CN110928262B - 时变系统下高效更新模型的质量相关故障在线监控方法 - Google Patents
时变系统下高效更新模型的质量相关故障在线监控方法 Download PDFInfo
- Publication number
- CN110928262B CN110928262B CN201911301803.XA CN201911301803A CN110928262B CN 110928262 B CN110928262 B CN 110928262B CN 201911301803 A CN201911301803 A CN 201911301803A CN 110928262 B CN110928262 B CN 110928262B
- Authority
- CN
- China
- Prior art keywords
- quality
- model
- osc
- new
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种时变系统下高效更新模型的质量相关故障在线监控方法。该方法包括:获取训练数据样本;根据所述训练数据样本,确定离散训练模型参数;根据所述离散训练模型参数,确定故障阈值;获取在线测试数据;对所述在线测试数据进行去正交处理,得到正交处理后的在线测试数据;根据所述正交处理后的在线测试数据,确定当前样本统计量;根据所述当前样本统计量和所述故障阈值,确定故障类型。本发明能够用参数代替原始历史数据的方法,有效降低模型更新计算量,提高模型更新效率,有效追踪系统的参数变化,实现有效的质量相关故障监控。
Description
技术领域
本发明涉及可靠性工程领域,特别是涉及一种时变系统下高效更新模型的质量相关故障在线监控方法。
背景技术
在实际的工业生产过程中,时变系统通常由于设备老化以及工作环境的微小变化都会引起工作点的缓慢漂移,基于传统批处理的静态过程监控模型难以描述这一过程,会导致严重的误报警和漏报警发生。针对时变系统,常用的方法是通过定期对模型更新来追踪系统的变化,常用方法主要分两大类:1.基于数据扩充的传统模型更新方法。该方法是过程监控中常用的模型更新方式,将历时输入数据加入输入数据矩阵,直接提取大量历史数据和当前数据对当前模型参数进行修正,定期建立新的模型保持对时变系统的有效监控。但是基于数据扩充的方法在不断存储历史数据的过程中会导致模型更新矩阵的维度不断增大,模型更新的计算复杂度增加,易导致模型更新效率降低,影响在线监控的实时性。2.基于递推结构的模型更新方法。该方法使用模型参数代替原始历史数据,结合新的样本对模型进行定期更新,有效降低了模型更新矩阵的维度,降低了计算复杂度。但是该方法无法对过程监控过程中的质量相关故障进行有效监控,易导致发生严重的误报警。
在工业生产的实际过程中,针对时变系统的模型更新方法得到了很大的关注。由于工作点的漂移会导致建立的监控模型参数不能适应系统的变化,监控效果会迅速下降。这要求必须定期对模型进行更新,实现对时变系统的有效追踪。现有的两类模型更新方式虽然已经有了广泛的应用,但是基于数据扩充的方法存在模型更新计算复杂度大,更新效率低的缺点;基于递推结构的方法存在无法对质量相关故障进行有效的过程监控的缺点。在实际的工业过程监控中,需要考虑寻求一个更新效率高并且在模型更新的过程中同时具有良好过程监控效果的监控模型,以实现时变系统下的有效在线过程监控。
发明内容
本发明的目的是提供一种时变系统下高效更新模型的质量相关故障在线监控方法,能够用参数代替原始历史数据的方法,有效降低模型更新计算量,提高模型更新效率,有效追踪系统的参数变化,实现有效的质量相关故障监控。
为实现上述目的,本发明提供了如下方案:
一种时变系统下高效更新模型的质量相关故障在线监控方法,包括:
获取训练数据样本;
根据所述训练数据样本,确定离散训练模型参数;
根据所述离散训练模型参数,确定故障阈值;
获取在线测试数据;
对所述在线测试数据进行去正交处理,得到正交处理后的在线测试数据;
根据所述正交处理后的在线测试数据,确定当前样本统计量;
根据所述当前样本统计量和所述故障阈值,确定故障类型;
判断所述离散训练模型参数是否处于预设范围;
若是,则不更新离散训练模型参数;
若否,则更新离散训练模型参数,并根据更新后的离散训练模型参数,确定故障阈值。
可选的,所述获取训练数据样本,具体包括:
获取训练数据样本{X,Y},其中,X为输入数据,Y为输出数据。
可选的,在所述“根据所述训练数据样本,确定离散训练模型参数”之前还包括:
对所述训练数据样本进行归一化和标准化处理。
可选的,所述根据所述训练数据样本,确定离散训练模型参数,具体包括:
将训练数据样本{X,Y}作为输入,采用正交信号校正预处理模型训练去正交参数W⊥和P⊥,得到训练数据{X,Y};
对所述训练数据{X,Y}进行去正交处理,得到正交处理后的数据{Xosc,Y};
可选的,所述根据所述离散训练模型参数,确定故障阈值,具体包括:
根据所述质量相关统计量和所述质量无关统计量,计算控制限值,所述控制限值为故障阈值;
所述控制限值表达式:
可选的,所述根据所述正交处理后的在线测试数据,确定当前样本统计量,具体包括:
可选的,所述根据所述当前样本统计量和所述故障阈值,确定故障类型,具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种在时变系统下的高效更新模型的质量相关故障过程监控方法,同时考虑了模型更新计算复杂度和模型更新过程中质量相关故障的在线过程监控效果,不仅有效降低了模型更新计算复杂度,提高了模型更新效率,还可以保证模型更新中具有更为优异的质量相关故障检测率和更低的误报率,为设备的在线故障监测提供理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,有很好的工程应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明时变系统下高效更新模型的质量相关故障在线监控方法流程图;
图2为本发明模型更新分析图;
图3为本发明OSC-RMPLS对质量相关故障IDV(7)T2统计量的监测情况;
图4为本发明OSC-RMPLS模型对质量无关故障IDV(11)的在质量相关子空间中监测情况。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种时变系统下高效更新模型的质量相关故障在线监控方法,能够用参数代替原始历史数据的方法,有效降低模型更新计算量,提高模型更新效率,有效追踪系统的参数变化,实现有效的质量相关故障监控。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明时变系统下高效更新模型的质量相关故障在线监控方法流程图。如图1所示,一种时变系统下高效更新模型的质量相关故障在线监控方法包括:
步骤101:获取训练数据样本,具体包括:
获取训练数据样本{X,Y},其中,X为输入数据,Y为输出数据。输入数据X是由传感器(如位置传感器、液面传感器、能耗传感器、加速度传感器、射线辐射传感器、热敏传感器等)在正常工作状态下测量得到的,输出数据Y是工业过程中的一些关键指标(如纸张的厚度、化学生成物含量等)在正常工作状态下进行测量得到。
对所述训练数据样本进行归一化和标准化处理。
步骤102:根据所述训练数据样本,确定离散训练模型参数,具体包括:
将训练数据样本{X,Y}作为输入,采用正交信号校正预处理模型训练去正交参数W⊥和P⊥,得到训练数据{X,Y};
对所述训练数据{X,Y}进行去正交处理,得到正交处理后的数据{Xosc,Y}。
正交信号校正预处理算法,即OSC预处理算法,用来去除质量无关信息从而降低质量无关故障引起的误报率。
以下采用的数据为第一步产生的训练数据X和Y。
步骤1:对X和Y进行归一化和中心化处理。
步骤3:knew=(I-Y(YTY)-1YT)t⊥,knew为t⊥中与Y正交的投影向量。
由PLS得出的三个参数分别是中间参数,无具体物理意义,用来求解knew的近似值。
步骤5:建立X和knew的权值矩阵w⊥,w⊥=W(P'W)-1q,X沿w⊥投影。
步骤8:分别存储负载向量和权值向量,P⊥=[P⊥ p⊥],W⊥=[W⊥ w⊥]。
步骤10:为继续提取XOSC中的正交信息,令X=XOSC,返回步骤2直到去正交noc次。
OSC的整体思想就是对数据进行一轮一轮的去正交处理,最终达到想要的去正交后的信息,因此“去正交参数”中每一个列向量即对应一次去正交的处理。步骤3至步骤7是为了建立正交信息的空间,步骤3得到了与Y正交的得分向量,但是无法直接建立正交的空间,因此基于PLS算法可以提取输入与输出相关性的特性,将X作为输入,knew作为输出,可以从X中得到knew的估计值
由上述步骤训练的W⊥和P⊥即为“去正交参数”,其中W⊥为X和knew的系数矩阵(每一个分量代表一次去正交的投影),即去正交的投影方向,P⊥为负载矩阵(由步骤7得到),W⊥和P⊥统称为“去正交参数”。
MPLS模型为:
采用由OSC预处理后的输入Xosc和输出Y建立立MPLS模型,MPLS模型建立如下:
步骤103:根据所述离散训练模型参数,确定故障阈值,具体包括:
根据所述质量相关统计量和所述质量无关统计量,计算控制限值,所述控制限值为故障阈值;
所述控制限值表达式:
统计量构造如下:
根据建模数据的统计数据计算控制限值。如果样本数n足够大,则符合指数分布。因此,基于大样本的统计数据的控制限值可以计算如下:
步骤104:获取在线测试数据,同样由传感器采样得到。
步骤105:对所述在线测试数据进行去正交处理,得到正交处理后的在线测试数据,具体包括:
对xnew进行去正交处理:
其中P⊥=[P⊥ p⊥],W⊥=[W⊥ w⊥]由步骤102的步骤8计算得到,重复上述步骤直到提取完P⊥和W⊥中的分向量。
步骤106:根据所述正交处理后的在线测试数据,确定当前样本统计量,具体包括:
步骤107:根据所述当前样本统计量和所述故障阈值,确定故障类型,具体包括:
步骤108:判断所述离散训练模型参数是否处于预设范围。
步骤109:若是,则不更新离散训练模型参数。
步骤110:若否,则更新离散训练模型参数,并根据更新后的离散训练模型参数,确定故障阈值。
前面的步骤是对一个测试样本的完整故障检测过程,但是由于是时变系统,因此需要定期更新模型,即需要进行步骤108-110。在在线过程监控中,如果测试样本达到模型更新的设定值,则对模型进行更新,重新设定控制限。后面的测试数据将由新的控制限来判断是否发生故障。根据故障类型判断是否更新Xnew_osc的样本维度达到设定长度WL(可作为参数进行调节),更新模型:
在模型更新时,模型更新矩阵会不断采集测试数据中的正常数据,导致模型更新矩阵的维度不断变大,因此采用代替持续累积的模型更新矩阵[Xnew,Ynew]来更新模型。[Xnew,Ynew]与[Xnew_osc,Ynew_osc]的区别在于后者只采集了每次模型更新之间的正常测试样本,而前者是在线监测过程中不断累积的正常测试样本,从而达到降低模型更新计算复杂度的效果。推导如下:
对自协方差矩阵进行满秩特征分解,得到Xosc的负载矩阵Pc。令Pc(:,i)=Pc(:,i)/||XoscPc(:,i)||,保证||Tc(:,i)=XoscPc(:,i)||=1。则公式(10)可以被改写为:
Xosc和ey已被证明互协方差为0,即COV(ey,XOSC)=0。因此Xosc和Y的互协方差可以被计算如下:
显然,上述和Y分别可以由参数和代替。在在线监测中,当模型进行更新时,递推改进潜结构投影模型更新矩阵的输入和输出可以表示为代替了传统的基于原始数据的模型更新矩阵[Xnew,Ynew]。显然,随着时间的累积,所提方法建立的模型更新矩阵维度远远小于[Xnew,Ynew]。
在更新完当前模型后,保留Xnew_osc和Ynew_osc的部分样本(可作为参数调整)。重复上述过程,在在线监测的同时自适应更新模型,从而实现时变过程的高效模型更新。
在一个完整的过程监控中,包含离散过程与在线测试过程。两者的关系时离线过程为在线故障监测设置控制限(故障阈值),进行故障检测,并且为第一次模型更新提供参数;在线测试通过对测试到的正常样本不断存储,由存储的正常测试数据和上一次的模型参数作为当前模型的输入和输出进行模型更新(更新的过程相当于一个离散的建模过程,求得新的模型参数和控制限)。
实施例:
下面通过田纳西-伊斯曼(TEP)实验中采集的数据来验证本发明提出的方法。TEP是由伊士曼化工公司Downs和Vogel于1993年开发的一个小型工业流程,整个流程由五个操作单元组成,包括化学反应器、冷凝器、压缩机、汽/液分离器和分离器。
TEP含有八种成分:A,B,C,D,E,F,G和H,其中,气态物质A,C,D和E以及惰性物质B是反应物,G和H是反应产物,F是反应副产物。反应器中在催化剂的辅助下同时进行4个反应:
表1为12个控制变量(XMV),表2为41个测量变量(XMEAS);表3为15个已知故障(IDV)。表1-表3如下:
表1 12个控制变量(XMV)
表2 41个测量变量(XMEAS)
表3 15个已知故障(IDV)
TEP共生成22个数据集用于过程监控和故障诊断,包括1个正常数据和21个特定的故障数据集。正常数据集包含480个样本,用于训练模型;每个故障数据集包含960个样本,前200个为正常样本,后面为故障样本,用于实验验证。每个样本分别包括41个测量变量XMEAS(1-41)和12个控制变量XMV(1-12),测量变量只能通过传感器测量得到,控制变量可以调节。
质量相关故障和质量无关故障的判断:采用输出y和Qy作为判别的标准。如果y或者Qy故障影响,那么相应的输出y和Qy就会超过控制限。对每一个故障样本集,假设ny表示受到影响的故障样本数,n1表示样本的总数。如果ny/n1>0.1,就认定该故障和y相关。根据这一原则,选取物流9中G的浓度作为质量测量数据y,22个测量变量XMEAS(1-22)和11个操作变量XMV(1-11)被选择为过程数据X。通过上述方法判断,故障样本中IDV(1,2,5-8,10,12,13)被认定是质量相关故障数据,IDV(3,4,9,11,14,15)被认定是质量无关故障数据。
将正常数据集作为训练样本代入离线过程求得OSC参数和MPLS模型参数,具体为:
步骤一:对训练数据样本{X,Y}进行归一化和标准化。
步骤二:将{X,Y}作为输入采用OSC预处理模型训练“去正交参数”W⊥和P⊥,并对训练数据{X,Y}进行去正交处理,得到数据{Xosc,Y}。
将IDV(1-15)分别作为在线监测数据进行故障检测,验证所提算法的有效性。具体过程为:
步骤一:读取在线测试数据{xnew,ynew}。
步骤二:对在线测试数据{xnew,ynew}采用“去正交参数”W⊥和P⊥去除输入中的正交信息。
步骤三:将去正交后的数据由MPLS模型参数计算统计量,并与控制限比较,判断故障类型:
步骤四:判断是否到达设定的模型更新值(由存储的下一次模型更新的样本数据决定,即在线监测中存储多少了多少个正常样本后就进行更新):
OSC-RMPLS在每次模型更新中具有对一个N×N的MMT矩阵采用1个SVD的计算复杂度,因此只用比较每次模型更新的维度即可反映模型更新计算复杂度。这里针对质量相关故障IDV(1)进行在线监测,模型更新如图2所示,每次模型更新的计算量如表4所示,表4为RMPLS和MPLS模型更新计算量。
表4 RMPLS和MPLS模型更新计算量
图2为本发明模型更新分析图,图2中虚线为控制限,实线为每个时刻测试样本的统计量。由图2给出了每次模型更新的具体时刻,可以看出模型在一定长度后会自适应的更新模型,使得模型可以有效追踪系统的变化。
由表4可知,模型更新矩阵包含两部分数据,一部分是存储的新数据Xm,一部分是代表了建模数据大部分信息的潜变量 和(为Xosc的负载矩阵,由公式(12)上方的步骤得出)。OSC-RMPLS模型参数为当t=357时,Xm有350个样本,则模型更新矩阵的维度为383,即计算量为383。Xm长度大于MAX,因此将保留最新的11个测试数据,舍弃其余老数据,并继续测试新数据。当t=734时,Xm存储361个样本,其中包括11个旧样本和350个新样本,此时模型更新矩阵计算量为394。更新模型并舍弃老数据继续监测新测试数据,此后每个更新模型时刻的矩阵维度将保持为394,经10次模型更新后,RMPLS的总计算量为3929。
工业过程的故障监测注重质量相关故障有效报警的能力,良好的故障检测率(FDR)可以保证系统对故障进行及时有效的报警。采用所提OSC-RMPLS模型对质量相关故障IDV(1,2,5-8,10,12,13)进行在线监测,验证OSC-RMPLS监控模型对各类质量相关故障的监测性能。故障检测率见表5,并对故障IDV(7)作图分析。表5为质量相关故障有效报警率FDR(%)。
表5质量相关故障有效报警率FDR(%)
表5中,在每类质量相关故障中,质量检测率较低的为IDV(7,8,10),均为75%左右,其余几类质量相关故障检测率均值在80%以上,其中IDV(2,5,6,13)的故障检测率在90%以上。可以看出OSC-RMPLS在自适应更新模型中对质量相关故障具有较好的故障检测率,即在实际生产过程中,不论发生何种质量相关故障,所提算法均方法均可以进行有效的报警。
图3为本发明OSC-RMPLS对质量相关故障IDV(7)T2统计量的监测情况,若测试数据中故障样本的统计量在控制限下,则表示出现了漏报。由表5可知OSC-RMPLS对IDV(7)的检测率为73.22%,从图3中可以看出少部分在控制限下测试样本未检测到,其余大部分别在线测试样本均监测到了故障。
针对质量无关故障的监测对象为IDV(11),这类故障均是由反应器冷却水入口温度变化导致,由于反应器温度是通过串级控制器控制,冷却水入口温度变化不会影响反应过程,因此不会影响实验的目标质量。表6为质量无关故障误报率FAR(%)。
表6质量无关故障误报率FAR(%)
表6给出了OSC-RMPLS模型对质量无关故障的过程监控误报率(FAR)。从表6中可以看出,OSC-RMPLS过程监控模型对每类质量无关故障的误报率均在6%以下,其中对IDV(3,4,15)的误报率均在2%左右。反映了所提方法在过程监控中基本不会出现误报警的情况,保证了工业过程中监控的稳定性。
在对三部分实验进行总结后可以总结如下。所提出的OSC-RMPLS方法不仅显著改善了质量相关故障和质量无关故障的监测性能,而且有效降低了模型更新的计算量。结合提出清晰的故障诊断逻辑策略,OSC-RMPLS更适用于实际应用中对质量相关故障的过程监控。
图4为本发明OSC-RMPLS模型对质量无关故障IDV(11)的在质量相关子空间中监测情况,如果在该空间出现报警,则表明出现了误报警的情况。如图4所示,因为控制限选取的过程中采用了99%的置信度,因此会出现部分噪声。因此不计噪声的影响,所提方法在在线测试中显然基本不存在误报警的情况。
综合对模型更新计算复杂度、质量相关故障过程监控、质量无关故障过程监控的监测,验证了本发明在实际的工业过程中,具有较低的模型更新计算复杂度,反映了较高的模型更新效率;同时在自适应更新模型的过程监控中,由良好的质量相关故障检测率和更低的误报率,质量相关过程监控效果优异。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种时变系统下高效更新模型的质量相关故障在线监控方法,其特征在于,包括:
获取训练数据样本{X,Y},其中,X为输入数据,Y为输出数据;输入数据X是由传感器在正常工作状态下测量得到的,输出数据Y是工业过程中的一些关键指标在正常工作状态下进行测量得到,其中关键指标包括纸张的厚度、化学生成物含量;
根据所述训练数据样本,确定离散训练模型参数,具体包括:
将训练数据样本{X,Y}作为输入,采用正交信号校正预处理模型训练去正交参数W⊥和P⊥,得到训练数据;
对所述训练数据进行去正交处理,得到正交处理后的数据{Xosc,Y};
所述采用正交信号校正预处理模型训练去正交参数W⊥和P⊥的具体步骤包括:
步骤1:对X和Y进行归一化和中心化处理;
步骤3:knew=(I-Y(YTY)-1YT)t⊥,knew为t⊥中与Y正交的投影向量;
步骤5:建立X和knew的权值矩阵w⊥,w⊥=W(P'W)-1q,X沿w⊥投影;
步骤8:分别存储负载向量和权值向量,P⊥=[P⊥ p⊥],W⊥=[W⊥ w⊥];
步骤10:为继续提取XOSC中的正交信息,令X=XOSC,返回步骤2直到去正交noc次;
由上述步骤训练的W⊥和P⊥为去正交参数,其中W⊥为X和knew的系数矩阵,P⊥为负载矩阵;MPLS模型为:采用由OSC预处理后的输入XOSC和输出Y建立MPLS模型,MPLS模型建立如下:计算XOSC和Y的系数矩阵M,对M的自协方差矩阵采用SVD,求得投影向量和令得分矩阵
根据所述离散训练模型参数,确定故障阈值,具体包括:
根据所述质量相关统计量和所述质量无关统计量,计算控制限值,所述控制限值为故障阈值;
所述控制限值表达式:
获取在线测试数据;
对所述在线测试数据进行去正交处理,得到正交处理后的在线测试数据;
根据所述正交处理后的在线测试数据,确定当前样本统计量;
根据所述当前样本统计量和所述故障阈值,确定故障类型;
判断所述离散训练模型参数是否处于预设范围;
若是,则不更新离散训练模型参数;
若否,则更新离散训练模型参数,并根据更新后的离散训练模型参数,确定故障阈值;
根据所述故障类型判断是否更新Xnew_osc的样本维度达到设定长度WL,更新模型:
其中,Xnew_osc表示测试过程中输入数据xnew去除正交信息后的数据矩阵,Ynew_osc表示测试过程中输入数据ynew去除正交信息后的数据矩阵,Pc表示Xosc的负载矩阵;在更新完当前模型后,保留Xnew_osc和Ynew_osc的部分样本;重复上述过程,在在线监测的同时自适应更新模型,从而实现时变过程的高效模型更新。
2.根据权利要求1所述的时变系统下高效更新模型的质量相关故障在线监控方法,其特征在于,在所述“根据所述训练数据样本,确定离散训练模型参数”之前还包括:
对所述训练数据样本进行归一化和标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301803.XA CN110928262B (zh) | 2019-12-17 | 2019-12-17 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301803.XA CN110928262B (zh) | 2019-12-17 | 2019-12-17 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928262A CN110928262A (zh) | 2020-03-27 |
CN110928262B true CN110928262B (zh) | 2022-11-15 |
Family
ID=69863981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911301803.XA Active CN110928262B (zh) | 2019-12-17 | 2019-12-17 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110928262B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626434B (zh) * | 2020-05-15 | 2022-06-07 | 浪潮电子信息产业股份有限公司 | 一种分布式训练参数更新方法、装置、设备及存储介质 |
CN111783968B (zh) * | 2020-06-30 | 2024-05-31 | 山东信通电子股份有限公司 | 一种基于云边协同的输电线路监测方法及系统 |
WO2023015484A1 (en) * | 2021-08-11 | 2023-02-16 | Siemens Aktiengesellschaft | Method and apparatus for training a model |
CN114034332B (zh) * | 2021-11-23 | 2023-09-22 | 中国人民解放军火箭军工程大学 | 一种用于武器装备系统的故障监测方法 |
CN114708712A (zh) * | 2022-03-31 | 2022-07-05 | 杭州电子科技大学 | 一种化工过程反应器故障检测的信息融合方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508865A (zh) * | 2018-03-06 | 2018-09-07 | 宁波大学 | 一种基于分散式osc-pls回归模型的故障检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0007063D0 (en) * | 2000-03-23 | 2000-05-10 | Simsci Limited | Mulitvariate statistical process monitors |
US7460958B2 (en) * | 2004-10-07 | 2008-12-02 | E.I. Du Pont De Nemours And Company | Computer-implemented system and method for analyzing mixtures of gases |
WO2017090566A1 (ja) * | 2015-11-26 | 2017-06-01 | ヒューマン・メタボローム・テクノロジーズ株式会社 | データ解析装置、方法及びプログラム |
-
2019
- 2019-12-17 CN CN201911301803.XA patent/CN110928262B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508865A (zh) * | 2018-03-06 | 2018-09-07 | 宁波大学 | 一种基于分散式osc-pls回归模型的故障检测方法 |
Non-Patent Citations (2)
Title |
---|
复杂工业过程质量相关的故障检测与诊断技术综述;彭开香等;《自动化学报》;20170331(第03期);全文 * |
星座网络关键链路代价增量路由算法;蒋文娟等;《解放军理工大学学报(自然科学版)》;20120615(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110928262A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110928262B (zh) | 时变系统下高效更新模型的质量相关故障在线监控方法 | |
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
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 | |
JP3449560B2 (ja) | 産業プロセス監視システム | |
CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
TWI648609B (zh) | 程序監控系統及方法 | |
Chen et al. | Probability density estimation via an infinite Gaussian mixture model: application to statistical process monitoring | |
JP5303474B2 (ja) | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
Samuel et al. | Kernel canonical variate analysis for nonlinear dynamic process monitoring | |
Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
CN108960329B (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
CN109085805B (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
CN109947076B (zh) | 一种基于贝叶斯信息准则的工业过程故障诊断方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
Ayech et al. | New adaptive moving window PCA for process monitoring | |
CN116878590B (zh) | 一种数智化服务协同运营管理系统 | |
Kettunen et al. | An embedded fault detection, isolation and accommodation system in a model predictive controller for an industrial benchmark process | |
US11507069B2 (en) | Automated model building and updating environment | |
CN116304823A (zh) | 一种垃圾焚烧过程在线诊断方法 | |
Tong et al. | Statistical process monitoring based on improved principal component analysis and its application to chemical processes |
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 |