CN111340110B - 一种基于工业过程运行状态趋势分析的故障预警方法 - Google Patents

一种基于工业过程运行状态趋势分析的故障预警方法 Download PDF

Info

Publication number
CN111340110B
CN111340110B CN202010118012.XA CN202010118012A CN111340110B CN 111340110 B CN111340110 B CN 111340110B CN 202010118012 A CN202010118012 A CN 202010118012A CN 111340110 B CN111340110 B CN 111340110B
Authority
CN
China
Prior art keywords
trend
sample
data
value
fault
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
Application number
CN202010118012.XA
Other languages
English (en)
Other versions
CN111340110A (zh
Inventor
刘金平
王杰
蒋楚蓉
史雅琴
曾聘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Normal University
Original Assignee
Hunan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Normal University filed Critical Hunan Normal University
Priority to CN202010118012.XA priority Critical patent/CN111340110B/zh
Publication of CN111340110A publication Critical patent/CN111340110A/zh
Application granted granted Critical
Publication of CN111340110B publication Critical patent/CN111340110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于工业过程运行状态趋势分析的故障预警方法，包括以下步骤：步骤一：获取工业过程中历史正常过程数据和带有故障的过程数据；步骤二：通过对带有故障的数据进行监测获取故障数据监测统计量的值；步骤三：对带有故障过程数据及其观测值建立高斯过程回归(GPR)模型；步骤四：使用定性趋势分析对观测值进行描述，得到7种基本趋势基，并通过核字典学习(KDL)提取带有故障的过程数据7种基本趋势，建立系统运行状态的趋势库；步骤五：使用GPR模型预测在线采集过程数据的观测值，作为KDL的输入向量，对不同的趋势进行分类分析，实现故障早期预警。该方法可有效反映故障发展趋势，对工业过程实现有效故障诊断与健康管理具有重要作用。

Description

一种基于工业过程运行状态趋势分析的故障预警方法
技术领域
本发明属于流程工业过程故障诊断与预警领域，具体是涉及到一种基于高斯过程回归的状态预测和核字典学习的趋势提取的流程工业过程故障预警方法。
背景技术
随着国民经济的快速发展，工业生产规模不断扩大，现代工业过程向着非线性、非高斯、非稳态和多模态等复杂化方向发展，工业生产事故频发，事故危害和损失及其巨大，工业过程安全直接关系到国家经济发展和人民生命财产安全，过程安全、产品质量以及节能减排增效逐渐成为现代工业的核心目标。故障趋势预测是故障诊断和健康管理领域的一个重要内容，工业过程的运行状态直接影响到产品质量和安全生产。因此，及时掌握和发现工业过程运行状态的趋势，预测工业过程故障的发展过程是保障过程安全和可靠运行的关键。目前，工业过程运行状态预测的主要方法包括自回归滑动平均方法、支持向量回归和神经网络等方法；通过自回归滑动平均方法对工业过程时序数据进行预测其参数难以确定，造成对不同时序过程数据预测鲁棒性不足等问题；支持向量回归对于一些复杂非线性工业过程数据预测具有很大的难度；神经网络方法则需要大量的训练样本和易陷入过拟合等问题，难以进行有效的预测。
高斯过程回归是一种随机过程，是对高维高斯分布的一个扩展，具有建模参数少，优化时间短，对处理非线性高维数据具有良好的适应性。相对于神经网络方法，高斯过程回归预测精度更高；相比于支持向量回归，高斯过程回归泛化能力和鲁棒性更强。高斯过程回归由均值函数和协方差函数进行描述，先计算历史过程数据的先验概率分布以及历史过程数据和预测数据的联合概率分布，最后根据贝叶斯定理获得预测数据的后验率分布，从而确定预测值。字典学习通过去除样本矩阵中的冗余信息，寻找合适的稀疏表达字典，达到降低学习任务难度、降低计算和存储开销和提高可解释的作用。首先根据过程数据运行状态的7种基本趋势对历史过程数据进行标记，利用标记历史过程数据进行核字典学习，实现剔除降噪和冗余分量的效果，然后对所预测出时序数据进行识别，判断出工业过程运行状态的趋势，从而实现故障的早期预测。
名词解释：
PCA方法：主成分分析法，即通过线性变换,将原始数据变换为一组各维度线性无关的数据表示方法。
KPCA方法：核主成分分析，一种对PCA算法的非线性扩展。
PLS方法：偏最小二乘回归方法。
发明内容
本发明要解决的技术问题是提供一种基于工业过程运行状态趋势分析的故障预警方法。本发明通过结合定性趋势分析和过程状态预测建立基于工业过程运行状态趋势的故障预警方法，能够准确、直观的反映工业过程运行的状态。
本发明的内容包括：
一种基于工业过程运行状态趋势分析的故障预警方法，包括以下步骤：
S1：基于工业现场的过程数据传感器采集系统，获取工业过程中历史正常过程数据样本集X和带有故障的过程数据样本集S；
S2：通过样本集X构建故障监测模型，然后对样本集S进行监测，获取故障数据监测统计量SPE的值，作为描述过程数据传感器采集系统运行状态的观测向量Y；
S3：对样本集S和观测向量Y构建高斯过程回归模型；
S4：通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库；
S5：使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew；
S6：根据核字典学习所建立的系统运行状态的趋势库对趋势基
Figure BDA0002391707370000021
其中，
Figure BDA0002391707370000022
表示第一个预测值，
Figure BDA0002391707370000023
表示第二个预测值，
Figure BDA0002391707370000024
表示第三个预测值进行分类，识别系统运行变化的趋势，从而实现故障早期预警；
进一步的改进，步骤S2所述的对样本集X构建的故障监测模型具体目标为：通过多元统计过程监测方法进行离线建模，构建过程监测统计量SPE及SPE的阈值；然后对所采集样本集S进行在线监测，根据离线建模的信息获取样本集S的过程监测统计量SPE的集合YSPE；最后将所获得样本集S的SPE值作为描述过程数据传感器采集系统运行状态的观测向量Y。
进一步的改进，多元统计过程监测方法包括PCA方法，KPCA方法和PLS方法。
进一步的改进，步骤S3所述的对样本集S和观测向量Y构建高斯过程回归模型；具体处理如下：
S31：通过SE核函数
Figure BDA0002391707370000025
获取样本集S的协方差；其中，k(x，x′)表示核函数，x表示样本集S中一个样本，x'表示样本集S中另外一个样本，
Figure BDA0002391707370000026
表示核函数的方差，l表示为方差尺度；
S32：定义样本数据集S高斯过程的概率分布
Figure BDA0002391707370000027
式中normal(g)表示正态分布，σ表示噪声的标准差，I表示单位矩阵，SN表示样本集中的第N个样本；
进一步的改进，步骤S4所述的通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库的具体步骤如下：
S41：根据设定的7种基本趋势对样本数据集S的SPE统计量值进行有监督的标记；设定的7种基本趋势包括A(+,0)、B(0,0)、C(-,0)、D(+,-)、E(-,+)、F(-,-)和G(+,+)；A(+,0)表示趋势直线向上，B(0,0)表示趋势保持不变，C(-,0)表示趋势直线向下；D(+,-)表示趋势曲线向上且变化逐渐减缓，E(-,+)表示曲线向下且变化逐渐减缓；F(-,-)表示趋势曲线向上且变化逐渐加快；G(+,+)表示趋势曲线向上且变化逐渐加快；
S42：采用核字典学习进行有监督的学习建立核字典学习模型，表示为
Figure BDA0002391707370000031
核函数为
Figure BDA0002391707370000032
T表示为趋势集，Φ(T)为趋势集T的高维特征空间，D为在高维空间所学习到的字典，Ai所对应高维特征空间样本Φ(T)i的稀疏表示，A表示Φ(T)的稀疏表示，λ表示稀疏惩罚系数，i表示样本索引，c表示核参数；
S43：首先初始化D，然后采用变量交替优化的策略求解；
S44：根据学习得到的核字典学习模型建立系统运行状态的趋势库。
进一步的改进，所述步骤S5所述使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew的具体步骤如下：
S51:定义预测样本(x*,y*)，求取训练数据集的观测向量Y和测试数据预测值y*之间的联合概率分布
Figure BDA0002391707370000033
其中，x*表示预测的样本，y*表示测试数据预测值，S表示样本集；σ表示噪声的标准差；I表示单位矩阵；
S52:根据贝叶斯定理，基于样本集S建立的先验概率分布和联合概率分布求取新测试样本(x*,y*)的后验概率分布
Figure BDA0002391707370000034
K(x*,x*)表示预测样本x*的核函数映射，y表示原始样本的观测值。
S53：取新样本(x*,y*)预测的均值作为预测值y*。
进一步的改进，步骤S6根据核字典学习所建立的运行状态趋势库对时序的预测值
Figure BDA0002391707370000035
进行分类，识别系统运行变化的趋势，从而实现故障早期预警的步骤如下：
S61：将时序预测值
Figure BDA0002391707370000041
输入核字典学习模型，获得核字典所对应稀疏参数γ；
S62：求取核字典中基本趋势中每一类的ψ＝||Ynew-Dγ||2，ψ表示残差值，Ynew表示时序预测值向量；
S63：将最小值ψ值所对应的基本趋势作为时序预测值
Figure BDA0002391707370000042
的变化趋势类型，实现对工业现场故障早期预警。
本发明的有益效果是：
1.工业过程运行状态预测的鲁棒性和可靠性大大提高，高斯过程回归对高维高斯分布的一个扩展，具有建模参数少，优化时间短，对处理非线性高维数据具有良好的适应性。相对于其他方法，高斯过程回归对工业过程状态预测精度，泛化能力和鲁棒性更强，满足工业过程监测和故障预测的时效性要求。
2.工业过程故障预警信息更为直观和可靠，降低了监测人员掌握系统运行状态时效性的难度，提高了监测效率。本发明将工业过程运行状态通过7种基本趋势进行描述，并通过核字典学习方式获取系统运行状态的趋势库，可对在线识别工业运行状态的趋势，从而反映故障的发展趋势，实现早期故障预警。
附图说明
图1是流程工业过程运行状态的7种基本趋势。
图2是本发明的整体结构示意图。
具体实施方式
如附图1和2所示的一种基于工业过程运行状态趋势分析的故障预警方法，该方法为一种基于高斯过程回归和核字典学习的故障趋势预测方法。本发明采用如下的技术方案：
(1)基于工业现场的过程数据传感器采集系统，获取工业过程中历史正常过程数据样本集X和带有故障的过程数据样本集S；
(2)通过样本集X构建故障监测模型，然后对样本集S进行监测，获取故障数据监测统计量SPE的值，作为描述系统运行状态的观测向量Y；
(3)对样本集S和观测向量Y构建高斯过程回归模型；
(4)通过核字典学习提取样本数据集S中的7种基本趋势，建立系统运行状态的趋势库；
(5)使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew；
(6)：根据核字典学习所建立的运行状态趋势库对时序的预测值
Figure BDA0002391707370000043
进行分类，识别系统运行变化的趋势，从而实现故障早期预警。
具体的，本方法提供了对流程工业过程样本X构建故障监测模型的流程：
(1)通过多元统计过程监测方法进行离线建模，例如PCA，KPCA和PLS等方法，构建过程监测统计量SPE及其阈值，过程监测统计量SPE定义如下：
Figure BDA0002391707370000051
(2)对所采集流程工业过程样本集S进行在线监测，根据离线建模的信息获取样本集S的SPE值；
(3)最后将所获得SPE值作为描述系统运行状态的观测向量Y。
具体的，本方法提供了对流程工业过程样本数据集S和观测向量Y构建高斯过程回归模型流程：
(1)通过SE核函数
Figure BDA0002391707370000052
获取样本集S的协方差；
(2)定义样本数据集S高斯过程的概率分布
Figure BDA0002391707370000053
具体的，本方法提供通过核字典学习提取流程工业过程样本数据集S中的7种基本趋势，建立系统运行状态趋势库的流程：
(1)根据图1所示的7种基本趋势对流程工业过程样本数据集S的SPE统计量值进行有监督的标记，具体如下：
(11)基于SPE统计量的时序值选取当前点在内的3个数据点作为采样周期；
(12)根据采样周期将SPE统计量的时序值转化为矩阵数据集T；
(13)根据图1所示的7种基本趋势对数据集T中状态基进行有监督的标记；
(2)采用核字典学习进行有监督的学习，表示为
Figure BDA0002391707370000054
核函数为
Figure BDA0002391707370000055
D表示为字典，A为所对应的稀疏矩阵；
(3)首先初始化D，然后对公式(2)和公式(3)采用变量交替优化的策略来求解；
Figure BDA0002391707370000056
Figure BDA0002391707370000057
(4)根据学习出来的核字典模型建立系统运行状态的趋势库。
具体的，本方法提供了使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew：
(1)定义预测样本(x*,y*)，求取训练数据集的观测向量Y和测试数据预测值y*之间的联合概率分布
Figure BDA0002391707370000061
(2)根据贝叶斯定理，基于数据集S建立的先验概率分布和联合概率分布求取新测试样本(x*,y*)的后验概率分布
Figure BDA0002391707370000062
所预测的均值和方差分别为：
m(y*)＝K(x*,S)(K(S,S)+σ2I)-1y                      (4)
var(y*)＝K(x*,x*)-K(x*,X)(K(X,X)+σ2I)-1K(X,x*)              (5)
(3)取新样本(x*,y*)预测的均值作为预测值作为预测值y*；
具体的，本方法提供了通过核字典学习在线识别预测值的变化趋势类型具体流程：
(1)将时序预测值
Figure BDA0002391707370000063
输入核字典学习模型，获得核字典所对应稀疏参数γ；
(2)求取核字典中7类基本趋势每一类的ψ＝||Ynew-Dγ||2；
(3)将最小值ψ值所对应的基本趋势作为时序预测值
Figure BDA0002391707370000064
的变化趋势类型，实现对故障早期预警。
下面结合实例对本发明的实施进行具体的说明。
TE过程由伊斯曼化学公司创建，较好地模拟了实际复杂工业过程控制系统的许多典型特征，常被作为仿真例子来评价过程监测和故障诊断方法的可行性。TE过程数据包含了正常状态和21种不同的故障状态。训练集中正常样本数据是在25h运行仿真下获得的，每隔3min采样一次，得到500个样本；测试集样本中的故障数据是在48h运行仿真下获得的，每隔3min采样一次，故障在第8小时引入，得到960个样本。其中，前160个样本为正常样本，后800个样本为带有故障的样本。
1.监测指标的预测
所采用预测指标SPE监测统计量值通过主成分分析PCA故障监测、核主成分分析KPCA故障监测模型，自编码器故障监测模型AE和稀疏自编码器故障监测模型SAE对故障5监测获取；预测模型的表现通过均方根误差RMSEP进行评价
Figure BDA0002391707370000065
其中，yi表示实际值，
Figure BDA0002391707370000066
表示预测值，结果如表1所示。
表1高斯过程回归GPR与支持向量回归SVR，BP神经网络、Elman神经网络方法进行对比
Figure BDA0002391707370000071
2.过程趋势的提取
过程趋势提取通过将定量的数据转化为定性信息进行描述，即通过
y(t)＝(q1(t),q2(t),...,qN(t))→T(c)＝{P1,P2,....,Pk}                (7)
y(t)表示为定量序列，Pk∈{A,B,C,D,E,F,G}，T(c)表示定性描述向量的集合。定义长度为l的窗口过程数据yc＝{qc+1,qc+2,...,qc+l}为表达过程趋势Pk的基(1≤c≤N-l)，则当前基yc的1阶导和2阶导分别表示为：
dyc＝[yc+2,yc+3,...,yc+l]-[yc+1,yc+2,...,yc+l-1]                    (8)
d2yc＝[yc+3-yc+2,yc+4-yc+3,...,yc+l-yc+l-1]-[yc+2-yc+1,yc+3-yc+2,...,yc+l-1-yc+l-2]    (9)
使用窗口大小为3对过程数据的趋势进行提取，并对窗口所提取的趋势进行标记。
3.趋势的识别
利用标记历史过程数据进行核字典学习(核字典原子数为4，稀疏度设置为1)，实现剔除降噪和冗余分量的效果，然后对所预测出时序数据进行识别，判断出工业过程运行状态的趋势，如表2所示。
表2通过核字典学习对8种故障类型预测的监测指标发展趋势识别率
故障类型 识别正确率(％) 故障类型 识别正确率(％)
故障1 98.28 故障5 94.38
故障2 97.66 故障6 93.75
故障3 93.91 故障7 95.16
故障4 96.25 故障8 98.44
。
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示出与描述的图例。

Claims (4)

1.一种基于工业过程运行状态趋势分析的故障预警方法，其特征在于，包括以下步骤：
S1：基于工业现场的过程数据传感器采集系统，获取工业过程中历史正常过程数据样本集X和带有故障的过程数据样本集S；
S2：通过样本集X构建故障监测模型，然后对样本集S进行监测，获取故障数据监测统计量SPE的值，作为描述过程数据传感器采集系统运行状态的观测向量Y；
S3：对样本集S和观测向量Y构建高斯过程回归模型；
S4：通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库；
S5：使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew；
S6：根据核字典学习所建立的系统运行状态的趋势库对趋势基
Figure FDA0004103981500000014
其中，
Figure FDA0004103981500000013
表示第一个预测值，
Figure FDA0004103981500000016
表示第二个预测值，
Figure FDA0004103981500000015
表示第三个预测值进行分类，识别系统运行变化的趋势，从而实现故障早期预警；
步骤S4所述的通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库的具体步骤如下：
S41：根据设定的7种基本趋势对样本数据集S的SPE统计量值进行有监督的标记；设定的7种基本趋势包括A(+,0)、B(0,0)、C(-,0)、D(+,-)、E(-,+)、F(-,-)和G(+,+)；A(+,0)表示趋势直线向上，B(0,0)表示趋势保持不变，C(-,0)表示趋势直线向下；D(+,-)表示趋势曲线向上且变化逐渐减缓，E(-,+)表示曲线向下且变化逐渐减缓；F(-,-)表示趋势曲线向上且变化逐渐加快；G(+,+)表示趋势曲线向上且变化逐渐加快；
S42：采用核字典学习进行有监督的学习建立核字典学习模型，表示为
Figure FDA0004103981500000011
核函数为
Figure FDA0004103981500000012
T表示为趋势集，Φ(T)为趋势集T的高维特征空间，D为在高维空间所学习到的字典，Ai所对应高维特征空间样本Φ(T)i的稀疏表示，A表示Φ(T)的稀疏表示，λ表示稀疏惩罚系数，i表示样本索引，c表示核参数；
S43：首先初始化D，然后采用变量交替优化的策略求解；
S44：根据学习得到的核字典学习模型建立系统运行状态的趋势库；
步骤S5所述使用高斯过程模型对在线采集过程数据XNew进行预测，获得预测值YNew的具体步骤如下：
S51:定义预测样本(x*,y*)，求取训练数据集的观测向量Y和测试数据预测值y*之间的联合概率分布
Figure FDA0004103981500000021
其中，x*表示预测的样本，y*表示测试数据预测值，S表示样本集；σ表示噪声的标准差；I表示单位矩阵；
S52:根据贝叶斯定理，基于样本集S建立的先验概率分布和联合概率分布求取新测试样本(x*,y*)的后验概率分布
Figure FDA0004103981500000022
K(x*,x*)表示预测样本x*的核函数映射，y表示原始样本的观测值；
S53：取新样本(x*,y*)预测的均值作为预测值y*；
步骤S6根据核字典学习所建立的运行状态趋势库对时序的预测值
Figure FDA0004103981500000023
进行分类，识别系统运行变化的趋势，从而实现故障早期预警的步骤如下：
S61：将时序预测值
Figure FDA0004103981500000024
输入核字典学习模型，获得核字典所对应稀疏参数γ；
S62：求取核字典中基本趋势中每一类的ψ＝||Ynew-Dγ||2，ψ表示残差值，Ynew表示时序预测值向量；
S63：将最小值ψ值所对应的基本趋势作为时序预测值
Figure FDA0004103981500000025
的变化趋势类型，实现对工业现场故障早期预警。
2.如权利要求1所述的基于工业过程运行状态趋势分析的故障预警方法，其特征在于，步骤S2所述的对样本集X构建的故障监测模型具体目标为：通过多元统计过程监测方法进行离线建模，构建过程监测统计量SPE及SPE的阈值；然后对所采集样本集S进行在线监测，根据离线建模的信息获取样本集S的过程监测统计量SPE的集合YSPE；最后将所获得样本集S的SPE值作为描述过程数据传感器采集系统运行状态的观测向量Y。
3.如权利要求2所述的基于工业过程运行状态趋势分析的故障预警方法，其特征在于，多元统计过程监测方法包括PCA方法，KPCA方法和PLS方法。
4.如权利要求1所述的基于工业过程运行状态趋势分析的故障预警方法，其特征在于，步骤S3所述的对样本集S和观测向量Y构建高斯过程回归模型；具体处理如下：
S31：通过SE核函数
Figure FDA0004103981500000026
获取样本集S的协方差；其中，k(x，x′)表示核函数，x表示样本集S中一个样本，x'表示样本集S中另外一个样本，
Figure FDA0004103981500000027
表示核函数的方差，l表示为方差尺度；
S32：定义样本数据集S高斯过程的概率分布
Figure FDA0004103981500000031
式中normal(g)表示正态分布，σ表示噪声的标准差，I表示单位矩阵，SN表示样本集中的第N个样本。
CN202010118012.XA 2020-02-25 2020-02-25 一种基于工业过程运行状态趋势分析的故障预警方法 Active CN111340110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010118012.XA CN111340110B (zh) 2020-02-25 2020-02-25 一种基于工业过程运行状态趋势分析的故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010118012.XA CN111340110B (zh) 2020-02-25 2020-02-25 一种基于工业过程运行状态趋势分析的故障预警方法

Publications (2)

Publication Number Publication Date
CN111340110A CN111340110A (zh) 2020-06-26
CN111340110B true CN111340110B (zh) 2023-04-18

Family

ID=71185610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010118012.XA Active CN111340110B (zh) 2020-02-25 2020-02-25 一种基于工业过程运行状态趋势分析的故障预警方法

Country Status (1)

Country Link
CN (1) CN111340110B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797540A (zh) * 2020-07-17 2020-10-20 浙江工业大学 结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法
CN112418306B (zh) * 2020-11-20 2024-03-29 上海工业自动化仪表研究院有限公司 基于lstm-svm的燃气轮机压气机故障预警方法
CN112737829A (zh) * 2020-12-23 2021-04-30 大连理工大学人工智能大连研究院 一种挖掘装备故障诊断系统集成的方法及系统
CN113312851A (zh) * 2021-06-16 2021-08-27 华电山东新能源有限公司 一种风力发电机主轴承温度异常预警方法
CN114841396B (zh) * 2022-03-16 2023-02-17 广东石油化工学院 石化生产过程的一种异变趋势预测与灾变风险预警方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635724A (zh) * 2014-12-25 2015-05-20 重庆科技学院 基于动态核独立分量分析的天然气净化过程异常检测方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN108280424A (zh) * 2018-01-22 2018-07-13 北京建筑大学 一种基于稀疏编码的滚动轴承剩余寿命预测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法
CN110018417A (zh) * 2019-05-24 2019-07-16 湖南大学 基于径向杂散磁通检测的电机故障诊断方法、系统及介质
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN110579967A (zh) * 2019-09-23 2019-12-17 中南大学 基于同时降维和字典学习的过程监控方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3480714A1 (en) * 2017-11-03 2019-05-08 Tata Consultancy Services Limited Signal analysis systems and methods for features extraction and interpretation thereof

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635724A (zh) * 2014-12-25 2015-05-20 重庆科技学院 基于动态核独立分量分析的天然气净化过程异常检测方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN108280424A (zh) * 2018-01-22 2018-07-13 北京建筑大学 一种基于稀疏编码的滚动轴承剩余寿命预测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法
CN110018417A (zh) * 2019-05-24 2019-07-16 湖南大学 基于径向杂散磁通检测的电机故障诊断方法、系统及介质
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN110579967A (zh) * 2019-09-23 2019-12-17 中南大学 基于同时降维和字典学习的过程监控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
X. Peng.Multimode Process Monitoring and Fault Detection: A Sparse Modeling and Dictionary Learning Method.IEEE Transactions on Industrial Electronics.2017,第64卷(第6期),4866-4875. *
刘金平.基于图像统计建模的工业过程产品质量监测.电子学报.2015,第26卷(第9期),1795-1804. *

Also Published As

Publication number Publication date
CN111340110A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340110B (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
Wang et al. A novel deep learning based fault diagnosis approach for chemical process with extended deep belief network
Liu et al. Intelligent prognostics of machining tools based on adaptive variational mode decomposition and deep learning method with attention mechanism
El-Midany et al. A proposed framework for control chart pattern recognition in multivariate process using artificial neural networks
Tian et al. Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
Guh Simultaneous process mean and variance monitoring using artificial neural networks
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
Yang et al. Refined composite multivariate multiscale symbolic dynamic entropy and its application to fault diagnosis of rotating machine
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
Yu et al. Multiscale intelligent fault detection system based on agglomerative hierarchical clustering using stacked denoising autoencoder with temporal information
CN111122811A (zh) 一种oica和rnn融合模型的污水处理过程故障监测方法
Zhang et al. Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis
Liu et al. A novel integration framework for degradation-state prediction via transformer model with autonomous optimizing mechanism
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
Zhang et al. Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
Wang et al. Attention-mechanism based DiPLS-LSTM and its application in industrial process time series big data prediction
Ren et al. Spatial-temporal associations representation and application for process monitoring using graph convolution neural network
Sirola et al. Machine-learning methods in prognosis of ageing phenomena in nuclear power plant components
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
Xing et al. Multimodal Mutual Neural Network for Health Assessment of Power Transformer
CN111859798A (zh) 基于双向长短时神经网络的流程工业故障诊断方法
Shang et al. Sparse slow feature analysis for enhanced control monitoring and fault isolation
Huang et al. A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid 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