CN112184034A - 基于互信息的多块k近邻故障监测方法及系统 - Google Patents

基于互信息的多块k近邻故障监测方法及系统 Download PDF

Info

Publication number
CN112184034A
CN112184034A CN202011060648.XA CN202011060648A CN112184034A CN 112184034 A CN112184034 A CN 112184034A CN 202011060648 A CN202011060648 A CN 202011060648A CN 112184034 A CN112184034 A CN 112184034A
Authority
CN
China
Prior art keywords
data set
sample data
normal working
working condition
variable
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.)
Granted
Application number
CN202011060648.XA
Other languages
English (en)
Other versions
CN112184034B (zh
Inventor
熊伟丽
郑静
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202011060648.XA priority Critical patent/CN112184034B/zh
Publication of CN112184034A publication Critical patent/CN112184034A/zh
Application granted granted Critical
Publication of CN112184034B publication Critical patent/CN112184034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供基于互信息的多块k近邻故障监测方法及系统，方法包括：获取原始正常工况样本数据集A0及待测样本数据集x，对A0进行标准化处理得到原始正常工况标准样本数据集
Figure DDA0002712262070000011
及对x进行标准化处理得到待测标准样本数据集x*；根
Figure DDA0002712262070000012
中样本的两变量的互信息对
Figure DDA0002712262070000013
中的变量进行分块，及根据x*中的样本的两变量的互信息对x*中的变量进行分块；求取
Figure DDA0002712262070000014
各子块的控制限，及求取x*的各子块的统计量；根据贝叶斯推断，将
Figure DDA0002712262070000015
各子块的控制限及x*的各子块的统计量融合为
Figure DDA0002712262070000016
统计量，并根据
Figure DDA0002712262070000017
统计量与
Figure DDA0002712262070000018
的各子块的控制限的关系确定x*是否发生故障；若发生故障，则根据x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。本方法可准确快速地监测出待测样本数据集是否发生故障、故障子块及故障样本。

Description

基于互信息的多块k近邻故障监测方法及系统
技术领域
本发明涉及复杂工业过程建模和故障诊断领域,尤其涉及一种基于多块信息提取和马氏距离的故障监测方法及系统。
背景技术
随着新型传感器、数据采集设备和系统的高速发展，一些先进化工工业过程积累了丰富的过程数据，使得多元统计过程监控技术不断进步。其中作为基础的主成分分析和k近邻方法得到了大量的研究和应用。作为一种降维技术，PCA监测方法通过将数据投影到低维空间以有效地处理高维和线性相关的数据，通过建立主元子空间和残差子空间的统计量进行过程监控。但是，对于具有非线性和非高斯特性的过程数据，PCA方法可能无法进行有效的监测。
基于该问题，本领域技术人员也进行了一系列的研究，也陆陆续续尝试各种基于kNN原理的故障监测方法，然而故障监测结果均不理想，要么计算量比较大从而使得效率低，要么就是故障监测效果的误报率高。
基于上述问题，如何同时保障故障监测的效率及监测结果成为本领域技术人员面临的一大难题。
发明内容
针对传统kNN故障监测的效率及监测结果等问题，本发明实施例提出一种基于互信息的多块k近邻故障监测方法。
第一方面，本发明实施例提供一种基于互信息的多块k近邻故障监测方法，用于对化工-TE过程中的故障进行监测，包括：
步骤S10、获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000021
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
步骤S12、根据原始正常工况标准样本数据集
Figure BDA0002712262050000022
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000023
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
步骤S14、求取原始正常工况标准样本数据集
Figure BDA0002712262050000024
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
步骤S16、根据贝叶斯推断，将原始正常工况标准样本数据集
Figure BDA0002712262050000025
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000026
统计量，并根据
Figure BDA0002712262050000027
统计量与原始正常工况标准样本数据集
Figure BDA0002712262050000028
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
步骤S18、若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
在一个实施例中，所述对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000029
采用的第一数学模型为：
Figure BDA00027122620500000210
其中，a表示原始正常工况样本数据集A0∈Rm×n中的一个样本，a*表示样本a经过标准化后处理后得到的原始正常工况标准样本数据集A0∈Rm×n中对应的样本，mean(A0)表示原始正常工况样本数据集A0按行求均值得到的均值向量，std(A0)表示原始正常工况样本数据集A0按行求标准差得到的标准差向量，n代表原始正常工况样本数据集A0中的样本个数，m代表原始正常工况样本数据集A0中样本的变量个数；原始正常工况样本数据集X0为矩阵。
在一个实施例中，所述根据原始正常工况标准样本数据集
Figure BDA0002712262050000031
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000032
中的变量进行分块，包括：
计算原始正常工况标准样本数据集
Figure BDA0002712262050000033
中样本的两变量的互信息；采用的第二数学模型为：
Figure BDA0002712262050000034
根据两变量的互信息对原始正常工况标准样本数据集中样本的变量进行分块，包括：
若样本的变量xj与变量xi的互信息与该两变量的互信息的中值满足预设大小关系，则将变量xj与变量xi放到同一个子块中；
其中，p(xi,xj)为变量xi与变量xj的联合概率分布，而p(xi)、p(xj)分别为变量xi与变量xj的边缘概率分布。
在一个实施例中，所述分别求取原始正常工况标准样本数据集
Figure BDA0002712262050000035
各子块及待测标准样本数据集x*各子块的统计量，并求取原始正常工况标准样本数据集
Figure BDA0002712262050000036
各子块的控制限，包括：
求取原始正常工况标准样本数据集
Figure BDA0002712262050000037
中样本am的前k个近邻，采用的数学模型为：
Figure BDA0002712262050000038
计算样本am的统计量，采用的第三数学模型为：
Figure BDA0002712262050000039
其中，
Figure BDA00027122620500000310
表示样本am与它的第n个近邻样本的欧氏平方距离；
根据样本am的统计量确定原始正常工况标准样本数据集
Figure BDA00027122620500000311
的控制限
Figure BDA00027122620500000312
在一个实施例中，所述根据
Figure BDA0002712262050000041
统计量与原始正常工况标准样本数据集
Figure BDA0002712262050000042
各子块的控制限的关系确定待测标准样本数据集x*是否发生故障，包括：
若待测标准样本数据集x*的
Figure BDA0002712262050000043
统计量大于等于原始正常工况标准样本数据集
Figure BDA0002712262050000044
的控制限
Figure BDA0002712262050000045
则确定待测样本数据集x*发生故障。
在一个实施例中，所述将原始正常工况标准样本数据集
Figure BDA0002712262050000046
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000047
统计量，包括：
求取待测标准样本数据集x*的样本xtest在原始正常工况标准样本数据集
Figure BDA0002712262050000048
的第b个子块中的条件概率
Figure BDA0002712262050000049
及条件概率
Figure BDA00027122620500000410
采用的第四数学模型分别为：
Figure BDA00027122620500000411
确定待测标准样本数据集x*的样本xtest在第b个子块中的D2统计量
Figure BDA00027122620500000412
及故障条件概率
Figure BDA00027122620500000413
采用的第五数学模型为：
Figure BDA00027122620500000414
根据所述条件概率
Figure BDA00027122620500000415
条件概率
Figure BDA00027122620500000416
第b个子块中的D2统计量
Figure BDA00027122620500000417
及故障条件概率
Figure BDA00027122620500000418
确定
Figure BDA00027122620500000419
统计量；采用的第六数学模型为：
Figure BDA00027122620500000420
其中，
Figure BDA00027122620500000421
为正常样本的先验概率，α为置信度，则
Figure BDA00027122620500000422
为1-α；
Figure BDA00027122620500000423
为待测样本在第b个子块中的统计量；
Figure BDA00027122620500000424
为第b个子块中由核密度估计方法估算得出的统计量的控制限。
在一个实施例中，所述方法，还包括：
确定对故障影响最大的变量。
在一个实施例中，所述确定对故障影响最大的变量，包括：
计算样本中各变量与其均值的马氏距离；采用的第七数学模型为：
Figure BDA0002712262050000051
其中，ai(j)表示变量xi的第j个样本点，
Figure BDA0002712262050000052
表示变量xi的均值，
Figure BDA0002712262050000053
表示变量xi的方差。
第二方面，根据本发明实施例提供一种基于互信息的多块k近邻故障监测系统，用于对化工-TE过程中的故障进行监测，所述系统包括：
获取模块，用于获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000054
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
拆分模块，用于根据原始正常工况标准样本数据集
Figure BDA0002712262050000055
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000056
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
控制限求取模块，用于求取原始正常工况标准样本数据集
Figure BDA0002712262050000057
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
故障判断模块，根据贝叶斯推断，将原始正常工况标准样本数据集
Figure BDA0002712262050000058
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000059
统计量，并根据
Figure BDA00027122620500000510
统计量与原始正常工况标准样本数据集
Figure BDA00027122620500000511
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
故障点确定模块，用于若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
本发明实施例提供的基于互信息的多块k近邻故障监测方法及系统，在对原始正常工况样本数据集A0标准化之后，对得到的原始正常工况标准样本数据集
Figure BDA0002712262050000061
中的变量的互信息及互信息的中值对变量进行分块，并求取各子块的控制限；对于待测样本数据集，同样对其进行标准化处理及分块，并求取各子块的统计量；最后根据原始正常工况标准样本数据集
Figure BDA0002712262050000062
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000063
统计量，并根据
Figure BDA0002712262050000064
统计量与控制限的贡献确定待测样本数据集是否发生故障及故障子块、样本。本方法，对于化工-TE过程的故障监测，可以准确快速的监测出待测样本数据集是否发生故障、故障子块及故障样本。有效保证了化工-TE过程的故障监测效率。
附图说明
图1为本发明实施例提供的基于互信息的多块k近邻故障监测方法的流程图；
图2a为变量18与其他变量的互信息的示意图；
图2b为变量19与其他变量的互信息的示意图；
图2c为变量31与其他变量的互信息的示意图；
图2d为变量10与其他变量的互信息的示意图；
图2e为变量17与其他变量的互信息的示意图；
图2f为变量28与其他变量的互信息的示意图；
图2g为变量33与其他变量的互信息的示意图；
图3a为采用PCA方法对故障5的监测结果图；
图3b为采用kNN方法对故障5的监测结果图；
图3c为采用本发明的MI-MBKNN方法时子块4对故障5的监测结果图；
图3d为采用本发明的MI-MBKNN方法对故障5的监测结果图；
图4a为采用kNN方法对第161样本点故障5的故障诊断结果示意图；
图4b为采用本发明的MI-MBkNN方法对第161样本点故障5的故障诊断结果示意图；
图5a为采用kNN方法对第400样本点故障5的故障诊断结果示意图；
图5b为采用本发明的MI-MBkNN方法对第400样本点故障5的故障诊断结果示意图；
图6a为采用PCA方法对故障10的监测结果图；
图6b为采用kNN方法对故障10的监测结果图；
图6c为采用本发明的MI-MBKNN方法时子块4对故障10的监测结果图；
图6d为采用本发明的MI-MBKNN方法对故障10的监测结果图；
图7a为采用kNN方法对第400样本点故障10的故障诊断结果示意图；
图7b为采用本发明的MI-MBkNN方法对第400样本点故障10的故障诊断结果示意图；
图8a为高炉过程变量1曲线图；
图8b为高炉过程变量2曲线图；
图8c为高炉过程变量3曲线图；
图8d为高炉过程变量4曲线图；
图8e为高炉过程变量5曲线图；
图8f为高炉过程变量6曲线图；
图8g为高炉过程变量7曲线图；
图8h为高炉过程变量8曲线图；
图9a为高炉过程子块1故障监测图；
图9b为高炉过程子块2故障监测图；
图10a为采用kNN方法对高炉过程故障诊断结果图；
图10b为采用本发明的MI-MBkNN方法对高炉过程故障诊断结果图；
图11为本发明实施例提供的基于互信息的多块k近邻故障监测系统的模块图。
具体实施方式
本发明实施例公开一种基于互信息的多块k近邻故障监测方法及系统，用于对TE过程中的故障进行监测，参见图1所示，基于互信息的多块k近邻故障监测方法，包括如下步骤：
步骤S10、获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000081
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
步骤S12、根据原始正常工况标准样本数据集
Figure BDA0002712262050000082
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000083
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
步骤S14、求取原始正常工况标准样本数据集
Figure BDA0002712262050000084
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
步骤S16、根据贝叶斯推断，将原始正常工况标准样本数据集
Figure BDA0002712262050000085
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000086
统计量，并根据
Figure BDA0002712262050000087
统计量与原始正常工况标准样本数据集
Figure BDA0002712262050000088
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
步骤S18、若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
在一个实施例中，所述对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000091
采用的第一数学模型为：
Figure BDA0002712262050000092
其中，a表示原始正常工况样本数据集A0∈Rm×n中的一个样本，a*表示样本a经过标准化后处理后得到的原始正常工况标准样本数据集A0∈Rm×n中对应的样本，mean(A0)表示原始正常工况样本数据集A0按行求均值得到的均值向量，std(A0)表示原始正常工况样本数据集A0按行求标准差得到的标准差向量，n代表原始正常工况样本数据集A0中的样本个数，m代表原始正常工况样本数据集A0中样本的变量个数；原始正常工况样本数据集X0为矩阵。
在一个实施例中，所述根据原始正常工况标准样本数据集
Figure BDA0002712262050000093
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000094
中的变量进行分块，包括：
计算原始正常工况标准样本数据集
Figure BDA0002712262050000095
中样本的两变量的互信息；采用的第二数学模型为：
Figure BDA0002712262050000096
根据两变量的互信息对原始正常工况标准样本数据集中样本的变量进行分块，包括：
若样本的变量xj与变量xi的互信息与该两变量的互信息的中值满足预设大小关系，则将变量xj与变量xi放到同一个子块中；如，当变量xj与变量xi的互信息大于该两变量的互信息的中值的1.3倍时，则将变量xj与变量xi划分至同一个子块。
其中，p(xi,xj)为变量xi与变量xj的联合概率分布，而p(xi)、p(xj)分别为变量xi与变量xj的边缘概率分布。
在一个实施例中，所述分别求取原始正常工况标准样本数据集
Figure BDA0002712262050000101
各子块及待测标准样本数据集x*各子块的统计量，并求取原始正常工况标准样本数据集
Figure BDA0002712262050000102
各子块的控制限，包括：
求取原始正常工况标准样本数据集
Figure BDA0002712262050000103
中样本am的前k个近邻，采用的数学模型为：
Figure BDA0002712262050000104
计算样本am的统计量，采用的第三数学模型为：
Figure BDA0002712262050000105
其中，
Figure BDA0002712262050000106
表示样本am与它的第n个近邻样本的欧氏平方距离；
根据样本am的统计量确定原始正常工况标准样本数据集
Figure BDA0002712262050000107
的控制限
Figure BDA0002712262050000108
在一个实施例中，所述根据
Figure BDA0002712262050000109
统计量与原始正常工况标准样本数据集
Figure BDA00027122620500001010
各子块的控制限的关系确定待测标准样本数据集x*是否发生故障，包括：
若待测标准样本数据集x*的
Figure BDA00027122620500001011
统计量大于等于原始正常工况标准样本数据集
Figure BDA00027122620500001012
的控制限
Figure BDA00027122620500001013
则确定待测样本数据集x*发生故障。
在一个实施例中，所述将原始正常工况标准样本数据集
Figure BDA00027122620500001014
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA00027122620500001015
统计量，包括：
求取待测标准样本数据集x*的样本xtest在原始正常工况标准样本数据集
Figure BDA00027122620500001016
的第b个子块中的条件概率
Figure BDA00027122620500001017
及条件概率
Figure BDA00027122620500001018
采用的第四数学模型分别为：
Figure BDA00027122620500001019
确定待测标准样本数据集x*的样本xtest在原始正常工况标准数据集
Figure BDA00027122620500001020
的第b个子块中的D2统计量
Figure BDA0002712262050000111
及故障条件概率
Figure BDA0002712262050000112
采用的第五数学模型为：
Figure BDA0002712262050000113
根据所述条件概率
Figure BDA0002712262050000114
条件概率
Figure BDA0002712262050000115
b个子块中的D2统计量
Figure BDA0002712262050000116
及故障条件概率
Figure BDA0002712262050000117
确定
Figure BDA0002712262050000118
统计量；采用的第六数学模型为：
Figure BDA0002712262050000119
其中，
Figure BDA00027122620500001110
为正常样本的先验概率，α为置信度，则
Figure BDA00027122620500001111
为1-α；
Figure BDA00027122620500001112
为待测样本在第b个子块中的统计量；
Figure BDA00027122620500001113
为第b个子块中由核密度估计方法估算得出的统计量的控制限。
在此指出，对于待测标准样本数据集x*，在进行故障监测时，计算待测标准样本数据集x*中的每一个待测样本在原始正常工况标准数据集
Figure BDA00027122620500001114
的每个子块中的条件概率
Figure BDA00027122620500001115
条件概率
Figure BDA00027122620500001116
D2统计量
Figure BDA00027122620500001117
及故障条件概率
Figure BDA00027122620500001118
然后，再将原始正常工况标准数据集
Figure BDA00027122620500001119
的每个子块的条件概率
Figure BDA00027122620500001120
条件概率
Figure BDA00027122620500001121
D2统计量
Figure BDA00027122620500001122
及故障条件概率
Figure BDA00027122620500001123
进行融合，从而求取
Figure BDA00027122620500001124
统计量。
在一个实施例中，所述方法，还包括：
确定对故障影响最大的变量。
在一个实施例中，所述确定对故障影响最大的变量，包括：
计算样本中各变量与其均值的马氏距离；采用的第七数学模型为：
Figure BDA00027122620500001125
其中，ai(j)表示变量xi的第j个样本点，
Figure BDA0002712262050000121
表示变量xi的均值，
Figure BDA0002712262050000122
表示变量xi的方差。
如下，列举一个具体实施例进行阐述：
以常见的化工过程-TE过程与实际高炉炼铁数据为例。对TE过程21种故障和实际高炉炼铁进行了监测。TE过程是Tenessee Eastman化学公司基于某实际化工生产过程提出的一个仿真系统，在过程系统工程领域的研究中，TE过程是一个常用的标准问题(Benchmark problem)，其较好的模拟了实际复杂工业过程系统的许多典型特征，因此被作为仿真例子广泛应用于控制、优化、过程监控与故障诊断的研究中。TE过程主要有反应器、冷凝器、压缩机、分离器和汽提塔五个主要单元组成。该过程包含22个过程测量变量、19个成分测量变量以及12个操作变量。本发明实施例选取22个过程测量变量以及除搅拌速度外的11个操作变量用于建模与监测。TE过程共包含21种故障，本专利采集正常工况下的960个样本作为训练数据集，各种故障工况时的960个样本用作故障测试集，其中故障均从第161个样本点处加入，但由于累计信息会丢失前T个样本(仿真中T取5)，故后续故障监测图中实际故障发生点都位于第156个样本处。首先，获取正常工况下的960*33个变量(960个样本，每个样本包含33个变量)作为原始正常工况样本数据集A0，并采用第一数学模型进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000123
然后，采用第二数学模型计算原始正常工况标准样本数据集
Figure BDA0002712262050000124
中两变量之间的互信息，并根据两变量的互信息与互信息的中值的大小关系对原始正常工况标准样本数据集
Figure BDA0002712262050000125
中的变量进行分块。原始正常工况标准样本数据集
Figure BDA0002712262050000126
的部分变量中两两变量间的互信息参见图2a-2g所示，基于图中的变量18、变量19、变量31、变量10、变量17、变量28及变量33与其他变量间的互信息及互信息的中值的大小关系将变量进行分块，将图2a-2g中的变量分至子块4及子块5中。
以化工-TE过程的一个具体故障-故障5为例，参见图3a-3d所示，图中实线为故障5的控制限，若设置置信度为α，则控制限为1-α；图中的曲线为各样本的
Figure BDA0002712262050000131
统计量，由每个子块的D2统计量通过上述公式融合得到，从图中可以看出，本发明实施例的MI-MBkNN对故障的监测效果要远优于kNN、PCA的监测效果。从图3a-3c可以看出，在故障开始时已经监测出故障，但在大约350个样本的时候，出现统计量低于控制限的情况，导致故障的漏报。由于该故障是局部故障，因此很难在全局模型中监测到。
参见图4a和图4b所示，在对化工-TE过程的故障5的变量识别过程中，图4a展示出的GkNN方法模型与图4b中展示出的MI-MBkNN方法模型均能正确识别变量在过程中的变化，如变量22的变化(分离器冷却水出口温度的变化)、变量9的变化(反应器温度变化)、变量11的变化(产品分离器温度变化)和变量32的变化(反应器冷却水流量变化)。然而，参照图5a和图5b所示，可以看出，在第350个样本点后(如第400个样本点)，图5a所示的GkNN方法模型无法识别出变量33变化(冷凝器冷却水流量的变化)，而图5b所示的MI-MBkNN模型可以成功识别，因此MI-MBkNN对故障5表现出了优越的监测效果。
而在对化工-TE过程的故障10的检测过程中，参见图6a-6d所示。图6a，6b分别为采用PCA和kNN方法对故障10的监测结果图，6c是采用MI-MBkNN方法子块4对故障10的监测结果图，图6d为采用MI-MBkNN对故障10的监测结果图；从图中可以看出，第350到650个样本之间，传统的监测方法很难监测到故障，而MI-MBkNN方法却能轻易监测出来。而对于故障的原因，分别采用图7a所示的GkNN和图7b所示的MI-MBkNN方法求取数据样本在第400个样本点处的各变量与其均值中心的马氏距离，参见图8a-8d所示，可以发现采用MI-MBkNN方法可在寻找故障源变量方面提供更重要的指导，即变量18(汽提塔温度)、变量19(汽提塔蒸汽流量)、变量31(汽提塔蒸汽阀的变量)是引起故障10的原因，因此本发明针对子块4的监测效果明显优于其他子块。通过贝叶斯融合后，使得整体的监测效果得到了很高的提升。因此采用本发明提出的方法对故障10的监测效果明显优于传统的其他监测方法。针对高炉过程中子块1和子块2的监测性能比较参见图9a及图9b所示，可以看出，图9b展示的子块2在第2200个样本点后可以达到持续报警，其监测效果明显好于9a展示的子块1。结合图10a给出的采用GkNN方法的故障诊断结果及图10b给出的采用MI-MBkNN方法的故障诊断结果，可以看出变量4和变量8是引起故障的主要原因，由于本发明实施例所提的方法对变量进行了合理分块，把结构相似且对故障最为敏感的变量放在同一个子块中，使得整体的监测性能得到了提升，再次验证本发明所提方法的有效性和优越性。
本发明实施例提供的方法，在对原始正常工况样本数据集A0标准化之后，对得到的原始正常工况标准样本数据集
Figure BDA0002712262050000141
中的变量的互信息及互信息的中值对变量进行分块，并求取各子块的控制限；对于待测样本数据集，同样对其进行标准化处理及分块，并求取各子块的统计量；最后根据原始正常工况标准样本数据集
Figure BDA0002712262050000142
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000143
统计量，并根据
Figure BDA0002712262050000144
统计量与控制限的贡献确定待测样本数据集是否发生故障及故障子块、样本。本方法，对于化工-TE过程的故障监测，可以准确快速的监测出待测样本数据集是否发生故障、故障子块及故障样本。有效保证了化工-TE过程的故障监测效率。
第二方面，根据本发明实施例提供的基于互信息的多块k近邻故障监测系统，用于对化工-TE过程中的故障进行监测，参见图11所示，所述系统包括：
获取模块111，用于获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure BDA0002712262050000151
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
拆分模块112，用于根据原始正常工况标准样本数据集
Figure BDA0002712262050000152
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure BDA0002712262050000153
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
控制限求取模块113，用于求取原始正常工况标准样本数据集
Figure BDA0002712262050000154
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
故障判断模块114，根据贝叶斯推断，将原始正常工况标准样本数据集
Figure BDA0002712262050000155
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA0002712262050000156
统计量，并根据
Figure BDA0002712262050000157
统计量与原始正常工况标准样本数据集
Figure BDA0002712262050000158
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
故障点确定模块115，用于若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
本发明实施例提供的系统，获取模块111在对原始正常工况样本数据集A0标准化之后，拆分模块112对得到的原始正常工况标准样本数据集
Figure BDA0002712262050000159
中的变量的互信息及互信息的中值对变量进行分块，并求取各子块的控制限；对于待测样本数据集，同样对其进行标准化处理及分块，并求取各子块的统计量；最后故障判断模块114根据原始正常工况标准样本数据集
Figure BDA00027122620500001510
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure BDA00027122620500001511
统计量，并根据
Figure BDA00027122620500001512
统计量与控制限的贡献确定待测样本数据集是否发生故障及故障子块、样本。本系统，对于化工-TE过程的故障监测，可以准确快速的监测出待测样本数据集是否发生故障、故障子块及故障样本。有效保证了化工-TE过程的故障监测效率。
在此指出，本实施例为前述方法实施例对应的装置实施例，对于方法实施例中阐述的内容在本系统实施例中同样适用，为了避免重复，在此不予赘述。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅以一较佳实施例对本发明的技术方案进行介绍，但是对于本领域的一般技术人员，依据本发明实施例的思想，应能在具体实施方式上及应用范围上进行改变，故而，综上所述，本说明书内容部不应该理解为本发明的限制，凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (9)

1.基于互信息的多块k近邻故障监测方法，用于对化工-TE过程中的故障进行监测，其特征在于，包括：
步骤S10、获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure FDA0002712262040000011
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
步骤S12、根据原始正常工况标准样本数据集
Figure FDA0002712262040000012
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure FDA0002712262040000013
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
步骤S14、求取原始正常工况标准样本数据集
Figure FDA0002712262040000014
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
步骤S16、根据贝叶斯推断，将原始正常工况标准样本数据集
Figure FDA0002712262040000015
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure FDA0002712262040000016
统计量，并根据
Figure FDA0002712262040000017
统计量与原始正常工况标准样本数据集
Figure FDA0002712262040000018
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
步骤S18、若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure FDA0002712262040000019
采用的第一数学模型为：
Figure FDA00027122620400000110
其中，a表示原始正常工况样本数据集A0∈Rm×n中的一个样本，a*表示样本a经过标准化后处理后得到的原始正常工况标准样本数据集A0∈Rm×n中对应的样本，mean(A0)表示原始正常工况样本数据集A0按行求均值得到的均值向量，std(A0)表示原始正常工况样本数据集A0按行求标准差得到的标准差向量，n代表原始正常工况样本数据集A0中的样本个数，m代表原始正常工况样本数据集A0中样本的变量个数；原始正常工况样本数据集X0为矩阵。
3.根据权利要求1所述的方法，其特征在于，所述根据原始正常工况标准样本数据集
Figure FDA0002712262040000021
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure FDA0002712262040000022
中的变量进行分块，包括：
计算原始正常工况标准样本数据集
Figure FDA0002712262040000023
中样本的两变量的互信息；采用的第二数学模型为：
Figure FDA0002712262040000024
根据两变量的互信息对原始正常工况标准样本数据集中样本的变量进行分块，包括：
若样本的变量xj与变量xi的互信息与该两变量的互信息的中值满足预设大小关系，则将变量xj与变量xi放到同一个子块中；
其中，p(xi,xj)为变量xi与变量xj的联合概率分布，而p(xi)、p(xj)分别为变量xi与变量xj的边缘概率分布。
4.根据权利要求3所述的方法，其特征在于，所述分别求取原始正常工况标准样本数据集
Figure FDA0002712262040000025
各子块及待测标准样本数据集x*各子块的统计量，并求取原始正常工况标准样本数据集
Figure FDA0002712262040000026
各子块的控制限，包括：
求取原始正常工况标准样本数据集
Figure FDA0002712262040000027
中样本am的前k个近邻，采用的数学模型为：
Figure FDA0002712262040000031
计算样本am的统计量，采用的第三数学模型为：
Figure FDA0002712262040000032
其中，
Figure FDA0002712262040000033
表示样本am与它的第n个近邻样本的欧氏平方距离；
根据样本am的统计量确定原始正常工况标准样本数据集
Figure FDA0002712262040000034
的控制限
Figure FDA0002712262040000035
5.根据权利要求4所述的方法，其特征在于，所述根据
Figure FDA0002712262040000036
统计量与原始正常工况标准样本数据集
Figure FDA0002712262040000037
各子块的控制限的关系确定待测标准样本数据集x*是否发生故障，包括：
若待测标准样本数据集x*的
Figure FDA0002712262040000038
统计量大于等于原始正常工况标准样本数据集
Figure FDA0002712262040000039
的控制限
Figure FDA00027122620400000310
则确定待测样本数据集x*发生故障。
6.根据权利要求1所述的方法，其特征在于，所述将原始正常工况标准样本数据集
Figure FDA00027122620400000311
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure FDA00027122620400000312
统计量，包括：
求取待测标准样本数据集x*的样本xtest在原始正常工况标准样本数据集
Figure FDA00027122620400000313
的第b个子块中的条件概率
Figure FDA00027122620400000314
及条件概率
Figure FDA00027122620400000315
采用的第四数学模型分别为：
Figure FDA00027122620400000316
确定待测标准样本数据集x*的样本xtest在第b个子块中的D2统计量
Figure FDA00027122620400000317
及故障条件概率
Figure FDA00027122620400000318
采用的第五数学模型为：
Figure FDA00027122620400000319
根据所述条件概率
Figure FDA00027122620400000320
条件概率
Figure FDA00027122620400000321
第b个子块中的D2统计量
Figure FDA00027122620400000322
及故障条件概率
Figure FDA00027122620400000323
确定
Figure FDA00027122620400000324
统计量；采用的第六数学模型为：
Figure FDA0002712262040000041
其中，
Figure FDA0002712262040000042
为正常样本的先验概率，α为置信度，则
Figure FDA0002712262040000043
为1-α；
Figure FDA0002712262040000044
为待测样本在第b个子块中的统计量；
Figure FDA0002712262040000045
为第b个子块中由核密度估计方法估算得出的统计量的控制限。
7.根据权利要求1所述的方法，其特征在于，所述方法，还包括：
确定对故障影响最大的变量。
8.根据权利要求7所述的方法，其特征在于，所述确定对故障影响最大的变量，包括：
计算样本中各变量与其均值的马氏距离；采用的第七数学模型为：
Figure FDA0002712262040000046
其中，ai(j)表示变量xi的第j个样本点，
Figure FDA0002712262040000047
表示变量xi的均值，
Figure FDA0002712262040000048
表示变量xi的方差。
9.基于互信息的多块k近邻故障监测系统，用于对化工-TE过程中的故障进行监测，其特征在于，所述系统包括：
获取模块，用于获取原始正常工况样本数据集A0及待测样本数据集x，对所述原始正常工况样本数据集A0进行标准化处理得到原始正常工况标准样本数据集
Figure FDA0002712262040000049
及对待测样本数据集x进行标准化处理得到待测标准样本数据集x*；
拆分模块，用于根据原始正常工况标准样本数据集
Figure FDA00027122620400000410
中样本的两变量的互信息对所述原始正常工况标准样本数据集
Figure FDA00027122620400000411
中的变量进行分块，及根据待测标准样本数据集x*中的样本的两变量的互信息对待测标准样本数据集x*中的变量进行分块；
控制限求取模块，用于求取原始正常工况标准样本数据集
Figure FDA0002712262040000051
各子块的控制限，及求取待测标准样本数据集x*的各子块的统计量；
故障判断模块，根据贝叶斯推断，将原始正常工况标准样本数据集
Figure FDA0002712262040000052
各子块的控制限及待测标准样本数据集x*的各子块的统计量融合为
Figure FDA0002712262040000053
统计量，并根据
Figure FDA0002712262040000054
统计量与原始正常工况标准样本数据集
Figure FDA0002712262040000055
的各子块的控制限的关系确定待测标准样本数据集x*是否发生故障；
故障点确定模块，用于若发生故障，则根据待测标准样本数据集x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。
CN202011060648.XA 2020-09-30 2020-09-30 基于互信息的多块k近邻故障监测方法及系统 Active CN112184034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011060648.XA CN112184034B (zh) 2020-09-30 2020-09-30 基于互信息的多块k近邻故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011060648.XA CN112184034B (zh) 2020-09-30 2020-09-30 基于互信息的多块k近邻故障监测方法及系统

Publications (2)

Publication Number Publication Date
CN112184034A true CN112184034A (zh) 2021-01-05
CN112184034B CN112184034B (zh) 2024-04-09

Family

ID=73947203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011060648.XA Active CN112184034B (zh) 2020-09-30 2020-09-30 基于互信息的多块k近邻故障监测方法及系统

Country Status (1)

Country Link
CN (1) CN112184034B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115780530A (zh) * 2023-01-19 2023-03-14 北京科技大学 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170146433A1 (en) * 2015-11-19 2017-05-25 Northeastern University Fault isolation method of industrial process based on regularization framework
WO2017210894A1 (zh) * 2016-06-08 2017-12-14 东北大学 基于运行视频信息的一种电弧炉故障监测方法
CN109189028A (zh) * 2018-10-15 2019-01-11 江南大学 基于多块信息提取的pca故障诊断方法
CN109240276A (zh) * 2018-11-09 2019-01-18 江南大学 基于故障敏感主元选择的多块pca故障监测方法
CN110794797A (zh) * 2019-11-27 2020-02-14 江南大学 一种基于互信息和多块信息提取的pca故障监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170146433A1 (en) * 2015-11-19 2017-05-25 Northeastern University Fault isolation method of industrial process based on regularization framework
WO2017210894A1 (zh) * 2016-06-08 2017-12-14 东北大学 基于运行视频信息的一种电弧炉故障监测方法
CN109189028A (zh) * 2018-10-15 2019-01-11 江南大学 基于多块信息提取的pca故障诊断方法
CN109240276A (zh) * 2018-11-09 2019-01-18 江南大学 基于故障敏感主元选择的多块pca故障监测方法
CN110794797A (zh) * 2019-11-27 2020-02-14 江南大学 一种基于互信息和多块信息提取的pca故障监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115780530A (zh) * 2023-01-19 2023-03-14 北京科技大学 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置

Also Published As

Publication number Publication date
CN112184034B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN108762228B (zh) 一种基于分布式pca的多工况故障监测方法
Gajjar et al. A data-driven multidimensional visualization technique for process fault detection and diagnosis
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
Monroy et al. A semi-supervised approach to fault diagnosis for chemical processes
CN101403923A (zh) 基于非高斯成分提取和支持向量描述的过程监控方法
Alferes et al. Advanced monitoring of water systems using in situ measurement stations: data validation and fault detection
CN105955219A (zh) 基于互信息的分布式动态过程故障检测方法
CN112000081B (zh) 基于多块信息提取和马氏距离的故障监测方法及系统
CN110009126B (zh) 基于pls模型与pca贡献度融合的在线报警分析方法
CN109144028B (zh) 一种精馏塔能效退化检测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN112200104A (zh) 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法
Maestri et al. A robust clustering method for detection of abnormal situations in a process with multiple steady-state operation modes
He et al. Variable-weighted Fisher discriminant analysis for process fault diagnosis
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
JP4723544B2 (ja) 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
CN109683594B (zh) 一种异常变量精确识别与定位方法
CN112184034A (zh) 基于互信息的多块k近邻故障监测方法及系统
Cacciarelli et al. Online active learning for soft sensor development using semi-supervised autoencoders
Samuel et al. Fault detection in a multivariate process based on kernel PCA and kernel density estimation
TWI639908B (zh) 製程偵錯與診斷方法
CN110674461B (zh) 基于多块投影非负矩阵分解的化工生产过程监控方法
CN109523195B (zh) 基于样本多模态分类的分层式非高斯算法的故障检测方法
Galicia et al. Statistics Pattern Analysis based fault detection and diagnosis
Lu et al. Visual monitoring of industrial operation states based on kernel fisher vector and self-organizing map networks

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