CN111061257B - 一种基于动态全局lpp的工业过程监测方法 - Google Patents
一种基于动态全局lpp的工业过程监测方法 Download PDFInfo
- Publication number
- CN111061257B CN111061257B CN201911392556.9A CN201911392556A CN111061257B CN 111061257 B CN111061257 B CN 111061257B CN 201911392556 A CN201911392556 A CN 201911392556A CN 111061257 B CN111061257 B CN 111061257B
- Authority
- CN
- China
- Prior art keywords
- new
- data
- matrix
- dglpp
- monitoring
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明涉及一种基于动态全局LPP的工业过程监测方法。本发明首先离线建模,收集化工过程正常工作的传感器数据作为训练数据,并执行DGLPP算法,确定投影矩阵和统计量控制限。然后在线监测,采集在线新样本,进行DGLPP处理,计算监测统计量并与离线建模时的控制限对比,本发明在LPP中引入了全局约束条件的同时将原始数据进行动态矩阵拓展,加强了算法的全局特性和动态特性。
Description
技术领域
本发明属于自动化技术领域,涉及一种基于动态全局LPP的工业过程监测方法。
背景技术
作为现代工业过程的重要组成部分,过程监测发挥着重要的作用,目前已经出现了大量的基于数据驱动的过程监测方法来检测故障。作为常用的数据降维方法,局部保留投影(LPP)已经被广泛应用于过程监测。传统的LPP方法大都隐含假设某一时刻的观测值与过去时刻的观测值在统计上是独立的。在实际的化学和生物过程中,由于其动态和非线性的特点,这些假设是无效的。然而LPP仍然是一种有效简单的数据提取方法,所以可以构建新的统计监测模型来充分发挥LPP的优势。
发明内容
本发明针对现有技术的不足,提供了一种基于动态全局LPP的工业过程监测方法。
本发明解决技术问题所采取的具体技术方案如下:
步骤1:离线建模,收集化工过程正常工作的传感器数据作为训练数据,并执行DGLPP算法,确定投影矩阵和统计量控制限。
具体步骤:
1.1收集化工过程正常工作的数据作为训练数据X,构造进行DGLPP所需的新数据矩阵XNEW=[X(k)X(k-1)…X(k-L)]∈Rn×(m×L)。
其中X有m个变量和n个采样数据。X(k-L)为前L个采样时刻的数据矩阵,L为延时参数,一般为1或为2,根据实际情况确定。
1.2由于过程中采集到的数据可能存在单位不一致,数值相差过大等问题,对1.1中新的矩阵进行标准化,
1.3根据经验选择合适的DGLPP参数,执行如下DGLPP得到投影矩阵A。
首先根据LPP的目标函数,同理易得到DGLPP的目标函数:
其中未知数具体代表意义或求法如下:
M=H-R
Hii=∑jRij
xi表示的第i个样本。Ω()表示K邻域。Wij和分别表示W和的第i行第j列的元素值,I表示单位矩阵。η为加权系数,用以调节全局和局部的“侧重程度”。σ1和σ2为根据经验人为设定的参数,用以调节监测能力。W和分别代表局部和全局的权重矩阵。H为对角矩阵,对角值为R每列的和。
因此优化问题可以通过下式求出:
1.4建立基于DGLPP的NOC模型。
其中E表示残差矩阵,Y∈Rn×l,代表投影后的矩阵。
1.5计算D和Q统计量的控制限DC和QC,a。
其中n为建模数据样本的个数,l为保留的主成分个数;a为显著性水平。在自由度为l,n-l条件下的F分布临界值可由统计表中查到。
其中Ca是正态分布在显著水平a下的临界值;λj为数据协方差矩阵较小的几个特征根。
步骤2:在线监测,采集在线新样本,进行DGLPP处理,计算监测统计量并与离线建模时的控制限对比,具体步骤如下。
2.1采集在线数据xi∈Rm,构造进行DGLPP所需的新数据样本xnew=[xnew(k)xnew(k-1)…xnew(k-L)]∈R(m×L),由于存在延时L,所以在采集到第L个原始数据样本时才能产生第一个所需要的新数据样本。使用步骤1.2中计算得到的训练数据的均值向量对新的数据向量标准化,方法同1.2。标准化后的数据样本记为
2.2利用新采集的数据建立如下基于DGLPP的NOC模型。
ynew为投影后的向量。enew为残差向量。
2.3计算D和Q统计量。
D=ynew TS-1ynew
Q=enew Tenew
步骤3:判断故障
若:D≥DC或Q≥QC则产生故障。
本发明的有益效果:本发明为了在提高LPP算法全局特性的同时,改善方法处理动态性系统的能力,以此提出了一种基于动态全局LPP(简称为DGLPP)的化工过程监测方法。该方法在LPP中引入了全局约束条件的同时将原始数据进行动态矩阵拓展,加强了算法的全局特性和动态特性。
具体实施方式
下面结合实施例对本发明作进一步说明。
以金的湿法冶金过程为例:
湿法冶金流程包含氰化浸出子流程,压滤洗涤子流程,锌粉置换子流程等主要工序。本发明的方法为数据驱动方法,只需要对采集的数据分析即可,不需要知道具体解析模型,这也是本发明的一个优点。
步骤1:离线建模,收集湿法冶金过程中一个正常工作过程的传感器数据(如浸出槽空气流量,各种离子浓度,压力等)作为训练数据。并执行DGLPP,确定投影矩阵和统计量控制限。
具体步骤:
1.1收集冶金过程正常工作的数据作为训练数据X∈Rn×m,构造进行DGLPP所需的新数据矩阵XNEW=[X(k)X(k-1)…X(k-L)]∈R(n-L)×(m×L)。
其中X有m个变量(数量为冶金过程中所能采集的数据种类数目)和n个采样样本。X(k-L)为前L个采样时刻的数据矩阵,L为延时参数,一般为1或为2。
1.2由于过程中采集到的数据可能存在单位不一致,数值相差过大等问题,对1.1中新的矩阵进行标准化,
1.3根据经验法选择合适的DGLPP参数,执行DGLPP得到投影矩阵A。
根据LPP的目标函数,同理易得到DGLPP的目标函数:
其中未知数具体代表意义或求法如下:
M=H-R
Hii=∑jRij
xi表示的第i个样本。Ω()表示K邻域。Wij和分别表示W和的第i行第j列的元素值,I表示单位矩阵。h为加权系数,用以调节全局和局部的“侧重程度”。σ1和σ2为根据经验人为设定的参数,用以调节监测能力。W和分别代表局部和全局的权重矩阵。H为对角矩阵,对角值为R每列的和。
因此优化问题可以通过下式求出:
1.4建立如下基于DGLPP的NOC模型。
其中E表示残差矩阵,Y∈Rn×l,代表投影后的矩阵。
1.5计算D和Q统计量的控制限DC和QC,a。
其中n为建模数据样本的个数,l为主成分中保留的主成分个数;a为显著性水平。在自由度为l,n-l条件下的F分布临界值可由统计表中查到。
其中Ca是正态分布在显著水平a下的临界值;λj为数据协方差矩阵较小的几个特征根。
步骤2:冶金过程在线监测。采集冶金在线新样本。进行DGLPP处理,计算监测统计量并与离线建模时的控制限对比,具体步骤如下:
2.1采集冶金过程实时在线数据向量xi∈Rm,并且变量个数与变量代表的物理意义与离线建模时一致。构造进行DGLPP所需的新数据样本xnew=[xnew(k)xnew(k-1)…xnew(k-L)]∈R(m×L)。由于存在延时,所以在采集到第L个数据样本时才能产生第一个所需要的新数据样本。使用步骤1.2中计算得到的训练数据的均值向量对新的数据向量标准化,方法同1.2。
2.2与步骤1.4中的方法类似,利用标准化后的数据建立如下基于DGLPP的NOC模型。
ynew为投影后的向量。enew为残差向量。
2.3计算D和Q统计量。
D=ynew TS-1ynew
Q=enew Tenew
步骤3:判断故障
若:D≥DC或Q≥QC则代表冶金过程产生故障,应该立即停止生产进行检查。
Claims (1)
1.一种基于动态全局LPP的工业过程监测方法,其特征在于该方法包括以下步骤:
步骤1:离线建模,收集湿法冶金过程中的传感器数据,包括浸出槽空气流量,各种离子浓度和压力,作为训练数据;并执行DGLPP,确定投影矩阵和统计量控制限;
具体步骤:
1.1收集冶金过程正常工作时传感器获取的数据作为训练数据X∈Rn×m,构造进行DGLPP所需的新数据矩阵XNEW;
XNEW=[X(k) X(k-1)…X(k-L)]∈R(n-L)×(m×L);
其中X有m个变量和n个采样样本;X(k-L)为前L个采样时刻的数据矩阵,L为延时参数;
1.2对新数据矩阵XNEW进行标准化,
1.3根据经验法选择合适的DGLPP参数,执行DGLPP得到投影矩阵A;
根据LPP的目标函数,同理得到DGLPP的目标函数:
其中未知数具体代表意义或求法如下:
M=H-R
Hii=∑jRij
xi表示的第i个样本;Ω()表示K邻域;Wij和分别表示W和的第i行第j列的元素值,I表示单位矩阵;h为加权系数,用以调节全局和局部的“侧重程度”;σ1和σ2为根据经验人为设定的参数,用以调节监测能力;W和分别代表局部和全局的权重矩阵;H为对角矩阵,对角值为R每列的和;
因此优化问题通过下式求出:
1.4建立如下基于DGLPP的NOC模型;
其中E表示残差矩阵,Y∈Rn×l,代表投影后的矩阵;
1.5计算D和Q统计量的控制限DC和QC,a;
在自由度为l,n-l条件下的F分布临界值可由统计表中查到;
其中Ca是正态分布在显著水平a下的临界值;λj为第j个特征值;
步骤2:冶金过程在线监测;采集冶金在线新样本;进行DGLPP处理,计算监测统计量并与离线建模时的控制限对比;具体步骤如下:
2.1采集冶金过程实时在线数据向量xnew∈Rm,并且变量个数与变量代表的物理意义与离线建模时一致;构造进行DGLPP所需的新数据样本xnew=[xnew(k) xnew(k-1)…xnew(k-L)]∈R(m×L);由于存在延时,所以在采集到第L个数据样本时才能产生第一个所需要的新数据样本;使用步骤1.2中计算得到的训练数据的均值向量对新的数据向量标准化,方法同1.2;标准化后的数据样本记为
2.2利用标准化后的数据建立如下基于DGLPP的NOC模型;
ynew为投影后的向量;enew为残差向量;
2.3计算D和Q统计量;
D=ynew TS-1ynew
Q=enew Tenew
步骤3:判断故障
若:D≥DC或Q≥QC则代表冶金过程产生故障,应该立即停止生产进行检查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392556.9A CN111061257B (zh) | 2019-12-30 | 2019-12-30 | 一种基于动态全局lpp的工业过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392556.9A CN111061257B (zh) | 2019-12-30 | 2019-12-30 | 一种基于动态全局lpp的工业过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061257A CN111061257A (zh) | 2020-04-24 |
CN111061257B true CN111061257B (zh) | 2021-02-19 |
Family
ID=70303063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911392556.9A Active CN111061257B (zh) | 2019-12-30 | 2019-12-30 | 一种基于动态全局lpp的工业过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061257B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270363A (zh) * | 2020-11-02 | 2021-01-26 | 杭州电子科技大学 | 一种局部近邻在线自适应建模的性能绩效指标确定方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932846A (zh) * | 2006-10-12 | 2007-03-21 | 上海交通大学 | 基于外表模型的视频人脸跟踪识别方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
CN103576594A (zh) * | 2013-11-11 | 2014-02-12 | 浙江工业大学 | 一种基于张量全局-局部保持投影的间歇过程在线监控方法 |
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 |
CN106338977A (zh) * | 2016-10-17 | 2017-01-18 | 沈阳化工大学 | 基于差分局部保持投影的非线性过程故障检测方法 |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN106404442A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 基于数据邻域特征与非邻域特征保持的工业过程故障检测方法 |
CN106839769A (zh) * | 2017-03-24 | 2017-06-13 | 东北大学 | 基于多流形半监督局部‑全局的电熔镁炉故障监测方法 |
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN109656202A (zh) * | 2018-12-06 | 2019-04-19 | 南通大学 | 基于局部和结构一致性流形gmm的多模态过程监测方法 |
JP2019157236A (ja) * | 2018-03-15 | 2019-09-19 | 住友金属鉱山株式会社 | 固液分離処理方法、ニッケル酸化鉱石の湿式製錬方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009060258A1 (de) * | 2009-12-23 | 2011-06-30 | SMS Siemag Aktiengesellschaft, 40237 | Steuerung des Konverterprozesses durch Abgassignale |
DE102014224461A1 (de) * | 2014-01-22 | 2015-07-23 | Sms Siemag Ag | Verfahren zur optimierten Herstellung von metallischen Stahl- und Eisenlegierungen in Warmwalz- und Grobblechwerken mittels eines Gefügesimulators, -monitors und/oder -modells |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
-
2019
- 2019-12-30 CN CN201911392556.9A patent/CN111061257B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1932846A (zh) * | 2006-10-12 | 2007-03-21 | 上海交通大学 | 基于外表模型的视频人脸跟踪识别方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
CN103576594A (zh) * | 2013-11-11 | 2014-02-12 | 浙江工业大学 | 一种基于张量全局-局部保持投影的间歇过程在线监控方法 |
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 |
CN106404442A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 基于数据邻域特征与非邻域特征保持的工业过程故障检测方法 |
CN106384130A (zh) * | 2016-09-22 | 2017-02-08 | 宁波大学 | 基于数据多近邻局部特征嵌入的故障检测方法 |
CN106338977A (zh) * | 2016-10-17 | 2017-01-18 | 沈阳化工大学 | 基于差分局部保持投影的非线性过程故障检测方法 |
CN106839769A (zh) * | 2017-03-24 | 2017-06-13 | 东北大学 | 基于多流形半监督局部‑全局的电熔镁炉故障监测方法 |
JP2019157236A (ja) * | 2018-03-15 | 2019-09-19 | 住友金属鉱山株式会社 | 固液分離処理方法、ニッケル酸化鉱石の湿式製錬方法 |
CN108709745A (zh) * | 2018-05-02 | 2018-10-26 | 东北林业大学 | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 |
CN109522948A (zh) * | 2018-11-06 | 2019-03-26 | 山东科技大学 | 一种基于正交局部保持投影的故障检测方法 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN109656202A (zh) * | 2018-12-06 | 2019-04-19 | 南通大学 | 基于局部和结构一致性流形gmm的多模态过程监测方法 |
Non-Patent Citations (1)
Title |
---|
"基于局部密度估计的多模态过程故障检测";刘帮莉,等;《化工学报》;20140831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111061257A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN109675935B (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
CN108960329B (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
CN112666918B (zh) | 一种基于在线压缩keca自适应工业过程故障检测方法 | |
CN111061257B (zh) | 一种基于动态全局lpp的工业过程监测方法 | |
CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN110879971B (zh) | 工业生产设备运行异常情况预测方法及系统 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN110889091A (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN111695730A (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN113221282A (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
CN113848307A (zh) | 一种针对污泥膨胀的特征提取主成分分析在线监测方法 | |
CN111188761B (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
CN112214006A (zh) | 考虑两维动态特性的间歇过程故障检测方法及系统 | |
CN115826636B (zh) | 一种cvd设备的压力控制方法及系统 | |
CN109344974B (zh) | 电气设备开关量记录快速纠错方法 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN111523662B (zh) | 基于adaline神经网络的动态过程控制限确定方法及设备 | |
CN110954841A (zh) | 一种基于锂电池小波去噪的在线监测方法 | |
CN112378651A (zh) | 一种基于数据驱动的设备动态可靠性评估方法 | |
CN114873665B (zh) | 基于计算机视觉技术的凝结水精处理再生自动控制系统 | |
KR100793244B1 (ko) | 진공펌프 상태진단 시스템 |
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 |