CN111723857B - 一种流程生产装备运行状态的智能监测方法与系统 - Google Patents

一种流程生产装备运行状态的智能监测方法与系统 Download PDF

Info

Publication number
CN111723857B
CN111723857B CN202010534144.0A CN202010534144A CN111723857B CN 111723857 B CN111723857 B CN 111723857B CN 202010534144 A CN202010534144 A CN 202010534144A CN 111723857 B CN111723857 B CN 111723857B
Authority
CN
China
Prior art keywords
data
dictionary
matrix
representing
target domain
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
CN202010534144.0A
Other languages
English (en)
Other versions
CN111723857A (zh
Inventor
黄科科
阳春华
梁慧平
李繁飙
李勇刚
桂卫华
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010534144.0A priority Critical patent/CN111723857B/zh
Publication of CN111723857A publication Critical patent/CN111723857A/zh
Application granted granted Critical
Publication of CN111723857B publication Critical patent/CN111723857B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种流程生产装备运行状态的智能监测方法及系统，其中方法包括：获取流程生产装备分别两种生产条件的各模态下运行得到的数据，分别作为源域数据和目标数据；利用源域数据和目标数据构建目标函数进行迁移字典学习，得到的字典可以将源域和目标域映射到一个不变子空间中，在该子空间中消除了域间分布差异，从而使子空间的数据的外部条件信息被消除，同时公共的内部机理信息得以保留；利用OMP算法和核密度估计算法即可对在线监测数据进行监测。本发明的监测方法及系统具有强大的泛化能力，面对在线监测数据和历史训练数据服从不同分布时，仍可以取得准确的监测效果。

Description

一种流程生产装备运行状态的智能监测方法与系统
技术领域
本发明涉及生产运行状态监测技术领域，具体涉及一种流程生产装备运行状态的智能监测方法与系统。
背景技术
与离散生产过程不同，流程生产是连续的，不能间断的，一旦流程生产设备出现故障，将会带来巨大的安全隐患和经济损失。对流程生产设备运行状态进行准确的监测可以及时发现故障，显著减少安全隐患、经济损失和提高生产效率。目前监测方法主要分为三类：1)基于模型的监测，2)基于知识的监测，3)数据驱动的监测。其中数据驱动的监测不需要生产设备的内部机理和人工先验知识，已成为智能监测方法的主要方法。
数据驱动的监测主要利用机器学习的算法，通过对收集到的历史数据进行模型训练，然后应用于生产设备的在线监测。典型的监测方法包括PCA和K-PCA，其通过比较在线监测数据的SPE、T2统计量和利用历史数据求得的SPE、T2控制限，来实现对设备运行状态的监测。此外Jiang等人提出了一种基于当前数据和历史数据的多模型判别偏最小二乘法(DPLS)来监测设备。Zhang等人建立了深度信念网络(deep beliefnetwork,DBN)对焊接装备运行状态进行在线监测，具有较强的泛化能力。最近研究表明，由于字典学习强大的表示能力，将其应用于生产设备监测时有着非凡的表现。Huang等人提出了一种结构字典学习方法成功实现对铝电解池运行状态的监测。
然而上述数据驱动的监测方法均假设历史数据和在线监测数据服从相同的分布。真实的流程生产设备运行时往往并不满足这一假设。以铝电解生产为例，利用1号电解槽数据来训练模型，并应用于2号电解槽的运行状态监测时，由于电解槽间的容积体积、功率大小等因数的不同，在线监测数据与历史数据服从不同分布。训练得到的模型在应用于新的监测场景时，会出现模型失配的问题，无法准确实现对新场景下的设备在线监测。这无法满足智能监测的要求。为此，亟需研究面对监测数据与历史训练数据分布不同的方法，实现具有强大泛化能力的智能装备监测。
发明内容
基于现有技术训练字典的数据与在线监测的数据因生产条件差异而呈现不同分布，导致运行状态判断准确度欠佳的技术问题，本发明提供一种流程生产装备运行状态的智能监测方法与系统，具有强大的泛化能力，面对在线监测数据和历史训练数据服从不同分布时，仍可以取得准确的监测效果。
为实现上述技术目的，本发明采用如下技术方案：
一种流程生产装备运行状态的智能监测方法，包括以下步骤：
1)获取流程生产装备在生产条件A的C个模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，获取流程生产装备在生产条件B的C个模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]；
2)利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；所述目标函数为：
Figure GDA0003454622310000021
Figure GDA0003454622310000022
Figure GDA0003454622310000023
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure GDA0003454622310000024
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure GDA0003454622310000025
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；sa表示S的任意列向量，
Figure GDA0003454622310000026
是Si的中心；
α是控制稀疏矩阵S稀疏度的非负超参数；β1、β2分别为MMD约束系数和LDA-like约束系数；
3)利用迁移字典学习得到的字典D，计算目标域数据Xt的重构误差；并基于所述重构误差，利用核密度估计获得流程生产装备在生产条件B的运行状态智能监测的控制限；
4)利用迁移字典学习得到的字典D，计算生产条件B的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为流程生产装备在生产条件B的当前运行状态异常，否则认为流程生产装备在生产条件B的当前运行状态正常。
在更优的技术方案中，将公式(1)所示的目标函数使用矩阵表示为：
Figure GDA0003454622310000031
M＝diag(M1,M2,...MC)；
Figure GDA0003454622310000032
H＝diag(H1,H2,…HC),
Figure GDA0003454622310000033
其中，M为MMD正则项矩阵，Mi[u,v]为矩阵Mi的第u行第v列个元素，xu,xv分别为Xi的第u和第v个数据，source domain指源域，target domain指目标域；
Figure GDA0003454622310000034
是维度大小为Ns+Nt的单位矩阵，H为LDA-like正则项矩阵，Hi为矩阵H对应于第i个模态的部分，
Figure GDA0003454622310000035
是长度为Ni的全1列向量，Ni＝Nsi+Nti表示矩阵X中属于第i个模态的数据个数；
采用迭代更新算法求解公式(2)所述的目标函数以得到字典D，具体包括以下步骤：
步骤A1，固定稀疏矩阵S，将目标函数化简为有关于字典D的优化函数：
Figure GDA0003454622310000036
步骤A2，构造新的数据矩阵Xnew＝[X,X,O]和新的稀疏矩阵Snew＝[S,Sin,Sout]，其中O为与X同维度大小的全0矩阵，从而将公式(3)转化为以下公式(4)所示：
Figure GDA0003454622310000037
步骤A3，采用拉格朗日法求解公式(4)得到最优的字典：
Figure GDA0003454622310000041
其中
Figure GDA0003454622310000042
λm为引入的拉格朗日乘子，m＝1,2,...,CK；
步骤A4，逐列更新稀疏矩阵S，更新稀疏矩阵S的任意列向量sn时，将公式(5)所示的字典代入公式(2)所示的目标函数，得到有关于列向量sn的目标函数为：
Figure GDA0003454622310000043
其中Q＝diag(0,0,...,1,1,1,....,0,0,0)∈R CK*CK，1只出现在sn所对应模态的K个原子的位置；P＝ICK-Q，ICK表示维度为CK×CK的单位矩阵；
Figure GDA0003454622310000044
Figure GDA0003454622310000045
为列向量sn的第k个元素；
步骤A5，采用特征符号搜索算法优化目标函数(5)，求解得到最优的列向量sn，所有最优的列向量sn构成最优的稀疏矩阵S；
步骤A6，重复步骤A1至A5，直到获得输入数据矩阵X的对应的最优字典。
在更优的技术方案中，步骤A3采用拉格朗日法求解公式(4)得到最优的字典，具体过程为：
步骤A3.1，引入拉格朗日乘子λm(j＝1,2,...,CK)构造以下公式(6)所示的拉格朗日式：
Figure GDA0003454622310000046
式中，P为每个数据xn的维度，p为各维度的序号；
步骤A3.2，通过D最小化拉格朗日式，得到以下公式(7)所示的拉格朗日对偶式：
Figure GDA0003454622310000047
步骤A3.3，采用牛顿法或共轭梯度法进行最大化优化拉格朗日对偶式，得到当前稀疏矩阵下的最优字典D：
Figure GDA0003454622310000048
在更优的技术方案中，步骤A5中，采用特征符号搜索算法求解列向量sn的具体过程为：
定义g(sn)为：
Figure GDA0003454622310000051
由公式(9)可得公式(5)的最优必要条件为：
Figure GDA0003454622310000052
其中
Figure GDA0003454622310000053
表示g(sn)关于
Figure GDA0003454622310000054
的导数，sign(·)为取标量的符号函数，当标量为负数时，其值为-1；标量为正数时，其值为1；
当公式(10)的第一个条件不满足时，由于
Figure GDA0003454622310000055
的符号已知，故f(sn)关于
Figure GDA0003454622310000056
是可微分的，公式(10)即可化为非约束二次优化问题求解；
当公式(10)的第二个条件不满足时，假设
Figure GDA0003454622310000057
由于此时
Figure GDA0003454622310000058
大于0，为了使得f(sn)局部最小，此时
Figure GDA0003454622310000059
必定减小，且无论
Figure GDA00034546223100000510
减小多少，通过令
Figure GDA00034546223100000511
的符号从0变为-1，f(sn)关于
Figure GDA00034546223100000512
也可微分，公式(10)同样可化为非约束二次优化问题求解；假设
Figure GDA00034546223100000513
由于此时
Figure GDA00034546223100000514
大于0，为了使得f(sn)局部最小，此时
Figure GDA00034546223100000515
必定减小，且无论
Figure GDA00034546223100000516
减小多少，通过令
Figure GDA00034546223100000517
的符号从0变为1，f(sn)关于
Figure GDA00034546223100000518
也可微分，公式(10)同样可化为非约束二次优化问题求解。
在更优的技术方案中，所述流程生产装备为连续搅拌槽加热器，C＝2。
在更优的技术方案中，所述C个模态由连续搅拌槽加热器的生产参数设定值不同而产生。
在更优的技术方案中，Nti/Nsi的取值为10％，。理论上数据量Nti越大，本发明的监测效果越好；在目标域数据尽量少且保证能捕捉源域和目标域之间潜在的共同机制信息，本方案中Nti/Nsi的取值为10％，即可获得不错的监测效果。
本发明还提供一种流程生产装备运行状态的智能监测系统，包括：
训练数据获取模块，用于：获取流程生产装备在生产条件A的C个模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，获取流程生产装备在生产条件B的C个模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]；
迁移字典学习模块，用于：利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；所述目标函数为：
Figure GDA0003454622310000061
Figure GDA0003454622310000062
Figure GDA0003454622310000063
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure GDA0003454622310000064
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure GDA0003454622310000065
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；sa表示Si的任意列向量，
Figure GDA0003454622310000066
是Si的中心；
α是控制稀疏矩阵S稀疏度的非负超参数；β1、β2分别为MMD约束系数和LDA-like约束系数；
控制限生成模块，用于：利用迁移字典学习得到的字典D，计算目标域数据Xt的重构误差，并基于所述重构误差，利用核密度估计获得流程生产装备在生产条件B的运行状态智能监测的控制限；
运行状态判断模块，用于：利用迁移字典学习得到的字典D，计算生产条件B的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为流程生产装备在生产条件B的当前运行状态异常，否则认为流程生产装备在生产条件B的当前运行状态正常。
有益效果
本发明引入迁移学习框架，开拓性地将历史训练数据和在线监测数据分布视为源域和目标域，然后利用源域和目标域的数据学习一个鲁棒的字典来捕捉源域和目标域之间潜在的共同机制信息，而不是无关的外部条件。通过学习得到的该字典，可以将源域和目标域映射到一个不变子空间中，在该子空间中消除了域间分布差异，从而使子空间的数据的外部条件信息被消除，同时公共的内部机理信息得以保留。紧接着利用OMP算法和核密度估计(KDE)算法即可对在线监测数据进行准确的监测。由于利用鲁棒迁移字典学习方法可以消除数据的外部条件变化，最终训练得到的模型具有强大的泛化能力，即使在线监测数据分布与历史训练数据不同，仍可以得到准确的监测效果。
附图说明
图1为本发明实施例所述方法的原理图；
图2为本发明实施例中数据、字典及稀疏矩阵的关系示意图；
图3为本发明实施例中每个模态对应的子稀疏矩阵的构成示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
本参考图1所示，实施例将本发明的智能监测方法，应用于对连续搅拌槽加热器的运行状态进行智能监测，包括以下步骤：
步骤一，获取连续搅拌槽加热器CSTH1在两种模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，由于本实施例只有两种模态，因此C＝2，且Xs1为模态一对应的源域历史数据，Xs2为模态二对应的源域历史数据；
获取连续搅拌槽加热器CSTH2在两种模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]，由于本实施例只有两种模态，因此模态数量C＝2，且其中Xt1为模态一对应的目标域在线数据，Xt2为第模态二对应的目标域在线数据；
由于连续搅拌槽加热器CSTH1和连续搅拌槽加热器CSTH2为两个相同种类不同工作环境下的设备，因此在使用时所提供的生产条件不同，相应监测的数据分布自然也不同，本实施例即是利用连续搅拌槽加热器CSTH1的大量历史数据作为源域数据，再利用连续搅拌槽加热器CSTH2的少量在线数据作为目标域数据，学习一个鲁棒的字典来捕捉源域和目标域之间潜在的共同机制信息，而不是无关的外部条件，进而用于监测连续搅拌槽加热器CSTH2的运行状态进行智能监测。
步骤二：利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；本发明目标函数的构建原理为：
首先，目标函数应该满足以下三个条件:第一，数据应该能被字典和稀疏矩阵很好的重构，即X≈DS，如图2所示，其中
Figure GDA0003454622310000081
第二，数据Xi(i＝1,2,...,C)应该可以被自己的子字典Dj(j＝i)和子稀疏矩阵
Figure GDA0003454622310000082
重构，即
Figure GDA0003454622310000083
第三，既然数据Xi(i＝1,2,...,C)能被自己的子字典Dj(j＝i)和子稀疏矩阵
Figure GDA0003454622310000084
重构，因此要求其他子稀疏矩阵
Figure GDA0003454622310000085
应尽可能接近0。因此字典学习的目标函数可以表示如下：
Figure GDA0003454622310000086
Figure GDA0003454622310000087
Figure GDA0003454622310000088
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure GDA0003454622310000089
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure GDA00034546223100000810
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；设xn的维度为M，则矩阵X的大小为：
Figure GDA00034546223100000811
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；由此可得字典的大小为：D∈RM×CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，如图3所示，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；
α是控制稀疏矩阵S稀疏度的非负超参数；||·||F为矩阵的F范数，||·||0为矩阵的0范数，表示矩阵中的非零元素个数，||·||2表示向量的2范数。
其次，由于连续搅拌槽加热器CSTH1和连续搅拌槽加热器CSTH2为两个相同种类不同型号的设备，因此在使用时所提供的生产条件不同，相应监测的数据分布自然也不同。为了使字典捕获潜在的公共的设备内部机理信息而不是无关的外部条件，本发明采用了一种自然的策略，即通过最小化某种预定义的指标来减小分布畸变。本发明中具体引入MMD(MaximumMean Discrepancy)，其被认为是一个表示域间分布差异的非参数指标，使得源域数据的稀疏矩阵Ssi的中心与目标域数据的稀疏矩阵Sti的中心靠近(i＝1,2,...C)，其中的矩阵Ssi的中心可以标为其所有列向量的平均值，矩阵Ssi的中心也用相同的形式表示，即引入以下MMD正则项:
Figure GDA0003454622310000091
其中sa表示Si的任意列向量，M为MMD正则项矩阵，可由以下公式构造:
M＝diag(M1,M2,...MC) (13)；
Figure GDA0003454622310000092
Figure GDA0003454622310000093
Mi[u,v]为矩阵Mi的第u行第v列个元素，xu,xv分别为Xi的第u和第v个数据，source domain指源域，target domain指目标域。
再次，从所周知，流程生产装备的观测数据在同一运行模态下的分布应该是相同的，但由于各种不确定的生产条件变化，同一模态下的数据也存在一定的差异。为了消除生产条件变化的影响，故使相同模态下的数据的稀疏编码靠近而不考虑它们来自哪种生产条件对应的源域或目标域，即Si＝[Ssi,Sti](i＝1,2,…,C)中的每个列向量相互靠近。该目标可以通过使
Figure GDA0003454622310000094
的值尽可能小来实现，其中
Figure GDA0003454622310000095
是Si的中心，sa为Si的任意列向量，即引入以下LDA-like正则项：
Figure GDA0003454622310000101
其中H为LDA-like正则项矩阵，可由以下公式构造，
Figure GDA0003454622310000102
是维度大小为Ns+Nt的单位矩阵:
H＝diag(H1,H2,…HC),
Figure GDA0003454622310000103
Hi为矩阵H对应于第i个模态的部分，
Figure GDA0003454622310000104
是长度为Ni的全1列向量,Ni＝Nsi+Nti表示矩阵X中属于第i个模态的数据个数。
总而言之，MMD和LDA-like正则项可以被认为是一种递进关系：MMD正则项就是使每个模态的源域中心靠近每个模态的目标域中心，LDA-like正则项是为了使同一模态的数据相互接近，即减小模内距离。因此，MMD正则项和LDA-like正则项，可以减小源域和目标域的分布畸变，从而达到消除外部条件干扰的效果。
联合公式(11)(12)(15)，可以得到鲁棒迁移字典学习的目标函数：
Figure GDA0003454622310000105
β1、β2分别为MMD约束系数和LDA-like约束系数，均为字典重构误差的非负超参数。
上述得到的目标函数是关于D和S的优化问题。当固定D时，目标函数为关于S的凸函数；当固定S时，目标函数为关于D的凸函数。因此目标函数可以迭代更新求解。求解过程为：
步骤A1，固定稀疏矩阵S，公式(17)目标函数化简为有关于字典D的优化函数：
Figure GDA0003454622310000106
步骤A2，构造新的数据矩阵Xnew＝[X,X,O]和新的稀疏矩阵Snew＝[S,Sin,Sout]，其中O为与X同维度大小的全0矩阵，从而将公式(18)转化为以下公式(19)所示：
Figure GDA0003454622310000107
步骤A3，采用拉格朗日法求解公式(19)得到最优的字典：
步骤A3.1，引入拉格朗日乘子λm(j＝1,2,...,CK)构造以下公式(20)所示的拉格朗日式：
Figure GDA0003454622310000111
式中，P为每个数据xn的维度，p为各维度的序号；
步骤A3.2，通过D最小化拉格朗日式，得到以下公式(21)所示的拉格朗日对偶式：
Figure GDA0003454622310000112
式中，
Figure GDA0003454622310000113
步骤A3.3，采用牛顿法或共轭梯度法进行最大化优化拉格朗日对偶式，得到当前稀疏矩阵下的最优字典D：
Figure GDA0003454622310000114
步骤A4，逐列更新稀疏矩阵S，更新稀疏矩阵S的任意列向量sn时，将步骤A3.3得到的字典代入公式(17)所示的目标函数，得到有关于列向量sn的目标函数为：
Figure GDA0003454622310000115
其中Q＝diag(0,0,...,1,1,1,....,0,0,0)∈R CK*CK，1只出现在sn所对应模态的K个原子的位置；P＝ICK-Q，ICK表示维度为CK×CK的单位矩阵；
Figure GDA0003454622310000116
Figure GDA0003454622310000117
为列向量sn的第k个元素；
步骤A5，采用特征符号搜索算法优化目标函数(23)，求解得到最优的列向量sn，所有最优的列向量sn构成最优的稀疏矩阵S；
采用特征符号搜索算法求解列向量sn的具体过程为：
定义g(sn)为：
Figure GDA0003454622310000118
由公式(24)可得最优必要条件为：
Figure GDA0003454622310000121
其中
Figure GDA0003454622310000122
表示g(sn)关于
Figure GDA0003454622310000123
的导数，sign(·)为取标量的符号函数，当标量为负数时，其值为-1；标量为正数时，其值为1；
当公式(25)的第一个条件不满足时，由于
Figure GDA0003454622310000124
的符号已知，故f(sn)关于
Figure GDA0003454622310000125
是可微分的，公式(10)即可化为非约束二次优化问题求解；
当公式(25)的第二个条件不满足时，假设
Figure GDA0003454622310000126
由于此时
Figure GDA0003454622310000127
大于0，为了使得f(sn)局部最小，此时
Figure GDA0003454622310000128
必定减小，且无论
Figure GDA0003454622310000129
减小多少，通过令
Figure GDA00034546223100001210
的符号从0变为-1，f(sn)关于
Figure GDA00034546223100001211
也可微分，公式(10)同样可化为非约束二次优化问题求解；假设
Figure GDA00034546223100001212
由于此时
Figure GDA00034546223100001213
大于0，为了使得f(sn)局部最小，此时
Figure GDA00034546223100001214
必定减小，且无论
Figure GDA00034546223100001215
减小多少，通过令
Figure GDA00034546223100001216
的符号从0变为1，f(sn)关于
Figure GDA00034546223100001217
也可微分，公式(10)同样可化为非约束二次优化问题求解。完整过程如算法1总结。
步骤A6，重复步骤A1至A5，直到获得输入数据矩阵X的对应的最优字典。
Figure GDA00034546223100001218
Figure GDA0003454622310000131
步骤三，根据迁移字典学习得到的字典D，采用OMP算法计算目标域数据Xt的重构误差，并基于所述重构误差，利用核密度估计获得续搅拌槽加热器CSTH2的运行状态智能监测的控制限；
本发明中根据字典计算重构误差所采用的OMP算法，以及基于重构误差计算控制限所采用的核密度估计算法，均采用现有技术实现，在本发明中不再赘述。
步骤四，利用迁移字典学习得到的字典D，计算连续搅拌槽加热器CSTH2的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为连续搅拌槽加热器CSTH2的当前运行状态异常，否则认为连续搅拌槽加热器CSTH2的当前运行状态正常。
为了验证本发明的监测效果，本发明在实验中使用两个不同工作环境下的连续搅拌槽加热器来模拟两种不同生产条件，1个模拟生产条件A，1个模拟生产条件B。在连续搅拌槽加热器的流量观测变量上添加加性故障产生异常数据，作为本实施例中的待检测运行状态的在线数据。然后使用本发明方法根据待检测运行状态的在线数据进行运行状态决断，以故障误报率(FAR)和故障检测率(FDR)作为评估方法的性能指标，其监测效果如下:
Figure GDA0003454622310000132
在对连续搅拌槽加热器运行状态监测中，由于运行条件的改变，历史训练数据和在线监测数据出现分布畸变，利用传统的数据驱动方法显然会导致模型失配等问题。而从上述实验结果可以看出，本发明方法面对变化的设备运行条件下仍有着十分精确的监测效果，可以实现对流程生产设备的智能监测。
基于上述方法，本发明还提供一种流程生产装备运行状态的智能监测系统实施例，包括：
训练数据获取模块，用于：获取流程生产装备在生产条件A的C个模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，获取流程生产装备在生产条件B的C个模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]；
迁移字典学习模块，用于：利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；所述目标函数为：
Figure GDA0003454622310000141
Figure GDA0003454622310000142
Figure GDA0003454622310000143
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure GDA0003454622310000144
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure GDA0003454622310000145
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；sa表示Si的任意列向量，
Figure GDA0003454622310000146
是Si的中心；
α是控制稀疏矩阵S稀疏度的非负超参数；β1、β2分别为MMD约束系数和LDA-like约束系数；
控制限生成模块，用于：利用迁移字典学习得到的字典D，计算目标域数据Xt的重构误差；并基于所述重构误差，利用核密度估计获得流程生产装备在生产条件B的运行状态智能监测的控制限；
运行状态判断模块，用于：利用迁移字典学习得到的字典D，计算生产条件B的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为流程生产装备在生产条件B的当前运行状态异常，否则认为流程生产装备在生产条件B的当前运行状态正常。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种流程生产装备运行状态的智能监测方法，其特征在于，包括以下步骤：
1)获取流程生产装备在生产条件A的C个模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，获取流程生产装备在生产条件B的C个模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]；
2)利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；所述目标函数为：
Figure FDA0003454622300000011
Figure FDA0003454622300000012
Figure FDA0003454622300000013
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure FDA0003454622300000014
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure FDA0003454622300000015
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；sa表示S的任意列向量，
Figure FDA0003454622300000016
是Si的中心；
α是控制稀疏矩阵S稀疏度的非负超参数；β1、β2分别为MMD约束系数和LDA-like约束系数；
3)利用迁移字典学习得到的字典D，计算目标域数据Xt的重构误差；并基于所述重构误差，利用核密度估计获得流程生产装备在生产条件B的运行状态智能监测的控制限；
4)利用迁移字典学习得到的字典D，计算生产条件B的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为流程生产装备在生产条件B的当前运行状态异常，否则认为流程生产装备在生产条件B的当前运行状态正常。
2.根据专利要求1所述的方法，其特征在于，将公式(1)所示的目标函数使用矩阵表示为：
Figure FDA0003454622300000021
M＝diag(M1,M2,...MC)；
Figure FDA0003454622300000022
H＝diag(H1,H2,…HC),
Figure FDA0003454622300000023
其中，M为MMD正则项矩阵，Mi[u,v]为矩阵Mi的第u行第v列个元素，xu,xv分别为Xi的第u和第v个数据，source domain指源域，target domain指目标域；
Figure FDA0003454622300000024
是维度大小为Ns+Nt的单位矩阵，H为LDA-like正则项矩阵，Hi为矩阵H对应于第i个模态的部分，
Figure FDA0003454622300000028
是长度为Ni的全1列向量，Ni＝Nsi+Nti表示矩阵X中属于第i个模态的数据个数；
采用迭代更新算法求解公式(2)所述的目标函数以得到字典D，具体包括以下步骤：
步骤A1，固定稀疏矩阵S，将目标函数化简为有关于字典D的优化函数：
Figure FDA0003454622300000025
步骤A2，构造新的数据矩阵Xnew＝[X,X,O]和新的稀疏矩阵Snew＝[S,Sin,Sout]，其中O为与X同维度大小的全0矩阵，从而将公式(3)转化为以下公式(4)所示：
Figure FDA0003454622300000026
步骤A3，采用拉格朗日法求解公式(4)得到最优的字典：
Figure FDA0003454622300000027
其中
Figure FDA0003454622300000031
λm为引入的拉格朗日乘子，m＝1,2,...,CK；
步骤A4，逐列更新稀疏矩阵S，更新稀疏矩阵S的任意列向量sn时，将公式(5)所示的字典代入公式(2)所示的目标函数，得到有关于列向量sn的目标函数为：
Figure FDA0003454622300000032
其中Q＝diag(0,0,...,1,1,1,....,0,0,0)∈RCK*CK，1只出现在sn所对应模态的K个原子的位置；P＝ICK-Q，ICK表示维度为CK×CK的单位矩阵；
Figure FDA0003454622300000033
Figure FDA0003454622300000034
为列向量sn的第k个元素；
步骤A5，采用特征符号搜索算法优化目标函数(5)，求解得到最优的列向量sn，所有最优的列向量sn构成最优的稀疏矩阵S；
步骤A6，重复步骤A1至A5，直到获得输入数据矩阵X的对应的最优字典。
3.根据专利要求2所述的方法，其特征在于，步骤A3采用拉格朗日法求解公式(4)得到最优的字典，具体过程为：
步骤A3.1，引入拉格朗日乘子λm(j＝1,2,...,CK)构造以下公式(6)所示的拉格朗日式：
Figure FDA0003454622300000035
式中，P为每个数据xn的维度，p为各维度的序号；
步骤A3.2，通过D最小化拉格朗日式，得到以下公式(7)所示的拉格朗日对偶式：
Figure FDA0003454622300000036
步骤A3.3，采用牛顿法或共轭梯度法进行最大化优化拉格朗日对偶式，得到当前稀疏矩阵下的最优字典D：
Figure FDA0003454622300000037
4.根据专利要求2所述的方法，其特征在于，步骤A5中，采用特征符号搜索算法求解列向量sn的具体过程为：
定义g(sn)为：
Figure FDA0003454622300000041
由公式(9)可得公式(5)的最优必要条件为：
Figure FDA0003454622300000042
其中
Figure FDA0003454622300000043
表示g(sn)关于
Figure FDA0003454622300000044
的导数，sign(·)为取标量的符号函数，当标量为负数时，其值为-1；标量为正数时，其值为1；
当公式(10)的第一个条件不满足时，由于
Figure FDA0003454622300000045
的符号已知，故f(sn)关于
Figure FDA0003454622300000046
是可微分的，公式(10)即可化为非约束二次优化问题求解；
当公式(10)的第二个条件不满足时，假设
Figure FDA0003454622300000047
由于此时
Figure FDA0003454622300000048
大于0，为了使得f(sn)局部最小，此时
Figure FDA0003454622300000049
必定减小，且无论
Figure FDA00034546223000000410
减小多少，通过令
Figure FDA00034546223000000411
的符号从0变为-1，f(sn)关于
Figure FDA00034546223000000412
也可微分，公式(10)同样可化为非约束二次优化问题求解；假设
Figure FDA00034546223000000413
由于此时
Figure FDA00034546223000000414
大于0，为了使得f(sn)局部最小，此时
Figure FDA00034546223000000415
必定减小，且无论
Figure FDA00034546223000000416
减小多少，通过令
Figure FDA00034546223000000417
的符号从0变为1，f(sn)关于
Figure FDA00034546223000000418
也可微分，公式(10)同样可化为非约束二次优化问题求解。
5.根据专利要求1所述的方法，其特征在于，所述C个模态由连续搅拌槽加热器的生产参数设定值不同而产生。
6.根据专利要求1所述的方法，其特征在于，所述流程生产装备为连续搅拌槽加热器，C＝2。
7.根据专利要求1所述的方法，其特征在于，Nti/Nsi的取值为10％。
8.一种流程生产装备运行状态的智能监测系统，其特征在于，包括：
训练数据获取模块，用于：获取流程生产装备在生产条件A的C个模态下运行得到的历史数据作为源域数据Xs＝[Xs1,Xs2,...,Xsi,...,XsC]，获取流程生产装备在生产条件B的C个模态下运行得到的在线数据作为目标域数据Xt＝[Xt1,Xt2,...,Xti,...,XtC]；
迁移字典学习模块，用于：利用源域数据和目标域数据构成的输入数据矩阵X＝[Xs1,Xt1,Xs2,Xt2,...,XsC,XtC]，构建目标函数进行迁移字典学习；所述目标函数为：
Figure FDA0003454622300000051
Figure FDA0003454622300000052
Figure FDA0003454622300000053
其中，xn表示矩阵X中的第n个数据，n＝1,2,...,Ns+Nt，Ns表示源域中的数据个数，
Figure FDA0003454622300000054
Nsi表示源域中属于第i个模态的数据个数，Nt表示目标域中的数据个数，
Figure FDA0003454622300000055
Nti表示目标域中属于第i个模态的数据个数；same mode指相同的模态；
D表示目标函数待求解的字典，D＝[D1,D2,…,DC]，Dj表示第j个模态对应的子字典，每个子字典包括K个字典原子，dm表示字典D中的第m个字典原子，m＝1,2,…CK；
S表示字典D对应的稀疏矩阵，S＝[S1,S2,...,SC]，Si表示第i个模态对应的子稀疏矩阵，Ssi、Sti分别表示S中对应源域和目标域第i个模态对应的子稀疏矩阵，S[n,m]、Sin[n,m]、Sout[n,m]分别表示矩阵S、Sin、Sout的第n行第m列个元素；sa表示Si的任意列向量，
Figure FDA0003454622300000056
是Si的中心；
α是控制稀疏矩阵S稀疏度的非负超参数；β1、β2分别为MMD约束系数和LDA-like约束系数；
控制限生成模块，用于：利用迁移字典学习得到的字典D，计算目标域数据Xt的重构误差，并基于所述重构误差，利用核密度估计获得流程生产装备在生产条件B的运行状态智能监测的控制限；
运行状态判断模块，用于：利用迁移字典学习得到的字典D，计算生产条件B的在线监测数据的重构误差，若计算得到的重构误差大于控制限，则认为流程生产装备在生产条件B的当前运行状态异常，否则认为流程生产装备在生产条件B的当前运行状态正常。
CN202010534144.0A 2020-06-17 2020-06-17 一种流程生产装备运行状态的智能监测方法与系统 Active CN111723857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010534144.0A CN111723857B (zh) 2020-06-17 2020-06-17 一种流程生产装备运行状态的智能监测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534144.0A CN111723857B (zh) 2020-06-17 2020-06-17 一种流程生产装备运行状态的智能监测方法与系统

Publications (2)

Publication Number Publication Date
CN111723857A CN111723857A (zh) 2020-09-29
CN111723857B true CN111723857B (zh) 2022-03-29

Family

ID=72568046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534144.0A Active CN111723857B (zh) 2020-06-17 2020-06-17 一种流程生产装备运行状态的智能监测方法与系统

Country Status (1)

Country Link
CN (1) CN111723857B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900195B (zh) * 2022-07-11 2022-09-20 山东嘉通专用汽车制造有限公司 一种用于粉罐车的安全状态监测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000163517A (ja) * 1998-12-01 2000-06-16 Hitachi Ltd 手書き文字認識装置
CN102799485B (zh) * 2012-07-12 2014-03-26 北京恒华伟业科技股份有限公司 历史数据的迁移方法及装置
WO2016046212A1 (en) * 2014-09-22 2016-03-31 Foundation For Research And Technology - Hellas (Forth) Apparatuses, method and systems for recovering a 3-dimensional skeletal model of the human body
CN107895177B (zh) * 2017-11-17 2021-08-03 南京邮电大学 一种保持图像分类稀疏结构的迁移分类学习方法
CN109584270B (zh) * 2018-11-13 2023-05-30 大连大学 基于判别字典学习的视觉跟踪方法
CN110705591A (zh) * 2019-03-09 2020-01-17 华南理工大学 一种基于最优子空间学习的异构迁移学习方法
CN110705384B (zh) * 2019-09-12 2023-03-31 天津大学 一种基于跨域迁移增强表示的车辆再识别方法

Also Published As

Publication number Publication date
CN111723857A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Huang et al. Nonlinear process monitoring using kernel dictionary learning with application to aluminum electrolysis process
CN106644162B (zh) 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法
CN113486078A (zh) 一种分布式配电网运行监控方法及系统
CN104865956A (zh) 一种基于贝叶斯网络的复杂系统中传感器故障诊断方法
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN112116002A (zh) 一种检测模型的确定方法、验证方法和装置
CN111158351B (zh) 数据驱动的故障诊断与最优控制系统一体化设计方法
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN111723857B (zh) 一种流程生产装备运行状态的智能监测方法与系统
CN113836783A (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN116431966A (zh) 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN114169091A (zh) 工程机械部件剩余寿命的预测模型建立方法及预测方法
CN113420815A (zh) 半监督rsdae的非线性pls间歇过程监测方法
CN113033079A (zh) 一种基于不平衡修正卷积神经网络的化学故障诊断方法
CN115794805B (zh) 一种中低压配网量测数据补齐方法
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
CN117407770A (zh) 基于神经网络的高压开关柜故障模式分类及预测方法
CN116894180A (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN115329906B (zh) 一种基于图正则化网络的故障诊断方法及装置
Gong et al. Autoencoder-Based Anomaly Detection for Time Series Data in Complex Systems
CN115034504B (zh) 基于云边协同训练的刀具磨损状态预测系统及方法
Chen et al. Smart Meter Fault Prediction Based on One-dimensional Convolution Neural Network Integrated Model
Chengfei et al. Research of Outage Duration Prediction Based on CNN-SVR Under Gray Wolf Optimization
CN117574141A (zh) 一种基于人工智能的无线充电设备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