CN111752147B - 一种具有持续学习能力改进pca的多工况过程监测方法 - Google Patents

一种具有持续学习能力改进pca的多工况过程监测方法 Download PDF

Info

Publication number
CN111752147B
CN111752147B CN202010464703.5A CN202010464703A CN111752147B CN 111752147 B CN111752147 B CN 111752147B CN 202010464703 A CN202010464703 A CN 202010464703A CN 111752147 B CN111752147 B CN 111752147B
Authority
CN
China
Prior art keywords
pca
condition
training
data
working
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
CN202010464703.5A
Other languages
English (en)
Other versions
CN111752147A (zh
Inventor
周东华
张景欣
陈茂银
徐晓滨
纪洪泉
高明
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010464703.5A priority Critical patent/CN111752147B/zh
Publication of CN111752147A publication Critical patent/CN111752147A/zh
Application granted granted Critical
Publication of CN111752147B publication Critical patent/CN111752147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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

Abstract

本发明公开了一种具有持续学习能力改进PCA的多工况过程监测方法，涉及工业监测和故障诊断领域。该方法包括：依次采集工业系统正常工况下的过程数据构成训练集；利用主成分分析对初始工况进行训练，计算初始投影矩阵；根据弹性权重巩固方法和主成分分析原理，构造优化函数，对后续工况进行训练，得到最优投影矩阵；构建监测统计量并计算阈值；采集系统实时工况下的过程数据作为测试样本，利用当前训练模型计算该样本的统计量，并与阈值比较，判断是否有故障发生。本发明方法结合系统原理和先验知识确定权重矩阵，提高方法的可解释性，算法简单，计算量小，易于实现，可广泛应用于化工、加工制造、大型火力发电厂等领域。

Description

一种具有持续学习能力改进PCA的多工况过程监测方法
技术领域
本发明涉及工业监测和故障诊断领域，具体涉及一种具有持续学习能力改进PCA的多工况过程监测方法。
背景技术
工业系统中，由于对产品质量、经济成本、环保要求、原材料等因素，运行过程的工况会发生变化，使系统经常处于多工况过程。研究多工况过程监测，对提高系统的安全性和可靠性有重要意义。例如，在大型火力发电机组中，工厂经常会使用更换煤。不同煤的燃烧特性差别大，因此对煤粉的细度和风粉混合物温度的要求差异大。这就导致了制粉系统经常处于多工况过程，研究其运行安全性对提高机组安全性和燃烧效率有重大意义。
传统多工况过程监测方法分为单模型和多模型两大类。单模型方法，利用转换函数将多模态数据转化为单峰数据，然后采用单工况的过程监测方法。多模型方法包括工况辨识和监测模型建立两部分，常使用数据聚类方法辨识工况，然后在每个工况中建立监测模型。在多工况过程监测中，主成分分析(principal component analysis,PCA)是最常用的过程监测方法。
当工况顺序出现，如何利用PCA方法快速有效实现多工况过程监测，比如工况
Figure BDA0002512199920000011
和工况
Figure BDA0002512199920000018
依次出现，已经训练工况
Figure BDA0002512199920000017
的监测模型，如何利用工况
Figure BDA0002512199920000014
的数据建立监测模型。对于单模型方法，需要重新利用两个工况的正常数据学习转换函数。对于多模型方法，一个工况的监测模型往往不能对另一个工况进行有效监测，需要单独利用工况
Figure BDA0002512199920000015
数据建立适合
Figure BDA0002512199920000016
的监测模型，甚至需要利用两个工况的数据重新训练工况辨识模型。由此可知，传统基于PCA方法的多工况过程监测方法实时性差，且新工况出现时往往遗忘以前已学习工况知识。因此，亟需一种具有持续学习能力的算法，仅利用单模型就能实现对多个工况的有效监测，且不需要重新利用所有工况数据进行训练。
发明内容
本发明的目的是针对上述不足，通过提出一种具有持续学习能力的改进PCA方法，将该方法应用于多工况过程监测中，利用弹性加权巩固(elastic weight consolidation,EWC)方法解决PCA算法在多工况过程的遗忘问题，方法简记为PCA-EWC。
本发明具体采用如下技术方案：
一种具有持续学习能力改进PCA的多工况过程监测方法，包括如下步骤：
步骤一：离线训练，依次采集正常运行工况的数据构成训练数据集，采用PCA对初始工况进行训练，然后采用PCA-EWC算法对后续的工况依次进行训练，计算投影矩阵，构建监测统计指标并计算阈值。
步骤二：在线监测，采集当前时刻的数据作为测试样本，利用当前PCA-EWC算法的训练模型，计算该测试样本的统计指标，并与步骤一中的阈值进行比较，判断是否有故障发生。
优选地，步骤一包括以下步骤：
a)收集正常运行工况
Figure BDA0002512199920000021
下的训练数据，记为X1，样本数量为N1，计算样本均值和标准差，并对该数据进行标准化处理，均值为0，标准差为1；
b)利用PCA算法对正常运行工况
Figure BDA0002512199920000022
下的数据进行训练，计算投影矩阵
Figure BDA0002512199920000023
c)收集正常运行工况
Figure BDA0002512199920000024
下的训练数据，记为X2，样本数量为N2，计算样本均值和标准差，并对该数据进行标准化处理；
d)基于
Figure BDA0002512199920000025
利用PCA-EWC算法对正常运行工况
Figure BDA0002512199920000026
下的数据进行训练，计算投影矩阵
Figure BDA0002512199920000027
e)采用式(1)和(2)计算监测统计指标，
Figure BDA0002512199920000028
SPE＝x(I-PPT)xT (2)
式中，
Figure BDA0002512199920000029
是该工况
Figure BDA00025121999200000210
下的样本，N＝N2；
f)计算监测统计指标的阈值，分别记为
Figure BDA00025121999200000229
，Jth,SPE。
优选地，步骤二包括以下步骤：
a)在线采集正常运行工况
Figure BDA00025121999200000211
或
Figure BDA00025121999200000212
的数据，并利用均值和标准差对数据进行预处理，
Figure BDA00025121999200000213
计算统计量T2和SPE；
b)与构建的阈值比较进行判断，若
Figure BDA00025121999200000214
且SPE＜Jth,SPE，则说明系统运行正常；否则过程异常并报警。
优选地，步骤一中PCA-EWC算法具体原理为：
工业过程依次出现正常运行工况
Figure BDA00025121999200000215
和
Figure BDA00025121999200000216
训练数据分别为
Figure BDA00025121999200000217
和
Figure BDA00025121999200000218
其中N1和N2为样本数量，m为变量数目；在正常运行工况
Figure BDA00025121999200000219
过程监测任务中，用PCA训练得到投影矩阵
Figure BDA00025121999200000220
其中l为主成分个数，利用正常运行工况
Figure BDA00025121999200000221
已学习知识和
Figure BDA00025121999200000230
采集数据，通过PCA-EWC方法，寻找投影矩阵P同时实现对工况
Figure BDA00025121999200000223
和
Figure BDA00025121999200000224
的监测；
假设两个正常运行工况下，PCA的主成分数保持不变，构造如式(3)的目标函数：
Figure BDA00025121999200000225
其中，
Figure BDA00025121999200000226
为标准PCA下正常运动工况
Figure BDA00025121999200000227
的损失函数，
Figure BDA00025121999200000228
衡量两个工况参数的差别，λ表示正常运行工况
Figure BDA0002512199920000031
对正常运行工况
Figure BDA0002512199920000032
的重要性，根据式(4)和(5)所示的PCA和EWC原理，
Figure BDA0002512199920000033
Figure BDA0002512199920000034
其中，Fisher信息矩阵Ω是半正定对称矩阵，该矩阵衡量工况
Figure BDA0002512199920000035
下各变量的重要性，约束条件为PTP＝I，P∈Rm×l，将式(4)和(5)带入(3)中，可得
Figure BDA0002512199920000036
式(6)为非凸函数，令
Figure BDA0002512199920000037
目标函数转为
Figure BDA0002512199920000038
式(7)为两个凸函数相减(difference of convex functions,DC)问题，用分枝定界方法可获取全局最优解，记为
Figure BDA0002512199920000039
优选地，步骤一中PCA-EWC算法推广到更一般的多工况过程监测；
当训练完正常运行工况
Figure BDA00025121999200000326
的监测模型，需要更新矩阵Ω和λ，记为Ωi和λi，i≥2；当第n个工况
Figure BDA00025121999200000327
出现，采集数据为Xn，构建如下目标函数
Figure BDA00025121999200000312
其中，
Figure BDA00025121999200000313
为工况
Figure BDA00025121999200000314
下PCA算法的损失函数，
Figure BDA00025121999200000315
衡量工况
Figure BDA00025121999200000316
和
Figure BDA00025121999200000317
参数的差别，λn-1衡量工况
Figure BDA00025121999200000318
对工况
Figure BDA00025121999200000319
的重要性，
Figure BDA00025121999200000320
为工况
Figure BDA00025121999200000321
下PCA-EWC的最优投影方向，相似地，
Figure BDA00025121999200000322
和
Figure BDA00025121999200000323
的设计如式(5)和(6)所示，最终可得
Figure BDA00025121999200000324
式(9)同样可转化为DC问题，并求取全局最优解，记为
Figure BDA00025121999200000325
本发明具有如下有益效果：
本发明中利用正常数据建立模型，基于系统的先验知识确定Fisher信息矩阵Ω，结合数据与先验知识，提高方法的可解释性。
本发明为多工况过程监测提供一种新的框架，利用EWC方法克服PCA在多工况过程的遗忘特性，在学习新工况信息时保留已学习工况的重要信息。
与传统的多模型相比，该方法基于单模型实现对多个工况的同时监测，具有持续学习能力，不需要重新学习新出现的工况。
与传统的单模型方法相比，新工况出现时，不需要利用所有工况的数据训练转换函数，更适合在线监测。
与传统PCA算法相比，利用各工况的部分信息就能提供良好的监测性能；所采用的故障检测算法简单，计算量小，从而易于计算机实现。
附图说明
图1是本发明PCA-EWC方法的多工况过程监测步骤流程图；
图2是根据本发明一示例中的工况
Figure BDA0002512199920000041
下故障1的检测结果示意图；
图3根据本发明一示例中的工况
Figure BDA0002512199920000042
下故障1的检测结果示意图；
图4是根据本发明一示例中的工况
Figure BDA0002512199920000043
下故障2的检测结果示意图；
图5是根据本发明一示例中的工况
Figure BDA0002512199920000044
下故障2的检测结果示意图；
图6是根据本发明一示例中工况
Figure BDA0002512199920000045
下制粉系统出口温度异常的检测结果示意图；
图7是根据本发明一示例中工况
Figure BDA00025121999200000414
下制粉系统出口温度异常的检测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
结合图1所示，具有持续学习能力改进PCA(principal component analysis)的多工况过程监测方法，包括如下步骤：
步骤一：离线训练，依次采集正常运行工况的数据构成训练数据集，采用PCA对初始工况进行训练，然后采用PCA-EWC算法对后续的工况依次进行训练，计算投影矩阵，构建监测统计指标并计算阈值，具体包括以下步骤：
a)收集正常运行工况
Figure BDA0002512199920000047
下的训练数据，记为X1，样本数量为N1，计算样本均值和标准差，并对该数据进行标准化处理，均值为0，标准差为1。
b)利用PCA算法对正常运行工况
Figure BDA0002512199920000048
下的数据进行训练，计算投影矩阵
Figure BDA0002512199920000049
c)收集正常运行工况
Figure BDA00025121999200000410
下的训练数据，记为X2，样本数量为N2，计算样本均值和标准差，并对该数据进行标准化处理。
d)基于
Figure BDA00025121999200000411
利用PCA-EWC算法对正常运行工况
Figure BDA00025121999200000412
下的数据进行训练，计算投影矩阵
Figure BDA00025121999200000413
e)采用式(1)和(2)计算监测统计指标，
Figure BDA0002512199920000051
SPE＝x(I-PPT)xT (2)
式中，
Figure BDA0002512199920000052
是该工况
Figure BDA0002512199920000053
下的样本，N＝N2。
f)计算监测统计指标的阈值，分别记为
Figure BDA0002512199920000054
Jth,SPE。
步骤一中PCA-EWC算法具体原理为：
工业过程依次出现正常运行工况
Figure BDA0002512199920000055
和
Figure BDA0002512199920000056
训练数据分别为
Figure BDA0002512199920000057
和
Figure BDA0002512199920000058
其中N1和N2为样本数量，m为变量数目；在正常运行工况
Figure BDA0002512199920000059
的过程监测任务中，用PCA训练得到投影矩阵
Figure BDA00025121999200000510
其中l为主成分个数，利用正常运行工况
Figure BDA00025121999200000511
已学习知识和
Figure BDA00025121999200000530
采集数据，通过PCA-EWC方法，寻找投影矩阵P同时实现对工况
Figure BDA00025121999200000513
和
Figure BDA00025121999200000514
的监测。
假设两个正常运行工况下，PCA的主成分数保持不变，构造如式(3)的目标函数：
Figure BDA00025121999200000515
其中，
Figure BDA00025121999200000516
为标准PCA下正常运动工况
Figure BDA00025121999200000517
的损失函数，
Figure BDA00025121999200000518
衡量两个工况参数的差别，λ表示正常运行工况
Figure BDA00025121999200000519
对正常运行工况
Figure BDA00025121999200000520
的重要性，根据式(4)和(5)所示的PCA和EWC原理，
Figure BDA00025121999200000521
Figure BDA00025121999200000522
其中，Fisher信息矩阵Ω是半正定对称矩阵，该矩阵衡量工况
Figure BDA00025121999200000523
下各变量的重要性，约束条件为PTP＝I，P∈Rm×l，将式(4)和(5)带入(3)中，可得
Figure BDA00025121999200000524
式(6)为非凸函数，令
Figure BDA00025121999200000525
目标函数转为
Figure BDA00025121999200000526
式(7)为两个凸函数相减问题，用分枝定界方法可获取全局最优解，记为
Figure BDA00025121999200000527
步骤一中PCA-EWC算法推广到更一般的多工况过程监测。
当训练完正常运行工况
Figure BDA00025121999200000531
的监测模型，需要更新矩阵Ω和λ，记为Ωi和λi，i≥2；当第n个工况
Figure BDA00025121999200000529
出现，采集数据为Xn，构建如下目标函数
Figure BDA0002512199920000061
其中，
Figure BDA00025121999200000626
为工况
Figure BDA00025121999200000625
下PCA算法的损失函数，
Figure BDA0002512199920000064
衡量工况
Figure BDA0002512199920000065
和
Figure BDA0002512199920000066
参数的差别，λn-1衡量工况
Figure BDA00025121999200000628
对工况
Figure BDA00025121999200000627
的重要性，
Figure BDA0002512199920000069
为工况
Figure BDA00025121999200000610
下PCA-EWC的最优投影方向，相似地，
Figure BDA00025121999200000611
和
Figure BDA00025121999200000612
的设计如式(5)和(6)所示，最终可得
Figure BDA00025121999200000613
式(9)同样可转化为DC问题，并求取全局最优解，记为
Figure BDA00025121999200000614
步骤二：在线监测，采集当前时刻的数据作为测试样本，利用当前PCA-EWC算法的训练模型，计算该测试样本的统计指标，并与步骤一中的阈值进行比较，判断是否有故障发生，具体包括以下步骤：
a)在线采集正常运行工况
Figure BDA00025121999200000615
或
Figure BDA00025121999200000616
的数据，并利用均值和标准差对数据进行预处理，
Figure BDA00025121999200000617
计算统计量T2和SPE。
b)与构建的阈值比较进行判断，若
Figure BDA00025121999200000618
且SPE＜Jth,SPE，则说明系统运行正常；否则过程异常并报警。
为了帮助理解本发明，同时直观地展示本发明方法用于故障检测的效果，下面结合一示例进行说明。本示例基于多工况过程监测的数值仿真算例进行说明，训练数据和测试数据均来该算例。具体如下：
Figure BDA00025121999200000619
其中噪声
Figure BDA00025121999200000620
信号源sj，j＝1,2,3，共8个变量。构造如下两个工况数据：
Figure BDA00025121999200000621
Figure BDA00025121999200000622
(1)离线训练
依次采集工况
Figure BDA00025121999200000630
和工况
Figure BDA00025121999200000629
下正常运行状态下各1000个样本，分别记为X1和X2，对数据X1进行标准化处理，并用PCA算法训练得到投影矩阵
Figure BDA0002512199920000071
l为主成分个数，l＝3。对数据X2进行标准化处理，根据
Figure BDA00025121999200000725
和工况
Figure BDA0002512199920000073
的数据，利用PCA-EWC方法进行训练，得到最优投影矩阵
Figure BDA0002512199920000074
计算监测统计指标及阈值。
(2)在线检测
在本示例中，异常数据设置为：
Figure BDA0002512199920000075
故障1：变量x3在第501个样本增加0.1；
Figure BDA0002512199920000076
故障2：变量x6在第501个样本增加0.1。
对每个故障，工况
Figure BDA0002512199920000077
和工况
Figure BDA0002512199920000078
均产生1000个测试样本，其中前500为正常样本，后500个为异常样本。对该测试数据集包含的每一个测试样本，利用工况
Figure BDA0002512199920000079
的训练模型和参数
Figure BDA00025121999200000726
计算其T2和SPE统计量，并与上述阈值进行比较，判断是否有故障发生。
图2展示了在工况
Figure BDA00025121999200000711
下故障1的检测效果，检测准确率达100％。图3展示了在工况
Figure BDA00025121999200000712
下故障1的检测效果，检测准确率达100％。图4展示了在工况
Figure BDA00025121999200000713
下故障2的检测效果，检测准确率达100％。图5展示了在工况
Figure BDA00025121999200000714
下故障2的检测效果，检测准确率达100％。在不同的工况下，基于PCA-EWC的训练模型能有效对两个工况异常进行有效监测，充分说明了方法的持续学习能力，也为多工况过程监测提供一种新的研究框架。
为了更加直观理解本发明的实际效果，结合另一示例研究火力发电厂中制粉系统的过程监测，制粉系统由给煤机、磨煤机、旋转分离器、石子煤室等设备组成。将每个煤种的运行过程看成一种工况，训练数据和测试数据均来自于实际电厂运行过程，采样频率为0.2Hz。以制粉系统出口温度异常为例，出口温度过高，容易导致制粉系统爆燃，出口温度过低，会降低燃烧效率。选择9个变量，包括冷/热一次风挡板位置反馈、一次风温度、一次风压力等。定义工况
Figure BDA00025121999200000715
为印尼煤的运行过程，工况
Figure BDA00025121999200000716
为澳蒙煤的运行过程。
(1)离线训练
依次采集工况
Figure BDA00025121999200000717
正常样本12960个(18小时)，工况
Figure BDA00025121999200000718
下正常样本17280个(24小时)，分别记为X1和X2，对数据X1进行标准化处理，并用PCA算法训练得到投影矩阵
Figure BDA00025121999200000719
l为主成分个数，l＝5。对数据X2进行标准化处理，根据
Figure BDA00025121999200000720
和工况
Figure BDA00025121999200000727
的数据，利用PCA-EWC方法进行训练，得到最优投影矩阵
Figure BDA00025121999200000722
计算监测统计指标及阈值。
(2)在线检测
对制粉系统出口温度异常，采集工况
Figure BDA00025121999200000723
下测试样本34560个，其中前10907个为正常样本；采集工况
Figure BDA00025121999200000728
下测试样本17280个，其中前7511个为正常样本。对该测试数据集包含的每一个测试样本，利用工况
Figure BDA0002512199920000081
的训练模型和参数
Figure BDA0002512199920000082
计算其T2和SPE统计量，并与上述阈值进行比较，判断是否有故障发生。
图6展示了在工况
Figure BDA0002512199920000083
下，制粉系统出口温度异常的检测效果，检测准确率达100％，提前2个样本检测出异常。图7展示了在工况
Figure BDA0002512199920000084
下，制粉系统出口温度异常的检测效果，检测准确率达100％，提前33个样本检测出异常。充分说明，能够用单模型实现对不同工况的连续监测，体现算法的持续学习能力。
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)

1.一种具有持续学习能力改进PCA的多工况过程监测方法，其特征在于，包括如下步骤：
步骤一：离线训练，依次采集正常运行工况的数据构成训练数据集，采用PCA对初始工况进行训练，然后采用PCA-EWC算法对后续的工况依次进行训练，计算投影矩阵，构建监测统计指标并计算阈值；
步骤一中PCA-EWC算法具体原理为：
工业过程依次出现正常运行工况
Figure FDA0003529617400000011
和
Figure FDA0003529617400000012
训练数据分别为
Figure FDA0003529617400000013
和
Figure FDA0003529617400000014
其中N1和N2为样本数量，m为变量数目；在正常运行工况
Figure FDA0003529617400000015
的过程监测任务中，用PCA训练得到投影矩阵
Figure FDA0003529617400000016
其中l为主成分个数，利用正常运行工况
Figure FDA0003529617400000017
已学习知识和
Figure FDA0003529617400000018
采集数据，通过PCA-EWC方法，寻找投影矩阵P同时实现对工况
Figure FDA0003529617400000019
和
Figure FDA00035296174000000110
的监测；
假设两个正常运行工况下，PCA的主成分数保持不变，构造如式(3)的目标函数：
Figure FDA00035296174000000111
其中，
Figure FDA00035296174000000112
为标准PCA下正常运动工况
Figure FDA00035296174000000113
的损失函数，
Figure FDA00035296174000000114
衡量两个工况参数的差别，λ表示正常运行工况
Figure FDA00035296174000000115
对正常运行工况
Figure FDA00035296174000000116
的重要性，根据式(4)和(5)所示的PCA和EWC原理，
Figure FDA00035296174000000117
Figure FDA00035296174000000118
其中，Fisher信息矩阵Ω是半正定对称矩阵，该矩阵衡量工况
Figure FDA00035296174000000119
下各变量的重要性，约束条件为PTP＝I，P∈Rm×l，将式(4)和(5)带入(3)中，可得
Figure FDA00035296174000000120
式(6)为非凸函数，令
Figure FDA00035296174000000121
目标函数转为
Figure FDA00035296174000000122
式(7)为两个凸函数相减问题，用分枝定界方法可获取全局最优解，记为
Figure FDA00035296174000000123
步骤二：在线监测，采集当前时刻的数据作为测试样本，利用当前PCA-EWC算法的训练模型，计算该测试样本的统计指标，并与步骤一中的阈值进行比较，判断是否有故障发生。
2.如权利要求1所述的一种具有持续学习能力改进PCA的多工况过程监测方法，其特征在于，步骤一包括以下步骤：
a)收集正常运行工况
Figure FDA0003529617400000021
下的训练数据，记为X1，样本数量为N1，计算样本均值和标准差，并对该数据进行标准化处理，均值为0，标准差为1；
b)利用PCA算法对正常运行工况
Figure FDA0003529617400000022
下的数据进行训练，计算投影矩阵
Figure FDA0003529617400000023
c)收集正常运行工况
Figure FDA0003529617400000024
下的训练数据，记为X2，样本数量为N2，计算样本均值和标准差，并对该数据进行标准化处理；
d)基于
Figure FDA0003529617400000025
利用PCA-EWC算法对正常运行工况
Figure FDA0003529617400000026
下的数据进行训练，计算投影矩阵
Figure FDA0003529617400000027
e)采用式(1)和(2)计算监测统计指标，
Figure FDA0003529617400000028
SPE＝x(I-PPT)xT (2)
式中，
Figure FDA0003529617400000029
x∈Rm是该工况
Figure FDA00035296174000000210
下的样本，N＝N2；
f)计算监测统计指标的阈值，分别记为
Figure FDA00035296174000000211
Jth，SPE。
3.如权利要求2所述的一种具有持续学习能力改进PCA的多工况过程监测方法，其特征在于，步骤二包括以下步骤：
a)在线采集正常运行工况
Figure FDA00035296174000000212
或
Figure FDA00035296174000000213
的数据，并利用均值和标准差对数据进行预处理，
Figure FDA00035296174000000214
计算统计量T2和SPE；
b)与构建的阈值比较进行判断，若
Figure FDA00035296174000000215
且SPE＜Jth,SPE，则说明系统运行正常；否则过程异常并报警。
4.如权利要求2所述的一种具有持续学习能力改进PCA的多工况过程监测方法，其特征在于，步骤一中PCA-EWC算法推广到更一般的多工况过程监测；
当训练完正常运行工况
Figure FDA00035296174000000216
的监测模型，需要更新矩阵Ω和λ，记为Ωi和λi，i≥2；当第n个工况
Figure FDA00035296174000000217
出现，采集数据为Xn，构建如下目标函数
Figure FDA00035296174000000218
其中，
Figure FDA00035296174000000219
为工况
Figure FDA00035296174000000220
下PCA算法的损失函数，
Figure FDA00035296174000000221
衡量工况
Figure FDA00035296174000000222
和
Figure FDA00035296174000000223
参数的差别，λn-1衡量工况
Figure FDA00035296174000000224
对工况
Figure FDA00035296174000000225
的重要性，
Figure FDA00035296174000000226
为工况
Figure FDA00035296174000000227
下PCA-EWC的最优投影方向，相似地，
Figure FDA00035296174000000228
和
Figure FDA00035296174000000229
的设计如式(5)和(6)所示，最终可得
Figure FDA00035296174000000230
式(9)同样可转化为两个凸函数相减问题，并求取全局最优解，记为
Figure FDA0003529617400000031
CN202010464703.5A 2020-05-28 2020-05-28 一种具有持续学习能力改进pca的多工况过程监测方法 Active CN111752147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464703.5A CN111752147B (zh) 2020-05-28 2020-05-28 一种具有持续学习能力改进pca的多工况过程监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464703.5A CN111752147B (zh) 2020-05-28 2020-05-28 一种具有持续学习能力改进pca的多工况过程监测方法

Publications (2)

Publication Number Publication Date
CN111752147A CN111752147A (zh) 2020-10-09
CN111752147B true CN111752147B (zh) 2022-04-22

Family

ID=72674050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464703.5A Active CN111752147B (zh) 2020-05-28 2020-05-28 一种具有持续学习能力改进pca的多工况过程监测方法

Country Status (1)

Country Link
CN (1) CN111752147B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529059B (zh) * 2020-12-04 2022-01-14 湖南五凌电力科技有限公司 机组电磁振动诊断方法、系统、计算机设备和存储介质
CN112598030B (zh) * 2020-12-08 2023-03-24 山东科技大学 一种基于递归协整分析和弹性权重巩固的非平稳过程监测方法
CN113393211B (zh) * 2021-06-22 2022-12-09 柳州市太启机电工程有限公司 一种智能化提高自动化生产效率的方法及系统
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662321A (zh) * 2012-03-23 2012-09-12 清华大学 一种主元分析监控模型的在线更新方法
CN109407652A (zh) * 2018-12-10 2019-03-01 中国石油大学(华东) 基于主辅pca模型的多变量工业过程故障检测方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1914638A1 (en) * 2006-10-18 2008-04-23 Bp Oil International Limited Abnormal event detection using principal component analysis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662321A (zh) * 2012-03-23 2012-09-12 清华大学 一种主元分析监控模型的在线更新方法
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
CN109407652A (zh) * 2018-12-10 2019-03-01 中国石油大学(华东) 基于主辅pca模型的多变量工业过程故障检测方法

Also Published As

Publication number Publication date
CN111752147A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111752147B (zh) 一种具有持续学习能力改进pca的多工况过程监测方法
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
EP3055747B1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
JP5538597B2 (ja) 異常検知方法及び異常検知システム
WO2010095314A1 (ja) 異常検知方法及び異常検知システム
EP3055746B1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
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
CN112257943A (zh) 一种基于mset和偏离度的电厂引风机故障预警方法
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN112363462B (zh) 一种静-动态协同感知的复杂工业过程运行状态评价方法
JP2012230703A (ja) 異常検知方法及びシステム
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN115730191A (zh) 一种基于注意力机制的磨煤机故障预警方法
CN110942258B (zh) 一种性能驱动的工业过程异常监测方法
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN104615123B (zh) 基于k近邻的传感器故障隔离方法
CN114326486B (zh) 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
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
Kondaveeti et al. Application of multivariate statistics for efficient alarm generation
CN111898794B (zh) 一种大型燃煤锅炉热效率的异常监测方法
Li et al. Multiple sensor fault diagnosis for dynamic processes
CN111648992A (zh) 燃气轮机压气机故障识别预警方法
CN108759479B (zh) 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法
CN110347138A (zh) 自适应核主元分析的化工过程故障诊断方法
Deng et al. Primary-auxiliary statistical local kernel principal component analysis and its application to incipient fault detection of nonlinear industrial 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