CN110928263A - 一种预先考虑动态关系的复杂过程的故障检测方法及系统 - Google Patents
一种预先考虑动态关系的复杂过程的故障检测方法及系统 Download PDFInfo
- Publication number
- CN110928263A CN110928263A CN201911301804.4A CN201911301804A CN110928263A CN 110928263 A CN110928263 A CN 110928263A CN 201911301804 A CN201911301804 A CN 201911301804A CN 110928263 A CN110928263 A CN 110928263A
- Authority
- CN
- China
- Prior art keywords
- quality
- measurement data
- data set
- normal
- real
- 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 93
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 192
- 238000004519 manufacturing process Methods 0.000 claims abstract description 68
- 230000036961 partial effect Effects 0.000 claims abstract description 63
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 78
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 25
- 230000003416 augmentation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 16
- 239000000047 product Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change 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
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 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)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种预先考虑动态关系的复杂过程的故障检测方法及系统，包括获取正常运行时复杂工业过程中的正常测量数据和正常质量数据并预处理；根据预处理后的正常测量数据和正常质量数据建立动态正交信号校正模型；根据动态正交信号校正模型及预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型；获取正在运行时复杂工业过程中的实时测量数据和实时质量数据并预处理；根据动态正交信号校正模型和预处理后的实时测量数据获取期望实时测量数据；基于改进的偏最小二乘模型、期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测，提高复杂系统的可靠性和安全性，减少重大事故的发生。
Description
技术领域
本发明涉及故障监测技术领域，特别是涉及一种预先考虑动态关系的复杂过程的故障检测方法及系统。
背景技术
现有的工业过程监控方法主要分为单变量过程监控和多变量过程监控两大类。单变量过程监控因为其监控的变量的单一性，在大规模复杂特性的工业设备生产过程中监控效率十分有限。现代工业设备的生产无论是军用类型还是民用类型都是多变量、多输出且数据采集量巨大的一系列复杂过程。而多变量过程监控方法在处理大数据复杂特性上具有更高的精度和更快的速度，在处理各种干扰以及噪声的影响时具有更强的适用性。因此，多变量过程监控方法逐渐成为工业设备生产普遍采用的监控方法。
在实际的生产过程中，工业设备的系统往往都会伴随有随机退化过程和测量误差的影响，测量数据中就会不可避免的具有与最终产品质量无关的动态系统信息。这些包含退化随机性和测量不确定性的系统信息对于产品的质量相关信息监控而言会提高故障监测的误报率，对于产品质量相关故障的检测、定位和排除产生了极大的干扰，降低了工业生产的生产效率和产品质量。因此，需要设计一种预先考虑动态关系的复杂过程的故障检测方法用来提前去除这些动态系统信息。这种预先考虑动态关系的复杂过程的故障检测方法在对数据进行建模前就去除了动态的质量无关信息，留下质量相关的数据用来进行建模。利用这种动态的滤波技术，实现了对产品质量相关信息的实时估计，提高了产品质量预测的准确性和故障的检测率。目前，并没有相关的检测方法。
发明内容
本发明的目的是提供一种预先考虑动态关系的复杂过程的故障检测方法及系统，对复杂工业过程和设备能够实现实时监测，对质量相关故障进行报警，提高复杂系统的可靠性和安全性，减少重大事故的发生。
为实现上述目的，本发明提供了如下方案：
一种预先考虑动态关系的复杂过程的故障检测方法，包括：
获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理；
根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型；
根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型；
获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理；
采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据；
基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
可选的，所述对所述正常测量数据和所述正常质量数据进行预处理，具体包括：
获取正常运行时复杂工业过程中的测量数据集和质量数据集；所述测量数据集包括m个测量变量，每个测量变量包括n次采集的测量数据；所述质量数据集包括k个质量变量，每个质量变量包括n次采集的质量数据；
对所述测量数据集和所述质量数据集分别进行标准化处理，得到标准化处理后的测量数据集和标准化处理后的质量数据集。
可选的，所述根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型，具体包括：
采用自回归滑动平均模型对预处理后的正常测量数据进行处理，衍生多个时滞值，并根据所有所述时滞值构建增广矩阵；
根据所述增广矩阵构建目标函数；
采用迭代法计算所述目标函数的权重向量；
根据所述权重向量计算动态潜在得分向量，并提取所述动态潜在得分向量的第一主成分得分向量；
将所述第一主成分得分向量向所述预处理后的质量数据集做正交投影，得到正交得分向量；
根据所述正交得分向量和所述增广矩阵构建偏最小二乘迭代模型；
根据所述偏最小二乘迭代模型迭代计算新的正交得分向量；
根据所述新的正交得分向量和所述增广矩阵建立动态正交信号校正模型。
可选的，所述根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型，具体包括：
根据所述动态正交信号校正模型和预处理后的正常测量数据，计算期望正常测量数据集；
根据所述期望正常测量数据集和所述预处理后的质量数据集，计算回归系数矩阵；
根据所述回归系数矩阵对所述预处理后的质量数据集进行分解，得到分解后的质量数据集；
对所述回归系数矩阵进行SVD分解，得到正交投影算子；
将所述期望正常测量数据集沿着所述正交投影算子投影，得到正交后的测量数据集；
根据所述正交后的测量数据集、所述回归系数矩阵、所述分解后的质量数据集和所述期望正常测量数据集，建立改进的偏最小二乘模型。
可选的，所述基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测，具体包括：
基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，计算质量相关统计量和质量无关统计量；
利用χ2分布计算反应所述质量相关统计量与所述质量无关统计量的控制量；
当所述质量相关统计量大于或者等于所述控制量时，在正在运行的复杂工业过程中存在与质量数据相关的故障；
当所述质量相关统计量小于所述控制量且所述质量无关统计量大于或者所述控制量时，在正在运行的复杂工业过程中不存在与质量数据相关的故障。
一种预先考虑动态关系的复杂过程的故障检测系统，包括：
第一预处理模块，用于获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理；
动态正交信号校正模型建立模块，用于根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型；
改进的偏最小二乘模型建立模块，用于根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型；
第二预处理模块，用于获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理；
期望实时测量数据获取模块，用于采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据；
检测模块，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
可选的，所述第一预处理模块，具体包括：
获取单元，用于获取正常运行时复杂工业过程中的测量数据集和质量数据集；所述测量数据集包括m个测量变量，每个测量变量包括n次采集的测量数据；所述质量数据集包括k个质量变量，每个质量变量包括n次采集的质量数据；
标准化处理单元，用于对所述测量数据集和所述质量数据集分别进行标准化处理，得到标准化处理后的测量数据集和标准化处理后的质量数据集。
可选的，所述动态正交信号校正模型建立模块，具体包括：
增广矩阵构建单元，用于采用自回归滑动平均模型对预处理后的正常测量数据进行处理，衍生多个时滞值，并根据所有所述时滞值构建增广矩阵；
目标函数构建单元，用于根据所述增广矩阵构建目标函数；
权重向量计算单元，用于采用迭代法计算所述目标函数的权重向量；
第一主成分得分向量确定单元，用于根据所述权重向量计算动态潜在得分向量，并提取所述动态潜在得分向量的第一主成分得分向量；
正交得分向量确定单元，用于将所述第一主成分得分向量向所述预处理后的质量数据集做正交投影，得到正交得分向量；
偏最小二乘迭代模型构建单元，用于根据所述正交得分向量和所述增广矩阵构建偏最小二乘迭代模型；
新的正交得分向量计算单元，用于根据所述偏最小二乘迭代模型迭代计算新的正交得分向量；
动态正交信号校正模型构建单元，用于根据所述新的正交得分向量和所述增广矩阵建立动态正交信号校正模型。
可选的，所述改进的偏最小二乘模型建立模块，具体包括：
期望正常测量数据集计算单元，用于根据所述动态正交信号校正模型和预处理后的正常测量数据，计算期望正常测量数据集；
回归系数矩阵计算单元，用于根据所述期望正常测量数据集和所述预处理后的质量数据集，计算回归系数矩阵；
分解单元，用于根据所述回归系数矩阵对所述预处理后的质量数据集进行分解，得到分解后的质量数据集；
正交投影算子确定单元，用于对所述回归系数矩阵进行SVD分解，得到正交投影算子；
正交后的测量数据集确定单元，用于将所述期望正常测量数据集沿着所述正交投影算子投影，得到正交后的测量数据集；
改进的偏最小二乘模型建立单元，用于根据所述正交后的测量数据集、所述回归系数矩阵、所述分解后的质量数据集和所述期望正常测量数据集，建立改进的偏最小二乘模型。
可选的，所述检测模块，具体包括：
质量相关统计量和质量无关统计量计算单元，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，计算质量相关统计量和质量无关统计量；
控制量计算单元，用于利用χ2分布计算反应所述质量相关统计量与所述质量无关统计量的控制量；
第一检测单元，用于当所述质量相关统计量大于或者等于所述控制量时，在正在运行的复杂工业过程中存在与质量数据相关的故障；
第二检测单元，用于当所述质量相关统计量小于所述控制量且所述质量无关统计量大于或者所述控制量时，在正在运行的复杂工业过程中不存在与质量数据相关的故障。
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：
本发明提供一种预先考虑动态关系的复杂过程的故障检测方法及系统。具体包括以下步骤：①建立动态正交信号校正模型；②利用动态正交信号校正模型处理设备测量数据；③建立改进的偏最小二乘模型；④基于改进的偏最小二乘模型进行质量相关故障检测。本发明通过使用时滞值构造一个增广输入矩阵来获得输入矩阵的动态特性，利用增广矩阵建立正交信号校正模型。该模型用于对数据的预处理，提前考虑了数据间的动态耦合。通过预处理将系统测量变量中与质量无关的部分剔除，剩余部分用于建立改进的偏最小二乘模型，通过改进的偏最小二乘模型参数计算相应统计量，进行质量相关故障检测。本发明是对复杂过程质量相关故障检测的一种有效工具，并且具有较强鲁棒性质，同时也可以用作早期故障检测，避免早期微小故障发展为灾难性故障影响设备正常工作，造成不必要的经济损失与人员安全。
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为本发明实施例1预先考虑动态关系的复杂过程的故障检测方法的流程图；
图2为本发明实施例1动态正交信号校正模型建立过程示意图；图2(a)为上半部分建立过程示意图，图2(b)为下半部分建立过程示意图；
图3为本发明实施例2预先考虑动态关系的复杂过程的故障检测系统的结构图；
图4为本发明实施例3田纳西伊士曼过程工艺流程图；
图5为本发明实施例3在故障IDV(4)下的检测结果图；
图6为本发明实施例3在故障IDV(5)下的检测结果图。
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预先考虑动态关系的复杂过程的故障检测方法及系统，对复杂工业过程和设备能够实现实时监测，对质量相关故障进行报警，提高复杂系统的可靠性和安全性，减少重大事故的发生。
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。
实施例1
图1为本发明实施例1预先考虑动态关系的复杂过程的故障检测方法的流程图，如图1所示，本实施例提供的一种预先考虑动态关系的复杂过程的故障检测方法，包括以下步骤：
步骤101：获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理。
步骤102：根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型。
对于一个正常运行的复杂工业过程，用m个传感器对其关键输入变量(如流量、压力、液位、温度等)进行检测n次，称为正常测量数据，由正常测量数据组成正常测量数据集X＝[x1,x2,…,xm]∈Rn×m，X具有n个样本，m个测量变量，其中xi＝[x1i,x2i,…,xni]T∈Rn，(i＝1,2,…,m)，表示正常测量数据集中第i个传感器的n次测量值，即第i个变量的n个样本。用k个传感器对过程输出变量(如产品中某物质的含量等)与输入变量进行对应检测n次，称为正常质量数据，由正常质量数据组成正常质量数据集Y＝[y1,y2,…,yk]∈Rn×k，Y具有n个样本，k个质量变量，其中yj＝[y1j,y2j,…,ynj]T∈Rn，(j＝1,2,…,k)，表示正常质量数据集中第k个传感器的n次测量值，即第k个变量的n个样本。此时所得数据均不含有故障信息，可用于建立动态正交信号校正模型，且正常测量数据和正常质量数据均为历史数据。
为了技术上的便利以及消除输入变量和输出变量的量纲效应，需要对正常测量数据集和正常质量数据集中的数据进行零均值、单位方差等标准化处理。为了方便表示，后面所使用的X、Y均为标准化处理后的数据集。
本发明采用自回归滑动平均模型(ARMAX)通过衍生大量时滞值重构出一个如公式(1)所示的增广矩阵Xg，增广矩阵Xg包含了复杂工业过程中正常测量数据的历史信息，反应系统动态特性。假设时间滞后为h，即为增广矩阵Xg每一块中保留的历史信息量，根据自回归滑动平均模型(ARMAX)矩阵格式，生成如下增广矩阵：
Xg＝[X1,X2,…,Xh,Xh+1] (1)；
记l＝n-h为增广矩阵的样本数，公式(1)中，Xi＝[xh-i+2,xh-i+3,…,xh-i+l+1]T，(i＝1,2,…h+1)。
然后求下式所示的目标函数的最优解：
其中，
为Kronecker积，β＝[β1,…,βh+1]是Xiw的权重系数，w为Xg的权重向量。为了方便表示，作如下设定：
采用迭代法计算w和β，利用迭代出的w计算动态潜在得分向量t＝Xw，提取其第一主成分的得分向量记作td⊥，将td⊥向预处理后的Y做正交投影，得到新的正交得分向量tdnew。但是此时的tdnew不是X的线性组合，因此将tdnew看作预处理后的Y用来构建与X的偏最小二乘(PLS)迭代模型，由得到的参数求权重向量。
wd⊥＝Wd(Pd TWd)-1qd T (4)；
其中Wd，Pd，qd由偏最小二乘(PLS)迭代模型迭代求得，计算出新的得分向量td⊥＝Xwd⊥，迭代至td⊥收敛，由此得出的td⊥既与预处理后的Y正交，又是X的线性组合。计算负载向量pd⊥＝XTtd⊥/td⊥ Ttd⊥修正X变量，用公式(5)去除不期望的信息得到Xosc，一般只需要去除1个或2个正交成分即可。公式(5)即为动态正交信号校正模型，此时得到的Xosc中已经去除了工业过程测量数据X中部分与质量数据Y正交的信息，该类信息变化对产品质量不会产生太大影响。
动态正交信号校正模型建立过程如下，其算法流程如图2所示。
Step1：利用自回归滑动平均模型(ARMAX)处理标准化处理后的正常测量数据集X和标准化处理后的正常质量数据集Y，得到增广矩阵Xg，j＝1。
Step2：初始化wj＝[1,0,…,0]T，由公式(4)计算Sw。
Step3：对Sw进行特征分解，Swβj＝λββj，令βj为最大特征值对应的特征向量。
Step4：由公式(4)计算Sβ，对Sβ进行特征值分解，Sβωj＝λwωj，并令wj为对应最大特征值的特征向量。
Step5：返回到Step2，j＝j+1，直到wj满意为止。
Step6：td＝Xwj，p＝XTtd/td Ttd；
Step7：X＝X-tdpT，Xg＝[X1,X2,…,Xh+1]，S≡Xg TXg；td⊥＝td。
Step8：计算正交得分向量tdnew＝td⊥-Y(YTY)-1YTtd⊥。
Step9：对X，tdnew进行PLS建模，得出Wd，Pd，qd。
Step10：计算新的权重向量wd⊥＝Wd(Pd TWd)-1qd T。
Step11：计算新的得分向量td⊥＝Xwd⊥，若td⊥收敛，继续执行Step12，否则返回Step8。
Step12：计算负载向量pd⊥＝XTtd⊥/td⊥ Ttd⊥。
Step13：
X＝Xosc，重复Step2到Step13，直到满意为止。
步骤103：根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型。
利用动态正交信号校正模型处理过的复杂工业过程中正常测量数据Xosc和正常质量数据Y建立改进的偏最小二乘模型。首先利用式(6)计算出Xosc与Y的回归系数矩阵Μ，Μ反应了测量数据Xosc与质量数据Y之间的关系。
Y通过Μ矩阵分解为
与
其中
与Xosc相关，表示质量数据Y中受测量数据Xosc影响的部分，
与Xosc不相关，表示质量数据Y中不受测量数据Xosc影响的部分。然后对ΜΜT进行SVD分解得到
和
即：
此时可以得到正交投影算子
最后将测量数据Xosc沿着正交投影算子向span{Μ}和span{Μ}⊥投影，得到正交的
与质量数据Y相关，会影响产品质量的优劣，
与质量数据Y无关，不会影响产品质量的优劣。则改进的偏最小二乘模型如下：
步骤104：获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理。此处的预处理与步骤101的预处理过程相同。
步骤105：采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据。
假设此时得到的一组新的复杂工业过程测量数据Xt和质量数据Yt，要进行相应的后续操作，需利用步骤102中所得正交信号校正模型对测量数据Xt进行处理，将测量数据Xt中的不期望的部分信息去除，即得到期望实时测量数据。
实际上，按照图2算法流程对测量数据Xt处理所得结果等价为式(9)：
Xtosc＝Xt-XtW⊥(P⊥ TW⊥)-1P⊥ T (9)；
其中，W⊥在动态正交信号校正算法中为W⊥＝[wd⊥1,…,wd⊥noc]，其中wd⊥i,(i＝1…noc)是由每次执行算法Step8～Step13中得出的权重向量wd⊥，P⊥为P⊥＝[pd⊥1,…,pd⊥noc]，其中pd⊥i,(i＝1…noc)是由每次执行算法Step8～Step13中得出的权重向量pd⊥，noc是正交成份数。
步骤106：基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
当复杂工业过程产生一个新的测量数据xnew和质量数据ynew，该组数据可能含有故障信息，即在检测到这组数据时，过程可能正在发生故障。利用改进的偏最小二乘算法中所得参数进行计算T2统计量，该统计量用于复杂工业过程中的故障检测。在计算统计量之前，对测量数据xnew进行处理，处理后的测量数据仍记为xnew。在改进的偏最小二乘算法中，
表示质量相关得分向量和质量无关得分向量，则利用式(10)构造质量相关统计量
用式(11)构造质量无关统计量
本发明利用χ2分布来计算反应质量相关故障的
统计量与反应质量无关故障的
统计量的控制限，相应的计算如下：
因为控制限是用来区分复杂工业过程是否发生故障的一个阈值，因此
和
选用正常工况下质量相关统计量
的均值与方差，
和
选用正常工况下
的均值与方差。
本发明的质量相关故障检测的诊断逻辑如下：
(1)若
即与质量数据Y相关的统计量
大于其控制量，则认为在工业过程中检测到与质量数据Y相关的故障。
(2)若
即在工业过程中未检测到质量相关故障的前提下，与质量数据Y无关的统计量
小于其控制量，则认为检测到的故障不影响质量数据Y。
在复杂工业过程中，故障检测率(FDR)和误报率(FAR)是重要的评价指标，FDR指在故障发生阶段，真正检测到的故障样本占总样本的百分比。FDR用来反应与质量数据Y相关的故障检测情况，低故障检测率会引发严重的灾害；FAR是指在正常工作状态下，由于噪声等干扰，使得系统检测出故障，但实际工业过程在正常运行，质量数据不发生改变。FAR用来反应与质量数据Y无关的故障样本的检测情况，高的误报率会影响生产效率。用Nea表示有效的报警数，Nfa表示虚警数，Ntf表示故障样本总数，则FDR与FAR按下式计算：
本发明所提出的故障检测方案具备以下功能：
(1)质量相关故障：由于质量相关故障会影响最终产品质量，因此，对于质量相关故障更注重FDR，所以质量相关统计指标应具有高的FDR，对质量无关统计指标不作特殊要求。
(2)质量无关故障：质量相关统计指标具有低的FAR，质量无关统计指标具有高的FDR。
实施例2
为实现上述目的本发明还提供了一种预先考虑动态关系的复杂过程的故障检测系统，如图3所示，包括：
第一预处理模块201，用于获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理。
动态正交信号校正模型建立模块202，用于根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型。
改进的偏最小二乘模型建立模块203，用于根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型。
第二预处理模块204，用于获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理。
期望实时测量数据获取模块205，用于采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据。
检测模块206，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
所述第一预处理模块201，具体包括：
获取单元，用于获取正常运行时复杂工业过程中的测量数据集和质量数据集；所述测量数据集包括m个测量变量，每个测量变量包括n次采集的测量数据；所述质量数据集包括k个质量变量，每个质量变量包括n次采集的质量数据。
标准化处理单元，用于对所述测量数据集和所述质量数据集分别进行标准化处理，得到标准化处理后的测量数据集和标准化处理后的质量数据集。
所述动态正交信号校正模型建立模块202，具体包括：
增广矩阵构建单元，用于采用自回归滑动平均模型对预处理后的正常测量数据进行处理，衍生多个时滞值，并根据所有所述时滞值构建增广矩阵。
目标函数构建单元，用于根据所述增广矩阵构建目标函数。
权重向量计算单元，用于采用迭代法计算所述目标函数的权重向量。
第一主成分得分向量确定单元，用于根据所述权重向量计算动态潜在得分向量，并提取所述动态潜在得分向量的第一主成分得分向量。
正交得分向量确定单元，用于将所述第一主成分得分向量向所述预处理后的质量数据集做正交投影，得到正交得分向量。
偏最小二乘迭代模型构建单元，用于根据所述正交得分向量和所述增广矩阵构建偏最小二乘迭代模型。
新的正交得分向量计算单元，用于根据所述偏最小二乘迭代模型迭代计算新的正交得分向量。
动态正交信号校正模型构建单元，用于根据所述新的正交得分向量和所述增广矩阵建立动态正交信号校正模型。
所述改进的偏最小二乘模型建立模块203，具体包括：
期望正常测量数据集计算单元，用于根据所述动态正交信号校正模型和预处理后的正常测量数据，计算期望正常测量数据集。
回归系数矩阵计算单元，用于根据所述期望正常测量数据集和所述预处理后的质量数据集，计算回归系数矩阵。
分解单元，用于根据所述回归系数矩阵对所述预处理后的质量数据集进行分解，得到分解后的质量数据集。
正交投影算子确定单元，用于对所述回归系数矩阵进行SVD分解，得到正交投影算子。
正交后的测量数据集确定单元，用于将所述期望正常测量数据集沿着所述正交投影算子投影，得到正交后的测量数据集。
改进的偏最小二乘模型建立单元，用于根据所述正交后的测量数据集、所述回归系数矩阵、所述分解后的质量数据集和所述期望正常测量数据集，建立改进的偏最小二乘模型。
所述检测模块206，具体包括：
质量相关统计量和质量无关统计量计算单元，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，计算质量相关统计量和质量无关统计量。
控制量计算单元，用于利用χ2分布计算反应所述质量相关统计量与所述质量无关统计量的控制量。
第一检测单元，用于当所述质量相关统计量大于或者等于所述控制量时，在正在运行的复杂工业过程中存在与质量数据相关的故障。
第二检测单元，用于当所述质量相关统计量小于所述控制量且所述质量无关统计量大于或者所述控制量时，在正在运行的复杂工业过程中不存在与质量数据相关的故障。
实施例3
本发明通过搭建的田纳西伊始曼过程(Tennessee Eastman Process)验证所提算法的性能，该过程是算法性能测试评估的重要平台，也是多变量过程监控方法测试的重要数据来源。TE过程包含众多的测量变量、操纵变量、输出变量和干扰等，是一个典型的复杂工业过程。其丰富的自由度能够为众多从事算法开发的研究人员提供珍贵海量的测试数据，普遍应用在工业过程中故障检测与故障诊断领域。
田纳西伊始曼过程是由Eastman化学公司创建的，目的是为评估过程控制和监测方法提供一个现实的工业过程。该过程由五个主要单元组成：反应器、冷凝器、压缩机、分离器和汽提器，它包含八种成份：A、B、C、D、E、F、G和H，如图4所示。
气体反应物A、C、D和E以及惰性气体B被输送到形成液体产物G和H的反应器中。反应器中的反应如下：
其中，F是该流程产生的副产品，所有反应都是不可逆的放热反应。反应速率为温度的Arrhenius函数，G的反应活化能大于H的活化能，对温度的敏感性较高。反应器产品流经冷凝器冷却，然后输入汽液分离器，离开分离器的蒸气通过压缩机循环到反应器进行反应，其中一部分气体被清除，以防止惰性和副产品在过程中积累。流4用于从流10中剥离剩余的反应物，后者通过流5与循环流结合。产物G和H从汽提器底部流出，进入其他流程。
下面就通过已搭建的一个基于实际工业过程的田纳西伊士曼(TennesseeEastman)过程(TE过程)所得到一组监测数据来验证本专利提出的方法。该实验系统共有12个操纵变量和41个测量变量，41个测量变量中又含有22个连续变量和19个成分变量。另外，该过程还包含了20种扰动，其中15种扰动为已知的故障分别是IDV(1)～IDV(15)。在这15种已知的故障中又分为两种类型的故障：一种是质量相关故障如IDV(1)、IDV(2)、IDV(5)、IDV(6)、IDV(7)、IDV(8)、IDV(10)、IDV(12)、IDV(13)，一种是质量无关故障如IDV(3)、IDV(4)、IDV(9)、IDV(11)、IDV(15)。这些样本中正常数据集包含480个样本，每个故障数据集包含960个样本。
选用22个测量变量(1—22)，11个操纵变量(42—52)作为测量数据X的变量，选用第38个测量变量作为质量数据Y的变量。首先利用正常数据集中33个测量数据的变量的480个样本组成步骤101中的测量数据集X，利用正常数据集中第38个测量变量的480个样本作为步骤101中质量数据集Y。首先对测量数据X与质量数据Y进行标准化处理，处理后的数据仍记为X、Y。根据步骤102方法利用测量数据X与质量数据Y建立动态正交信号校正模型，得到去除了工业过程测量数据X中部分与质量数据Y正交的信息后的Xosc，将Xosc用作步骤103中建立改进的偏最小二乘模型的初始数据，得到改进偏最小二乘模型的参数值。在利用故障数据集中33个测量数据的变量和第38个测量变量的960个样本组成步骤104中新的复杂工业过程测量数据Xt和质量数据Yt，此时测量数据Xt和质量数据Yt含有故障(15种已知故障的一种)，步骤104中的xnew与ynew是此时Xt与Yt的一个样本，利用步骤102中得到的动态正交信号校正模型的参数，使用步骤102的方法对新的测量数据Xt和质量数据Yt进行动态正交信号校正处理，得到去除了工业过程测量数据Xt中部分与质量数据Yt正交信息后的Xtosc。最后利用步骤106方法，根据步骤103所得改进的偏最小二乘的参数进行计算质量相关得分矩阵为
和质量无关得分矩阵为
计算统计量及其相应的控制线，并计算FDR，FAR。
在测试中，图5显示了所提方法对故障IDV(4)的检测结果，红色虚线为控制限，蓝色实线为统计量，统计量超过控制限代表报警。由图5可得，在故障IDV(4)下，该方法的质量相关统计指标具有较少的误报警，质量无关统计指标具有高的报警率，因此，可得出IDV(4)为质量无关故障，证明专利所提方法的有效性和准确性。表1列出了该方法在质量无关故障下质量相关统计指标的FAR。
表1所提方法在质量无关故障下质量相关统计指标的FAR(％)
由表1可知，所提方法对其它各类质量无关故障进行检测时具有很好的性能。当故障IDV(3)发生时，DO-MPLS具有很低的FAR，并对其他质量无关故障都有较低FAR，总体上对质量无关故障的误报有精确的检测精度。综上，当过程数据中含有质量无关故障时，本专利所提方法对质量无关故障的检测效果明显。
图6显示了所提方法对故障IDV(5)的检测结果，由图6可得，该方法中质量相关统计量与质量无关统计量对故障IDV(5)都能够检测到，并且质量相关统计指标的FDR＞99％。即针对该故障，该方法的质量相关统计指标具有高的FDR，且
因此可知，故障IDV(5)是质量相关故障，本专利所提的方法有效，表2给出了该法在质量相关故障下质量相关统计指标的FDR。
表2所提方法在质量相关故障下质量相关统计指标的FDR(％)
由表2可知，DO-MPLS在检测质量相关故障时除IDV(7)以外其他情况的FDR值都很高，证明过程数据中含有这些故障时专利所提方法都可以准确的检测出来，对于质量相关故障有较好的检测效果。
结合本实施例搭建的仿真平台所得的实验结果，对于将测量变量38作为输出，得出下列结果：本发明所提方法显著提高了具有动态输入和静态输出的系统的质量相关故障检测性能，使得质量相关故障检测更加可靠，减少工业中因故障造成的安全问题与产品质量问题。同时该方法又考虑质量无关故障，大大降低了工业设备生产中的误报率。根据上述的实验测量结果分析验证了本方法的有效性。
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 (10)
1.一种预先考虑动态关系的复杂过程的故障检测方法，其特征在于，包括：
获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理；
根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型；
根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型；
获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理；
采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据；
基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
2.根据权利要求1所述的一种预先考虑动态关系的复杂过程的故障检测方法，其特征在于，所述对所述正常测量数据和所述正常质量数据进行预处理，具体包括：
获取正常运行时复杂工业过程中的测量数据集和质量数据集；所述测量数据集包括m个测量变量，每个测量变量包括n次采集的测量数据；所述质量数据集包括k个质量变量，每个质量变量包括n次采集的质量数据；
对所述测量数据集和所述质量数据集分别进行标准化处理，得到标准化处理后的测量数据集和标准化处理后的质量数据集。
3.根据权利要求1所述的一种预先考虑动态关系的复杂过程的故障检测方法，其特征在于，所述根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型，具体包括：
采用自回归滑动平均模型对预处理后的正常测量数据进行处理，衍生多个时滞值，并根据所有所述时滞值构建增广矩阵；
根据所述增广矩阵构建目标函数；
采用迭代法计算所述目标函数的权重向量；
根据所述权重向量计算动态潜在得分向量，并提取所述动态潜在得分向量的第一主成分得分向量；
将所述第一主成分得分向量向所述预处理后的质量数据集做正交投影，得到正交得分向量；
根据所述正交得分向量和所述增广矩阵构建偏最小二乘迭代模型；
根据所述偏最小二乘迭代模型迭代计算新的正交得分向量；
根据所述新的正交得分向量和所述增广矩阵建立动态正交信号校正模型。
4.根据权利要求1所述的一种预先考虑动态关系的复杂过程的故障检测方法，其特征在于，所述根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型，具体包括：
根据所述动态正交信号校正模型和预处理后的正常测量数据，计算期望正常测量数据集；
根据所述期望正常测量数据集和所述预处理后的质量数据集，计算回归系数矩阵；
根据所述回归系数矩阵对所述预处理后的质量数据集进行分解，得到分解后的质量数据集；
对所述回归系数矩阵进行SVD分解，得到正交投影算子；
将所述期望正常测量数据集沿着所述正交投影算子投影，得到正交后的测量数据集；
根据所述正交后的测量数据集、所述回归系数矩阵、所述分解后的质量数据集和所述期望正常测量数据集，建立改进的偏最小二乘模型。
5.根据权利要求1所述的一种预先考虑动态关系的复杂过程的故障检测方法，其特征在于，所述基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测，具体包括：
基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，计算质量相关统计量和质量无关统计量；
利用χ2分布计算反应所述质量相关统计量与所述质量无关统计量的控制量；
当所述质量相关统计量大于或者等于所述控制量时，在正在运行的复杂工业过程中存在与质量数据相关的故障；
当所述质量相关统计量小于所述控制量且所述质量无关统计量大于或者所述控制量时，在正在运行的复杂工业过程中不存在与质量数据相关的故障。
6.一种预先考虑动态关系的复杂过程的故障检测系统，其特征在于，包括：
第一预处理模块，用于获取正常运行时复杂工业过程中的正常测量数据和正常质量数据，并对所述正常测量数据和所述正常质量数据进行预处理；
动态正交信号校正模型建立模块，用于根据预处理后的正常测量数据和正常质量数据，建立动态正交信号校正模型；
改进的偏最小二乘模型建立模块，用于根据所述动态正交信号校正模型以及所述预处理后的正常测量数据和正常质量数据，建立改进的偏最小二乘模型；
第二预处理模块，用于获取正在运行时复杂工业过程中的实时测量数据和实时质量数据，并对所述实时测量数据和所述实时质量数据进行预处理；
期望实时测量数据获取模块，用于采用所述动态正交信号校正模型对预处理后的实时测量数据进行处理，获取期望实时测量数据；
检测模块，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，对正在运行的复杂工业过程中的质量相关故障进行检测。
7.根据权利要求6所述的一种预先考虑动态关系的复杂过程的故障检测系统，其特征在于，所述第一预处理模块，具体包括：
获取单元，用于获取正常运行时复杂工业过程中的测量数据集和质量数据集；所述测量数据集包括m个测量变量，每个测量变量包括n次采集的测量数据；所述质量数据集包括k个质量变量，每个质量变量包括n次采集的质量数据；
标准化处理单元，用于对所述测量数据集和所述质量数据集分别进行标准化处理，得到标准化处理后的测量数据集和标准化处理后的质量数据集。
8.根据权利要求6所述的一种预先考虑动态关系的复杂过程的故障检测系统，其特征在于，所述动态正交信号校正模型建立模块，具体包括：
增广矩阵构建单元，用于采用自回归滑动平均模型对预处理后的正常测量数据进行处理，衍生多个时滞值，并根据所有所述时滞值构建增广矩阵；
目标函数构建单元，用于根据所述增广矩阵构建目标函数；
权重向量计算单元，用于采用迭代法计算所述目标函数的权重向量；
第一主成分得分向量确定单元，用于根据所述权重向量计算动态潜在得分向量，并提取所述动态潜在得分向量的第一主成分得分向量；
正交得分向量确定单元，用于将所述第一主成分得分向量向所述预处理后的质量数据集做正交投影，得到正交得分向量；
偏最小二乘迭代模型构建单元，用于根据所述正交得分向量和所述增广矩阵构建偏最小二乘迭代模型；
新的正交得分向量计算单元，用于根据所述偏最小二乘迭代模型迭代计算新的正交得分向量；
动态正交信号校正模型构建单元，用于根据所述新的正交得分向量和所述增广矩阵建立动态正交信号校正模型。
9.根据权利要求6所述的一种预先考虑动态关系的复杂过程的故障检测系统，其特征在于，所述改进的偏最小二乘模型建立模块，具体包括：
期望正常测量数据集计算单元，用于根据所述动态正交信号校正模型和预处理后的正常测量数据，计算期望正常测量数据集；
回归系数矩阵计算单元，用于根据所述期望正常测量数据集和所述预处理后的质量数据集，计算回归系数矩阵；
分解单元，用于根据所述回归系数矩阵对所述预处理后的质量数据集进行分解，得到分解后的质量数据集；
正交投影算子确定单元，用于对所述回归系数矩阵进行SVD分解，得到正交投影算子；
正交后的测量数据集确定单元，用于将所述期望正常测量数据集沿着所述正交投影算子投影，得到正交后的测量数据集；
改进的偏最小二乘模型建立单元，用于根据所述正交后的测量数据集、所述回归系数矩阵、所述分解后的质量数据集和所述期望正常测量数据集，建立改进的偏最小二乘模型。
10.根据权利要求6所述的一种预先考虑动态关系的复杂过程的故障检测系统，其特征在于，所述检测模块，具体包括：
质量相关统计量和质量无关统计量计算单元，用于基于所述改进的偏最小二乘模型，根据所述期望实时测量数据和预处理后的实时质量数据，计算质量相关统计量和质量无关统计量；
控制量计算单元，用于利用χ2分布计算反应所述质量相关统计量与所述质量无关统计量的控制量；
第一检测单元，用于当所述质量相关统计量大于或者等于所述控制量时，在正在运行的复杂工业过程中存在与质量数据相关的故障；
第二检测单元，用于当所述质量相关统计量小于所述控制量且所述质量无关统计量大于或者所述控制量时，在正在运行的复杂工业过程中不存在与质量数据相关的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911301804.4A CN110928263B (zh) | 2019-12-17 | 2019-12-17 | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911301804.4A CN110928263B (zh) | 2019-12-17 | 2019-12-17 | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110928263A true CN110928263A (zh) | 2020-03-27 |
| CN110928263B CN110928263B (zh) | 2022-10-28 |
Family
ID=69863967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911301804.4A Active CN110928263B (zh) | 2019-12-17 | 2019-12-17 | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110928263B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT507019A1 (de) * | 2008-07-04 | 2010-01-15 | Siemens Vai Metals Tech Gmbh | Verfahren zur überwachung einer industrieanlage |
| JP2010016654A (ja) * | 2008-07-03 | 2010-01-21 | Nec Access Technica Ltd | 通信品質測定システム、通信品質測定方法、および通信品質測定プログラム |
| CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
| JP2016153739A (ja) * | 2015-02-20 | 2016-08-25 | 株式会社Ｎｔｔファシリティーズ | 給電システム、電源品質監視装置、給電監視方法、及びプログラム |
| CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
| CN107817784A (zh) * | 2017-10-26 | 2018-03-20 | 东北大学 | 一种基于并发偏最小二乘的过程故障检测方法 |
| CN109242224A (zh) * | 2018-11-29 | 2019-01-18 | 杭州电子科技大学 | 一种新型化工过程质量预测方法 |
| CN109799808A (zh) * | 2019-01-25 | 2019-05-24 | 东北大学 | 一种基于重构技术的动态过程故障预测方法 |
| CN109829136A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军火箭军工程大学 | 一种带随机跳变的退化设备的剩余寿命预测方法及系统 |
-
2019
- 2019-12-17 CN CN201911301804.4A patent/CN110928263B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010016654A (ja) * | 2008-07-03 | 2010-01-21 | Nec Access Technica Ltd | 通信品質測定システム、通信品質測定方法、および通信品質測定プログラム |
| AT507019A1 (de) * | 2008-07-04 | 2010-01-15 | Siemens Vai Metals Tech Gmbh | Verfahren zur überwachung einer industrieanlage |
| CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
| JP2016153739A (ja) * | 2015-02-20 | 2016-08-25 | 株式会社Ｎｔｔファシリティーズ | 給電システム、電源品質監視装置、給電監視方法、及びプログラム |
| CN107272667A (zh) * | 2017-08-07 | 2017-10-20 | 华中科技大学 | 一种基于平行的偏最小二乘法的工业过程故障检测方法 |
| CN107817784A (zh) * | 2017-10-26 | 2018-03-20 | 东北大学 | 一种基于并发偏最小二乘的过程故障检测方法 |
| CN109242224A (zh) * | 2018-11-29 | 2019-01-18 | 杭州电子科技大学 | 一种新型化工过程质量预测方法 |
| CN109829136A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军火箭军工程大学 | 一种带随机跳变的退化设备的剩余寿命预测方法及系统 |
| CN109799808A (zh) * | 2019-01-25 | 2019-05-24 | 东北大学 | 一种基于重构技术的动态过程故障预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孔祥玉 等: ""偏最小二乘线性模型及其非线性动态扩展模型综述"", 《控制与决策》 * |
| 常鹏 等: ""基于统计量模式分析的MKPLS间歇过程监控与质量预报"", 《仪器仪表学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110928263B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A comparison and evaluation of key performance indicator-based multivariate statistics process monitoring approaches | |
| CN101169623B (zh) | 基于核主元分析贡献图的非线性过程故障辨识方法 | |
| CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
| 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 | |
| Tong et al. | Decentralized monitoring of dynamic processes based on dynamic feature selection and informative fault pattern dissimilarity | |
| CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| 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 | |
| Rotem et al. | Ethylene compressor monitoring using model‐based PCA | |
| CN109143995B (zh) | 质量相关慢特征分解的闭环系统精细运行状态监测方法 | |
| CN108958226B (zh) | 基于生存信息势—主成分分析算法的te过程故障检测方法 | |
| 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 | |
| CN110244692B (zh) | 化工过程微小故障检测方法 | |
| Maleki et al. | Simultaneous monitoring of multivariate process mean and variability in the presence of measurement error with linearly increasing variance under additive covariate model (research note) | |
| CN111639304B (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
| CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
| CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
| Hu et al. | Direct projection to latent variable space for fault detection | |
| CN110928263B (zh) | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 | |
| CN116305733B (zh) | 一种基于全局和局部特征提取的质量相关故障检测方法 | |
| CN111626099B (zh) | 一种基于改进ccm的工业控制系统多回路振荡因果关系分析方法 | |
| Xie et al. | Fault detection based on probabilistic kernel partial least square regression for industrial processes | |
| CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
| CN113050606A (zh) | 一种复杂非平稳过程的质量相关故障检测方法 | |
| CN114200914A (zh) | 一种基于mw-occa的质量相关早期故障检测方法 | |
| Alcala et al. | Monitoring of dynamic processes with subspace identification and principal component analysis |
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 |