CN111368428B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111368428B CN111368428B CN202010141174.5A CN202010141174A CN111368428B CN 111368428 B CN111368428 B CN 111368428B CN 202010141174 A CN202010141174 A CN 202010141174A CN 111368428 B CN111368428 B CN 111368428B
- Authority
- CN
- China
- Prior art keywords
- fault detection
- sensor
- data
- industrial process
- test 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
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
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了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,属于工业监测和故障诊断领域,该方法包括:采集工业过程正常工况下的一段传感器测量数据作为训练数据集;计算各个窗口内测量变量的样本方差,从而得到测量变量的二阶统计量构成的数据矩阵;建立所构造的数据矩阵的主元分析模型,并计算组合指标的故障检测控制限;采集工业过程实时工况下的传感器测量数据作为测试数据,测试数据中的测量变量与训练数据集的测量变量相对应;构造测试数据的二阶统计量向量,计算得到测试数据的故障检测组合指标;将故障检测组合指标的值与控制限进行对比。本发明有效地实现工业过程传感器精度下降故障的检测。
Description
技术领域
本发明属于工业监测和故障诊断领域,具体涉及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。
背景技术
在现代工业生产过程中,传感器是获取信息的主要装置。如果传感器出现性能故障或者失效,将对工业过程重要测量指标的指示及反馈控制带来影响,甚至有可能给工厂带来巨大损失。因此,传感器正常运行是确保工业生产过程安全、高效运行的关键,传感器故障检测尤为重要。
由于工业过程的规模和复杂程度不断增加,其精确的解析模型通常难以获得,从而使得传统的基于模型的故障检测方法受到限制。基于数据的过程监测和故障检测方法因为无需过程精确的解析模型,近年来得到长足发展。同时,工业过程中广泛应用的传感器可以收集大量的测量数据,从而为基于多元统计分析的故障检测方法提供了条件。常用的多元统计分析方法包括主元分析、偏最小二乘法、独立成分分析以及它们的扩展方法等,这些方法受到越来越多的学者以及工业领域的关注。
传感器精度下降故障使得工业过程测量数据的变化程度异常增大。然而,大部分传统的多元统计分析方法针对传感器精度下降故障的检测性能较差,故障漏报率较高。因此,亟需一种新的工业过程传感器精度下降故障检测方法。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了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,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
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,包括如下步骤:
步骤1:采集工业过程正常工况下的传感器测量数据,并将此传感器测量数据作为训练数据集;
步骤2:根据滑动时间窗口宽度,计算各个窗口内测量变量的样本方差,得到由测量变量二阶统计量构成的数据矩阵;
步骤3:建立步骤2所构造的数据矩阵的主元分析模型,并计算组合指标的故障检测控制限;
步骤4:将采集工业过程实时工况下的传感器测量数据作为测试数据,测试数据中的测量变量与步骤1中训练数据集的测量变量相对应;
步骤5:构造测试数据的二阶统计量向量,并利用步骤3中的主元分析模型进行计算,得到测试数据的故障检测组合指标;
步骤6:将步骤5中的故障检测组合指标的值与步骤3中的故障检测控制限进行对比,若故障检测组合指标的值超过故障检测控制限,则认为工业过程发生了传感器精度下降故障。
优选地,在步骤2中,具体包括如下步骤:
步骤2.1:根据公式(1),计算每个窗口的样本方差:
步骤2.2:在当前时刻的数据窗口内,按照公式(1)依次求解m个传感器变量的方差,将得到的m个变量的方差组成一个向量,其格式如公式(2)所示:
步骤2.3:不断地移动窗口,每个窗口通过计算均得到一个向量,将所有窗口得到的向量按行排列构造成一个二阶统计量矩阵V。
其中,Pv是对V建立主元分析模型后得到的负载矩阵的前主元个数列构成的矩阵,Λv为相应特征值构成的对角矩阵,和/>分别为Dp和Dr两个统计量的控制限,Dp和Dr即为主元分析模型中T2和SPE两个统计量。
其中,vt代表测试数据当前时刻所有变量的方差构成的向量。
本发明所带来的有益技术效果:
本发明提供的一种工业过程的传感器精度下降故障检测方法,利用过程正常工况下数据进行建模,无需工业过程精确的数学模型,也无需工业过程故障工况下的数据,便于实际应用;同时,所采用的统计量组合指标比传统的两个独立的指标更加简单方便,并且有更好的检测效果。
附图说明
图1是根据本发明实施例的工业过程传感器精度下降故障检测方法的流程示意图;
图2是根据本发明实施例的离线建模过程的流程示意图;
图3是根据本发明实施例的在线检测过程的流程示意图;
图4是根据本发明一示例的基于本发明提出方法的故障检测结果;
图5是根据本发明一示例的基于传统主元分析方法的故障检测结果示意图;
图6是根据本发明一示例的基于动态主元分析方法的故障检测结果示意图;
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
图1是根据本发明一实施例的一种工业过程传感器精度下降故障检测方法的流程示意图。该方法主要借助滑动窗口技术,计算二阶统计量并构造一个样本统计量矩阵,然后应用主元分析方法(principal component analysis,PCA),通过组合指标实现工业过程传感器精度下降故障诊断。该方法包括以下步骤:
步骤S110,采集工业过程正常工况下的一段传感器测量数据作为训练数据集。
步骤S120,给定合适的滑动时间窗口宽度,计算各个窗口内测量变量的样本方差,从而得到测量变量二阶统计量构成的数据矩阵。
步骤S130,建立步骤S120所构造的数据矩阵的主元分析模型,并计算组合指标的故障检测控制限。
步骤S140,采集工业过程实时工况下的传感器测量数据作为测试数据,测试数据中的测量变量与步骤S110中训练数据集的测量变量相对应。
步骤S150,构造测试数据的二阶统计量向量,并利用步骤S130中的主元分析模型,计算测试数据的故障检测组合指标。
步骤S160,将故障检测组合指标与步骤S130中的控制限进行比较,若超过控制限,则认为工业过程发生了传感器精度下降故障。其中,步骤S110、S120和S130为离线建模过程,步骤S140、S150和S160为在线检测过程。
图2是本发明实施例的离线建模过程的详细步骤流程示意图,具体实现步骤如下文所述。
(1)步骤S210,采集工业过程正常工况下的传感器测量数据作为训练数据集,将其存储为二维的数据矩阵。具体地,将采集得到的训练数据存储为二维的数据矩阵X0∈RN×m,其中每行代表一个样本,每列代表一个传感器变量,数据矩阵包含N个样本、m个变量。
(2)步骤S220,将宽度为w的窗口中的数据矩阵记为Xw,计算出该窗口中m个变量的样本方差,并将其组成一个向量;然后不断地移动窗口,将所有窗口中计算得到的向量按行排列构造为二阶统计量矩阵V。
(3)步骤S230,根据步骤S220中构造的二阶统计量矩阵V,运行主元分析算法,获得主元分析模型参数。具体地,计算矩阵V的协方差矩阵S,对S进行特征值分解获得前主元个数的特征向量构成矩阵Pv与相应的特征根矩阵Λv,其中特征根按照降序排列。在本发明的实施例中,基于累计方差贡献率准则选取主元个数Av,根据选取的主元个数划分得到矩阵Pv和Λv。
(4)步骤S240,采用故障检测组合指标来检测工业过程是否发生传感器精度下降故障,因为在实际应用中,一个组合的指标比分别使用两个指标更加简单方便,然后通过公式(3)计算组合指标的故障检测控制限:
具体计算方法如发明内容部分的步骤3。
图3是本发明实施例的在线检测过程的详细步骤流程示意图,具体实现步骤如下文所述。
(2)步骤S320,构造测试数据的二阶统计量向量,然后不断地移动窗口,得到各个窗口内的二阶统计量向量。
本发明实施例的传感器精度下降故障检测方法利用工业过程运行在正常工况下的数据进行建模,并将该模型用于在线检测,从而无需工业过程的数学机理模型,同时无需工业过程故障工况下的数据,易于实施。
本发明实施例的诊断方法借助滑动时间窗口技术,计算样本方差,构造样本的二阶统计量矩阵,然后应用主元分析进行建模,并通过使用组合统计指标实现对传感器精度下降故障的检测。相比于传统PCA中的故障检测指标,对该故障类型更为敏感;同时,本发明实施例的诊断方法通过借助滑动时间窗口技术,可以有效地提高对微小故障的检测效率;本发明实施例不是针对过程数据本身进行监测,而是对过程数据的二阶统计量进行监测,对非高斯分布的工业过程数据有更好的检测效果。
示例
为了帮助理解本发明,同时直观地展示其用于传感器精度下降故障检测的效果,下面对一示例进行说明。本示例基于Matlab工具,利用数值仿真案例对本发明进行说明,结合附图展示本发明的效果。
(1)产生训练数据。
本示例使用如下方程产生N=2000个正常样本:
其中{xi,i=1,...,6}代表6个测量变量,即m=6;t1,t2,t3均为零均值高斯变量,其标准差分别为1.0,0.8,0.6;式中ε项代表零均值高斯白噪声,标准差为0.1。按照每一行代表一个样本,每一列代表一个变量的方式将上述2000个样本存储为二维的数据矩阵X0∈R2000×6。
(2)给定时间窗口宽度,计算窗口内所有变量的的样本方差,并构造二阶统计量矩阵。
在本示例中,窗口宽度选取为w=100,在第一个窗口,按照上式求解所有变量的方差,将得到的方差组成一个向量;通过不断地移动窗口,每个窗口计算得到一个向量。最后,将所有窗口得到的向量按照行排列构造成一个二阶统计量矩阵V。
(3)建立主元分析算法的模型,并计算控制限。
利用样本统计量矩阵V计算协方差矩阵S,对S进行特征值分解,获得前主元个数的特征向量构成矩阵Pv与相应的特征根矩阵Λv,其中特征根按照降序排列。在本发明的实施例中,基于累计方差贡献率准则选取主元个数为Av=3。根据选取的主元个数划分得到矩阵Pv和Λv。通过表达式(3),计算得到组合指标的控制限。
(4)产生测试数据,并对测试数据进行标准化处理。
(5)构造测试数据的样本统计量矩阵,计算得到相应的故障检测统计量,并与控制限进行比较,从而实现故障检测。
根据表达式(5)计算测试阶段的统计量,并与组合指标的控制限进行比较,当统计量超过控制限时,认为有故障发生。
图4展示了本发明提出方法的故障检测结果,在发生故障后(从第1001个样本开始),所监测的组合指标明显增大,并且超过了控制限。图中可以看到检测性能为误报率1.2%,检测率98.7%,在刚发生故障时,由于窗口中正常数据的影响,故障检测会有一个时滞,通过合理的调整窗口宽度和移动步长,本发明能够尽快地检测到故障的同时确保较高的故障检测率。
图5展示了基于传统主元分析方法的故障检测结果,从图中可以明显的发现,无论是T2统计量还是SPE统计量,对于传感器精度下降故障都没有好的检测效果。
图6展示了基于动态主元分析方法的故障检测结果,时滞选择为2,当故障发生后,同样地,无论是T2统计量还是SPE统计量,对于传感器精度下降故障其检测效果均不理想。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于监控二阶统计量的传感器精度下降故障检测方法,其特征在于:包括如下步骤:
步骤1:采集工业过程正常工况下的传感器测量数据,并将此传感器测量数据作为训练数据集;
步骤2:根据滑动时间窗口宽度,计算各个窗口内测量变量的样本方差,得到由测量变量二阶统计量构成的数据矩阵;
步骤3:建立步骤2所构造的数据矩阵的主元分析模型,并计算组合指标的故障检测控制限;
其中,Pv是对V建立主元分析模型后得到的负载矩阵的前主元个数列构成的矩阵,Λv为相应特征值构成的对角矩阵,和/>分别为Dp和Dr两个统计量的控制限,Dp和Dr即为主元分析模型中T2和SPE两个统计量;
步骤4:将采集工业过程实时工况下的传感器测量数据作为测试数据,测试数据中的测量变量与步骤1中训练数据集的测量变量相对应;
步骤5:构造测试数据的二阶统计量向量,并利用步骤3中的主元分析模型进行计算,得到测试数据的故障检测组合指标;
步骤6:将步骤5中的故障检测组合指标的值与步骤3中的故障检测控制限进行对比,若故障检测组合指标的值超过故障检测控制限,则认为工业过程发生了传感器精度下降故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141174.5A CN111368428B (zh) | 2020-03-04 | 2020-03-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010141174.5A CN111368428B (zh) | 2020-03-04 | 2020-03-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111368428A CN111368428A (zh) | 2020-07-03 |
CN111368428B true CN111368428B (zh) | 2023-06-23 |
Family
ID=71206642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010141174.5A Active CN111368428B (zh) | 2020-03-04 | 2020-03-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
CN114326486B (zh) * | 2021-12-13 | 2024-01-19 | 山东科技大学 | 一种基于概率慢特征分析和弹性权重巩固的过程监控方法 |
CN114841295B (zh) * | 2022-07-04 | 2022-09-13 | 矿冶科技集团有限公司 | 工业过程故障检测方法、装置、电子设备及存储介质 |
CN116702030B (zh) * | 2023-05-31 | 2024-01-23 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN105259895A (zh) * | 2015-10-14 | 2016-01-20 | 山东科技大学 | 一种工业过程微小故障的检测和分离方法及其监测系统 |
CN105629959A (zh) * | 2016-02-23 | 2016-06-01 | 清华大学 | 一种工业过程故障检测方法 |
CN110244690A (zh) * | 2019-06-19 | 2019-09-17 | 山东建筑大学 | 一种多变量工业过程故障辨识方法及系统 |
-
2020
- 2020-03-04 CN CN202010141174.5A patent/CN111368428B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN105259895A (zh) * | 2015-10-14 | 2016-01-20 | 山东科技大学 | 一种工业过程微小故障的检测和分离方法及其监测系统 |
CN105629959A (zh) * | 2016-02-23 | 2016-06-01 | 清华大学 | 一种工业过程故障检测方法 |
CN110244690A (zh) * | 2019-06-19 | 2019-09-17 | 山东建筑大学 | 一种多变量工业过程故障辨识方法及系统 |
Non-Patent Citations (1)
Title |
---|
张峻峰 ; 何潇 ; 周东华 ; .具有参数摄动的时变系统的间歇故障检测.控制工程.2018,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111368428A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
CN110303380B (zh) | 一种数控机床刀具剩余寿命预测方法 | |
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 | |
Ji | Statistics Mahalanobis distance for incipient sensor fault detection and diagnosis | |
CN109145256B (zh) | 一种基于规范变量非线性主成分分析的过程监测方法 | |
CN111324105B (zh) | 一种基于统计量马氏距离的微小传感器故障检测和分离方法 | |
CN110363339B (zh) | 一种基于电机参数进行预测性维护的方法与系统 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
CN116627116A (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN115167364A (zh) | 一种基于概率变换与统计特性分析的早期故障检测方法 | |
CN115047853B (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
CN114200914A (zh) | 一种基于mw-occa的质量相关早期故障检测方法 | |
CN111983994B (zh) | 一种基于复杂工业化工过程的v-pca故障诊断方法 | |
Galicia et al. | A comprehensive evaluation of Statistics Pattern Analysis based process monitoring | |
CN113467434B (zh) | 基于双层k近邻标准化的CCA发酵过程KPI相关故障监测方法 | |
CN112180893B (zh) | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 | |
CN109885022B (zh) | 一种基于潜故障敏感子空间的故障检测方法 | |
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 |
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 |