值相对应的广义特征向量作为待辨识故障数据集的故障方向和历史故障模式数据集的故障方向。
其中,在所述故障方向提取模块中,构建判别核慢特征分析目标函数的过程为:
接收正常工况数据集并基于连续采样时刻计算其时间变化;
当检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常工况数据集将待辨识数据集标准化处理,得到归一化的待辨识数据集;
利用k-近邻准则构造正常工况数据和归一化待辨识故障数据之间的类间伪时间序列,计算类间伪时间变化;
在高维特征空间中,根据最小化正常工况数据集的时间变化信息同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,构造出判别慢特征分析算法的优化目标;
定义核函数以避免计算非线性映射向量的内积,将核函数代入到判别慢特征分析算法的优化目标中,得到判别核慢特征分析目标函数。
(2)故障类型判断模块,其用于比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
在所述故障方向提取模块中,根据正常工况数据集将待辨识数据集标准化处理的过程为:
计算正常工况数据集的均值和标准差;
利用正常工况数据集的均值和标准差对待辨识数据集进行标准化处理;
在所述故障方向提取模块中,基于连续采样时刻计算正常工况数据集的时间变化的过程为:
对于正常工况数据集中的每个样本点,其时间变化计算为连续样本点之间的差分。
本实施例克服了传统的贡献图法容易产生“smearing”效应的问题以及其不适用于非线性过程监控方法的局限性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向,通过计算故障方向之间的相似性识别待辨识数据的故障类型,为基于判别核慢特征分析方法辨识非线性工业过程的故障类型提供了一种新思路,达到了利用过程数据的类别标签信息,提高非线性过程故障辨识性能的目的。
本实施例根据最大化正常工况数据和待辨识故障数据间的类间可分离性同时最小化正常工况数据内的时间变化原则将判别分析技术融入到核慢特征分析方法中,提出判别核慢特征分析方法以利用非线性过程数据的类别标签信息。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现图1和图2所示的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
本实施例克服了传统的贡献图法容易产生“smearing”效应的问题以及其不适用于非线性过程监控方法的局限性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向,通过计算故障方向之间的相似性识别待辨识数据的故障类型,为基于判别核慢特征分析方法辨识非线性工业过程的故障类型提供了一种新思路,达到了利用过程数据的类别标签信息,提高非线性过程故障辨识性能的目的。
本实施例根据最大化正常工况数据和待辨识故障数据间的类间可分离性同时最小化正常工况数据内的时间变化原则将判别分析技术融入到核慢特征分析方法中,提出判别核慢特征分析方法以利用非线性过程数据的类别标签信息。
实施例4
本实施例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,所述处理器执行所述程序时实现图1和图2所示的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
本实施例克服了传统的贡献图法容易产生“smearing”效应的问题以及其不适用于非线性过程监控方法的局限性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向,通过计算故障方向之间的相似性识别待辨识数据的故障类型,为基于判别核慢特征分析方法辨识非线性工业过程的故障类型提供了一种新思路,达到了利用过程数据的类别标签信息,提高非线性过程故障辨识性能的目的。
本实施例根据最大化正常工况数据和待辨识故障数据间的类间可分离性同时最小化正常工况数据内的时间变化原则将判别分析技术融入到核慢特征分析方法中,提出判别核慢特征分析方法以利用非线性过程数据的类别标签信息。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于判别核慢特征分析的非线性过程故障辨识方法,其特征在于,包括:
根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向;具体过程为:
利用判别核慢特征分析算法构建出判别核慢特征分析目标函数,求解判别核慢特征分析目标函数的最小化,并将最小化问题转化为广义特征值的分解问题,分别应用于待辨识故障数据集和历史故障模式数据集,进而求解出广义特征向量后,选取与最小广义特征值相对应的广义特征向量作为待辨识故障数据集的故障方向和历史故障模式数据集的故障方向;
构建判别核慢特征分析目标函数的过程为:
接收正常工况数据集并基于连续采样时刻计算其时间变化;
当检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常工况数据集将待辨识数据集标准化处理,得到归一化的待辨识数据集;
利用k-近邻准则构造正常工况数据和归一化待辨识故障数据之间的类间伪时间序列,计算类间伪时间变化;
在高维特征空间中,根据最小化正常工况数据集的时间变化信息同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,构造出判别慢特征分析算法的优化目标;
定义核函数以避免计算非线性映射向量的内积,将核函数代入到判别慢特征分析算法的优化目标中,得到判别核慢特征分析目标函数;
比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
2.如权利要求1所述的基于判别核慢特征分析的非线性过程故障辨识方法,其特征在于,根据正常工况数据集将待辨识数据集标准化处理的过程为:
计算正常工况数据集的均值和标准差;
利用正常工况数据集的均值和标准差对待辨识数据集进行标准化处理。
3.如权利要求1所述的基于判别核慢特征分析的非线性过程故障辨识方法,其特征在于,基于连续采样时刻计算正常工况数据集的时间变化的过程为:
对于正常工况数据集中的每个样本点,其时间变化计算为连续样本点之间的差分。
4.一种基于判别核慢特征分析的非线性过程故障辨识系统,其特征在于,包括:
故障方向提取模块,其用于根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向;
具体过程为:
利用判别核慢特征分析算法构建出判别核慢特征分析目标函数,求解判别核慢特征分析目标函数的最小化,并将最小化问题转化为广义特征值的分解问题,分别应用于待辨识故障数据集和历史故障模式数据集,进而求解出广义特征向量后,选取与最小广义特征值相对应的广义特征向量作为待辨识故障数据集的故障方向和历史故障模式数据集的故障方向;
构建判别核慢特征分析目标函数的过程为:
接收正常工况数据集并基于连续采样时刻计算其时间变化;
当检测到工业过程发送故障后,接收实时故障数据组成的待辨识数据集,根据正常工况数据集将待辨识数据集标准化处理,得到归一化的待辨识数据集;
利用k-近邻准则构造正常工况数据和归一化待辨识故障数据之间的类间伪时间序列,计算类间伪时间变化;
在高维特征空间中,根据最小化正常工况数据集的时间变化信息同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性,构造出判别慢特征分析算法的优化目标;
定义核函数以避免计算非线性映射向量的内积,将核函数代入到判别慢特征分析算法的优化目标中,得到判别核慢特征分析目标函数;
故障类型判断模块,其用于比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性,根据相似性系数确定出待辨识故障数据的故障类型。
5.如权利要求4所述的基于判别核慢特征分析的非线性过程故障辨识系统,其特征在于,在所述故障方向提取模块中,根据正常工况数据集将待辨识数据集标准化处理的过程为:
计算正常工况数据集的均值和标准差;
利用正常工况数据集的均值和标准差对待辨识数据集进行标准化处理。
6.如权利要求4所述的基于判别核慢特征分析的非线性过程故障辨识系统,其特征在于,在所述故障方向提取模块中,基于连续采样时刻计算正常工况数据集的时间变化的过程为:
对于正常工况数据集中的每个样本点,其时间变化计算为连续样本点之间的差分。
7.一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1-3任一所述的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
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1-3任一所述的基于判别核慢特征分析的非线性过程故障辨识方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234905.4A CN110880024B (zh) | 2019-12-05 | 2019-12-05 | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234905.4A CN110880024B (zh) | 2019-12-05 | 2019-12-05 | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880024A CN110880024A (zh) | 2020-03-13 |
CN110880024B true CN110880024B (zh) | 2022-08-09 |
Family
ID=69730473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234905.4A Active CN110880024B (zh) | 2019-12-05 | 2019-12-05 | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880024B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112216352A (zh) * | 2020-10-13 | 2021-01-12 | 山东建筑大学 | 基于tdksfa非线性贡献图的间歇过程故障辨识方法及系统 |
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 |
CN112327701B (zh) * | 2020-11-09 | 2021-11-02 | 浙江大学 | 面向非线性动态工业过程的慢特征网络监测方法 |
CN114527731B (zh) * | 2022-02-22 | 2023-12-26 | 中国矿业大学 | 基于监督概率慢特征分析的工业过程运行状态评价方法 |
CN114941890B (zh) * | 2022-05-24 | 2024-04-30 | 日照安泰科技发展有限公司 | 一种基于图像和深度模糊的中央空调故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN110362063A (zh) * | 2019-07-15 | 2019-10-22 | 山东建筑大学 | 基于全局保持无监督核极限学习机的故障检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10876867B2 (en) * | 2016-11-11 | 2020-12-29 | Chevron U.S.A. Inc. | Fault detection system utilizing dynamic principal components analysis |
US10755198B2 (en) * | 2016-12-29 | 2020-08-25 | Intel Corporation | Data class analysis method and apparatus |
-
2019
- 2019-12-05 CN CN201911234905.4A patent/CN110880024B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
CN110362063A (zh) * | 2019-07-15 | 2019-10-22 | 山东建筑大学 | 基于全局保持无监督核极限学习机的故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Nonlinear Process Fault Diagnosis Using Kernel Slow Feature Discriminant Analysis";Hanyuan Zhang et al;《IFAC-PapersOnline》;20151015;第48卷(第22期);第607-612页 * |
"基于KSFDA-SVDD的非线性过程故障检测方法";张汉元等;《化工学报》;20160331;第67卷(第3期);第827-832页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110880024A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880024B (zh) | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 | |
CN106647718B (zh) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN108182445B (zh) | 基于大数据智能核独立元分析的过程故障识别方法 | |
Chen et al. | Probabilistic contribution analysis for statistical process monitoring: A missing variable approach | |
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 | |
Zhou et al. | Probabilistic latent variable regression model for process-quality monitoring | |
Zhang et al. | Batch process fault detection and identification based on discriminant global preserving kernel slow feature analysis | |
Du et al. | Minimal Euclidean distance chart based on support vector regression for monitoring mean shifts of auto-correlated processes | |
CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN111914889B (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
CN110765587A (zh) | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 | |
CN106907927B (zh) | 一种核灵活流形嵌入电熔镁炉故障监测方法 | |
CN110244692A (zh) | 化工过程微小故障检测方法 | |
Zhang et al. | Spectral radius-based interval principal component analysis (SR-IPCA) for fault detection in industrial processes with imprecise data | |
Jyoti et al. | Data clustering approach to industrial process monitoring, fault detection and isolation | |
CN110362063B (zh) | 基于全局保持无监督核极限学习机的故障检测方法及系统 | |
Zhu et al. | Enhanced multicorrelation block process monitoring and abnormity root cause analysis for distributed industrial process: A visual data-driven approach | |
Lin et al. | Feature extraction and sensor selection for NPP initiating event identification | |
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 | |
Jiang et al. | Dynamic Bhattacharyya bound-based approach for fault classification in industrial processes | |
Li et al. | Multiple sensor fault diagnosis for dynamic processes | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
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 | |
Golyadkin et al. | SensorSCAN: Self-supervised learning and deep clustering for fault diagnosis in chemical processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |