CN112488202A - 基于互信息和投影字典对学习的分布式过程监测方法 - Google Patents
基于互信息和投影字典对学习的分布式过程监测方法 Download PDFInfo
- Publication number
- CN112488202A CN112488202A CN202011376749.8A CN202011376749A CN112488202A CN 112488202 A CN112488202 A CN 112488202A CN 202011376749 A CN202011376749 A CN 202011376749A CN 112488202 A CN112488202 A CN 112488202A
- Authority
- CN
- China
- Prior art keywords
- block
- dictionary
- abnormal
- representing
- mode
- 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.)
- Pending
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
- G06F18/29—Graphical models, e.g. Bayesian networks
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)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于互信息和投影字典对学习的分布式过程监测方法,获取多模态历史数据,并将正常多模态历史数据作为训练样本;根据各模态的过程变量间的互信息对训练样本进行自动分块,得到各模态训练样本的分块结果。本发明通过考虑多模态过程变量之间的交叉关系和高阶统计信息来自动划分块以进行分布式过程监测,降低了过程复杂性,建立投影字典对学习模型,为整个工业过程提供更准确的描述;通过引入投影字典对学习框架,将传统的判别合成型字典学习扩展为判别合成型与解析型字典对学习,在实现复杂工业过程局部建模的同时,利用解析编码方法来有效提高建模和监测阶段效率。
Description
技术领域
本发明涉及工业过程监测技术领域,特别涉及一种基于互信息和投影字典对学习的分布式过程监测方法。
背景技术
在现代工业系统中,各子系统之间机制复杂,相互作用频繁,在整个工业生产过程中,过程变量多,变量之间相关性复杂,工业过程具有复杂性和分散性。因此,不适合为工业过程建立全局监测模型,它忽略了局部行为,并且监测结果通常难以解释,因此,分布式过程监测方法被提出,通常采用多块方法来降低过程复杂性,以及为整个工业过程提供准确的描述。
通常,整个工厂范围的过程涉及大量具有复杂关系的监测变量,在块划分过程中应考虑大量变量信息,分布式监测方法将过程变量分为几个子块,从而降低过程复杂性。考虑到多块监测,传统方法通常基于先前的过程知识来获得子块。但是,有关块划分的准确知识并非可以经常获得,特别是获得对于具有多个操作状态的全局过程。
随着人工智能的兴起,机器学习方法成为解决复杂数据驱动的有效方案。字典学习是一种有效的机器学习方法,与传统的多元统计过程监测(MSPM)方法相比,它在表示和特征提取方面功能更强大。根据稀疏编码的方式不同,字典学习(DL)方法主要可以分成两大类,一类是合成型字典学习(SDL)方法,另一类是解析型字典学习(ADL)方法。利用预定义的解析型字典(如小波字典、Gabor字典)表示信号,可以通过简单的内积运算产生表示系数,使得编码快速而明确。然而,解析型字典学习对复杂工业过程的局部结构建模的效率较低,基于合成型字典的稀疏表示模型可以较好地模拟复杂的局部结构,并易于学习到所需要的字典。但是,合成型字典学习方法对表示系数的l0或l1范数稀疏约束使得建模和监测阶段耗费大量时间。
发明内容
本发明提供了一种基于互信息和投影字典对学习的分布式过程监测方法,其目的是为了解决通过先验知识获得子块不准确,在全局监测模型中采用解析型字典学习和合成型字典学习存在不足,建模和监测阶段的效率低,全局监测模型不能为整个工业过程提供准确的描述的问题。
为了达到上述目的,本发明的实施例提供了一种基于互信息和投影字典对学习的分布式过程监测方法,包括:
步骤1,获取多模态历史数据,并将正常多模态历史数据作为训练样本;
步骤2,根据各模态的过程变量间的互信息对训练样本进行自动分块,得到各模态训练样本的分块结果;
步骤3,对训练样本每种模态的每个子块建立投影字典对学习模型,并获得相应的合成型字典和解析型字典;
步骤4,根据对训练样本每种模态的每个子块建立的投影字典对学习模型计算训练样本各块的重构误差,对自动分块后的训练样本使用核密度估计方法计算训练样本各块的控制阈值;
步骤5,在投影字典对学习模型中输入新的过程数据,将新的过程数据作为测试样本,使用互信息方法将测试样本按不同模态下训练数据分块方式进行分块,并根据分块后的测试样本的每个子块相应的投影字典对学习模型计算测试样本各块的重构误差;
步骤6,将测试样本各块的重构误差转换为模态概率,根据模态概率计算各模态下通过测试样本所有块的联合概率,根据各模态下通过测试样本所有块的联合概率对测试样本进行模态识别;
步骤7,通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标中,对测试样本进行异常检测,将测试样本各块的重构误差转换为正常和异常的概率,根据贝叶斯法则得出测试样本的块异常后验概率;
步骤8,通过判断全局异常指标是否超过显著性水平α,判断测试样本是否异常,当全局异常指标未超过显著性水平α时,测试样本被检测为正常,当全局异常指标超过显著性水平α时,测试样本被检测为异常;
步骤9,对检测为异常后的测试样本通过块贡献指标定位测试样本中的异常块,并将异常块进行隔离;
步骤10,对检测为异常后的测试样本通过变量贡献指标定位异常块中的异常变量,并将异常变量进行隔离。
其中,所述步骤1和所述步骤2具体包括:
收集多模态历史数据,将多模态历史数据作为训练样本表示为X=[X1,X2,…,XK]∈RpK×n,其中K表示训练样本的模态数,p表示训练样本的维数,n表示各模态的训练样本数,将第K种模态下的训练样本变量集表示为
其中,表示训练样本中的变量与目标变量之间的互信息值,表示联合概率密度函数,i=1,2,…,p,j=1,2,…,p;和表示边缘概率密度函数,i=1,2,…,p,j=1,2,…,p;表示目标变量,i=1,2,…,p;表示训练样本中的变量,j=1,2,…,p;
将通过互信息方法自动分块后的训练样本表示为:
其中,所述步骤3具体包括:
其中,表示数据重构函数,和表示判别函数,||·||F表示Frobenius范数,表示第K种模态的第NK个子块的训练样本, 表示合成型字典, 表示解析型字典, 表示解析编码矩阵, 表示的互补数据矩阵,τ表示常量,λ表示恒大于零的常量,di表示合成型字典的第i个原子。
其中,所述步骤3还包括:
公式(4)为标准的最小二乘问题,存在一个闭型解,如下所示:
其中,γ=10-4;
通过交替方向乘子法得到公式(8)的最优解,如下所示:
其中,表示第t+1次迭代的合成型字典 表示第t+1次迭代的变量矩阵 表示第t+1次迭代的变量矩阵 表示第t次迭代的合成型字典 表示第t次迭代的变量矩阵 表示表示第t次迭代的变量矩阵 表示初始合成型字典 表示初始变量矩阵 表示初始变量矩阵ρ表示给定参数;
其中,所述步骤4具体包括:
其中,x表示考虑的变量,M表示训练样本大小,h表示带宽,Ei表示块中第i个训练样本的重构误差,K(x)表示选择均匀核函数。
其中,所述步骤5和所述步骤6具体包括:
将新的测试样本输入投影字典对学习模型,通过互信息方法将新的测试样本按不同模态下训练样本分块方式划分为Ynew=[y1,y2,…,yB]T,将Ynew=[y1,y2,…,yB]T进行标准化处理,并根据相应投影字典对学习模型计算测试样本各块的重构误差,如下所示:
其中,表示Ynew=[y1,y2,…,yB]T中第B个块的重构误差,DB表示各模态下第B个块投影字典对学习模型中的合成型字典,PB表示各模态下第B个块投影字典对学习模型中的解析型字典,yB表示ynew的第B个子块;
事件Ynew∈Mi等价于(y1∈Mi)∩(y2∈Mi)∩…∩(yB∈Mi),将事件Ynew∈Mi的概率表示为所有块的联合概率,如下所示:
其中,p(Ynew∈Mi)表示联合概率。
其中,所述步骤7和所述步骤8具体包括:
根据贝叶斯法则得出块异常后验概率,如下所示:
其中,pB(A|yB)表示块异常后验概率,pB(N)表示块正常概率,pB(A)表示块异常概率,块正常概率pB(N)和块异常概率pB(A)通过显著性水平α给出,即pB(N)=1-α,pB(A)=α;
通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标,将全局异常指标定义为:
其中,N表示每种模态下的分块数;
当全局异常指标GAI小于显著性水平α,即GAI<α时,测试样本为正常,当GAI>α时,测试样本为异常。
其中,所述步骤9和所述步骤10具体包括:
将块异常标志定义为:
将块异常指标定义为:
其中,BAIB表示块异常指标,K表示测试样本块中异常样本数;
将块贡献指标定义为:
其中,BCIB表示块贡献指标,N表示每种模态下的分块数。
其中,所述步骤10还包括:
其中,所述步骤10还包括:
根据贡献图方法,将测试样本的第B块中第j个变量贡献指标表示为:
其中,表示测试样本的第B块中第j个变量贡献指标,S表示由零矩阵和单位矩阵I组成的矩阵,S=[O,I]∈Rm×(p+m),p表示合成型字典DB的原子数;表示新的解析编码矩阵,通过选择新的解析编码矩阵的后面m个元素,与向量f相同,ej表示单位向量,
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,通过考虑多模态过程变量之间的交叉关系和高阶统计信息来自动划分块以进行分布式过程监测,降低了过程复杂性,建立投影字典对学习模型,为整个工业过程提供更准确的描述;通过引入投影字典对学习框架,将传统的判别合成型字典学习扩展为判别合成型与解析型字典对学习,在实现复杂工业过程局部建模的同时,利用解析编码方法来有效提高建模和监测阶段效率;提出了贝叶斯推理方法以融合所有子模型的监测统计信息来获得全局状态,针对已经成功检测到的异常,定义块异常指标来确定块级别的异常位置,并采用贡献图方法在变量级上进一步定位异常源。
附图说明
图1为本发明的流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的通过先验知识获得子块不准确,在全局监测模型中采用解析型字典学习和合成型字典学习存在不足,建模和监测阶段的效率低,全局监测模型不能为整个工业过程提供准确的描述的问题,提供了一种基于互信息和投影字典对学习的分布式过程监测方法。
如图1所示,本发明的实施例提供了一种基于互信息和投影字典对学习的分布式过程监测方法,包括:步骤1,获取多模态历史数据,并将正常多模态历史数据作为训练样本;步骤2,根据各模态的过程变量间的互信息对训练样本进行自动分块,得到各模态训练样本的分块结果;步骤3,对训练样本每种模态的每个子块建立投影字典对学习模型,并获得相应的合成型字典和解析型字典;步骤4,根据对训练样本每种模态的每个子块建立的投影字典对学习模型计算训练样本各块的重构误差,对自动分块后的训练样本使用核密度估计方法计算训练样本各块的控制阈值;步骤5,在投影字典对学习模型中输入新的过程数据,将新的过程数据作为测试样本,使用互信息方法将测试样本按不同模态下训练数据分块方式进行分块,并根据分块后的测试样本的每个子块相应的投影字典对学习模型计算测试样本各块的重构误差;步骤6,将测试样本各块的重构误差转换为模态概率,根据模态概率计算各模态下通过测试样本所有块的联合概率,根据各模态下通过测试样本所有块的联合概率对测试样本进行模态识别;步骤7,通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标中,对测试样本进行异常检测,将测试样本各块的重构误差转换为正常和异常的概率,根据贝叶斯法则得出测试样本的块异常后验概率;步骤8,通过判断全局异常指标是否超过显著性水平α,判断测试样本是否异常,当全局异常指标未超过显著性水平α时,测试样本被检测为正常,当全局异常指标超过显著性水平α时,测试样本被检测为异常;步骤9,对检测为异常后的测试样本通过块贡献指标定位测试样本中的异常块,并将异常块进行隔离;步骤10,对检测为异常后的测试样本通过变量贡献指标定位异常块中的异常变量,并将异常变量进行隔离。
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,主要包括离线建模、在线监测和异常隔离三个阶段,离线建模:分别利用不同模态的过程变量间的互信息进行自动分块,为每个块建立投影字典对学习模型,并获得相应的合成型字典、解析型字典及控制阈值;在线监测:使用互信息方法对新获得的测试样本分块,定义块的联合概率以识别测试样本的模态,通过贝叶斯推理方法将子块的重构误差和控制阈值融合至全局异常指标,从而对测试样本进行异常检测;异常隔离:通过定义块贡献指标和变量贡献指标对异常样本进行异常源定位与隔离。
其中,所述步骤1和所述步骤2具体包括:收集多模态历史数据,将多模态历史数据作为训练样本表示为X=[X1,X2,…,XK]∈RpK×n,其中K表示训练样本的模态数,p表示训练样本的维数,n表示各模态的训练样本数,将第K种模态下的训练样本变量集表示为在第K种模态的训练样本中选择变量作为目标变量,计算训练样本中的变量与目标变量之间的互信息值如下所示:
其中,表示训练样本中的变量与目标变量之间的互信息值,表示联合概率密度函数,i=1,2,…,p,j=1,2,…,p;和表示边缘概率密度函数,i=1,2,…,p,j=1,2,…,p;表示目标变量,i=1,2,…,p;表示训练样本中的变量,j=1,2,…,p;
将通过互信息方法自动分块后的训练样本表示为:
其中,表示数据重构函数,和表示判别函数,||·||F表示Frobenius范数,表示第K种模态的第NK个子块的训练样本, 表示合成型字典, 表示解析型字典, 表示解析编码矩阵, 表示的互补数据矩阵,τ表示常量,λ表示恒大于零的常量,di表示合成型字典的第i个原子。
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,在实际工作中,基于互信息方法自动划分块按照以下方式进行迭代:第一步:输入第K种模态的训练样本将训练样本变量集表示为第二步:重复以下步骤,直到训练样本XK中所剩变量个数小于M,N=N+1,并将所剩变量划分至最后一个变量集SN中;第三步:从训练样本XK中随机选择一个变量作为目标变量,计算训练样本中的变量与目标变量之间的互信息值令N=1;第四步:确定阈值ηK,判断各变量与目标变量之间的互信息值是否满足若满足,则将该变量划分在第N个变量集SN中,训练样本的剩余变量集为{S-SN};第五步:令N=N+1;第六步:输出第K种模态下训练样本XK的分块集合分块数NK。
公式(4)为标准的最小二乘问题,存在一个闭型解,如下所示:
其中,γ=10-4;
通过交替方向乘子法得到公式(8)的最优解,如下所示:
其中,表示第t+1次迭代的合成型字典 表示第t+1次迭代的变量矩阵 表示第t+1次迭代的变量矩阵 表示第t次迭代的合成型字典 表示第t次迭代的变量矩阵 表示表示第t次迭代的变量矩阵 表示初始合成型字典 表示初始变量矩阵 表示初始变量矩阵ρ表示给定参数;
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,在实际工作中,判别合成型字典和解析型字典对学习按照以下方式进行迭代:第一步:输入第K种模态的第NK个子块中的训练样本参数λ,τ,γ;第二步:生成随机矩阵作为初始合成型字典和初始解析型字典并进行列归一化处理;第三步:重复第二步,直到满足停止条件(给定的求解迭代次数);第四步:令t=t+1,其中,t表示迭代次数;第五步:通过公式(5)对更新解析编码矩阵进行更新:第六步:通过公式(7)对解析型字典进行更新:第七步:通过公式(9)对合成型字典进行更新:
其中,x表示考虑的变量,M表示训练样本大小,h表示带宽,Ei表示块中第i个训练样本的重构误差,K(x)表示选择均匀核函数。
其中,所述步骤5和所述步骤6具体包括:将新的测试样本输入投影字典对学习模型,通过互信息方法将新的测试样本按不同模态下训练样本分块方式划分为Ynew=[y1,y2,…,yB]T,将Ynew=[y1,y2,…,yB]T进行标准化处理,并根据相应投影字典对学习模型计算测试样本各块的重构误差,如下所示:
其中,表示Ynew=[y1,y2,…,yB]T中第B个块的重构误差,DB表示各模态下第B个块投影字典对学习模型中的合成型字典,PB表示各模态下第B个块投影字典对学习模型中的解析型字典,yB表示ynew的第B个子块;
事件Ynew∈Mi等价于(y1∈Mi)∩(y2∈Mi)∩…∩(yB∈Mi),将事件Ynew∈Mi的概率表示为所有块的联合概率,如下所示:
其中,p(Ynew∈Mi)表示联合概率。
根据贝叶斯法则得出块异常后验概率,如下所示:
其中,pB(A|yB)表示块异常后验概率,pB(N)表示块正常概率,pB(A)表示块异常概率,块正常概率pB(N)和块异常概率pB(A)通过显著性水平α给出,即pB(N)=1-α,pB(A)=α;
通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标,将全局异常指标定义为:
其中,N表示每种模态下的分块数;
当全局异常指标GAI小于显著性水平α,即GAI<α时,测试样本为正常,当GAI>α时,测试样本为异常。
其中,所述步骤9和所述步骤10具体包括:将块异常标志定义为:
将块异常指标定义为:
其中,BAIB表示块异常指标,K表示测试样本块中异常样本数;
将块贡献指标定义为:
其中,BCIB表示块贡献指标,N表示每种模态下的分块数。
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,通过定义块异常指标和块贡献指标,确保了块级异常隔离的可靠性。
其中,所述步骤10还包括:
根据贡献图方法,将测试样本的第B块中第j个变量贡献指标表示为:
其中,表示测试样本的第B块中第j个变量贡献指标,S表示由零矩阵和单位矩阵I组成的矩阵,S=[O,I]∈Rm×(p+m),p表示合成型字典DB的原子数;表示新的解析编码矩阵,通过选择新的解析编码矩阵的后面m个元素,与向量f相同,ej表示单位向量,
本发明的上述实施例所述的基于互信息和投影字典对学习的分布式过程监测方法,通过建立投影字典对学习模型,采用分布式过程监测方法,引入互信息方法考虑变量之间的交叉关系和高阶统计信息来自动划分块以进行分布式过程监测,降低了工业过程复杂性,为整个工业过程提供了更准确的描述,通过引入投影字典对学习框架将传统的判别合成型字典学习扩展为判别合成型与解析型字典对学习,在实现复杂工业过程局部建模的同时,利用解析编码方法来有效提高建模和监测阶段效率,利用块联合概率和贝叶斯推理方法实现模态识别和异常检测,通过定义块贡献指标和变量贡献指标进行异常源定位与隔离。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于互信息和投影字典对学习的分布式过程监测方法,其特征在于,包括:
步骤1,获取多模态历史数据,并将正常多模态历史数据作为训练样本;
步骤2,根据各模态的过程变量间的互信息对训练样本进行自动分块,得到各模态训练样本的分块结果;
步骤3,对训练样本每种模态的每个子块建立投影字典对学习模型,并获得相应的合成型字典和解析型字典;
步骤4,根据对训练样本每种模态的每个子块建立的投影字典对学习模型计算训练样本各块的重构误差,对自动分块后的训练样本使用核密度估计方法计算训练样本各块的控制阈值;
步骤5,在投影字典对学习模型中输入新的过程数据,将新的过程数据作为测试样本,使用互信息方法将测试样本按不同模态下训练数据分块方式进行分块,并根据分块后的测试样本的每个子块相应的投影字典对学习模型计算测试样本各块的重构误差;
步骤6,将测试样本各块的重构误差转换为模态概率,根据模态概率计算各模态下通过测试样本所有块的联合概率,根据各模态下通过测试样本所有块的联合概率对测试样本进行模态识别;
步骤7,通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标中,对测试样本进行异常检测,将测试样本各块的重构误差转换为正常和异常的概率,根据贝叶斯法则得出测试样本的块异常后验概率;
步骤8,通过判断全局异常指标是否超过显著性水平α,判断测试样本是否异常,当全局异常指标未超过显著性水平α时,测试样本被检测为正常,当全局异常指标超过显著性水平α时,测试样本被检测为异常;
步骤9,对检测为异常后的测试样本通过块贡献指标定位测试样本中的异常块,并将异常块进行隔离;
步骤10,对检测为异常后的测试样本通过变量贡献指标定位异常块中的异常变量,并将异常变量进行隔离。
2.根据权利要求1所述的基于互信息和投影字典对学习的分布式过程监测方法,其特征在于,所述步骤1和所述步骤2具体包括:
收集多模态历史数据,将多模态历史数据作为训练样本表示为X=[X1,X2,…,XK]∈RpK ×n,其中K表示训练样本的模态数,p表示训练样本的维数,n表示各模态的训练样本数,将第K种模态下的训练样本变量集表示为
其中,表示训练样本中的变量与目标变量之间的互信息值,表示联合概率密度函数,i=1,2,…,p,j=1,2,…,p;和表示边缘概率密度函数,i=1,2,…,p,j=1,2,…,p;表示目标变量,i=1,2,…,p;表示训练样本中的变量,j=1,2,…,p;
将通过互信息方法自动分块后的训练样本表示为:
4.根据权利要求3所述的基于互信息和投影字典对学习的分布式过程监测方法,其特征在于,所述步骤3还包括:
公式(4)为标准的最小二乘问题,存在一个闭型解,如下所示:
其中,γ=10-4;
通过交替方向乘子法得到公式(8)的最优解,如下所示:
其中,表示第t+1次迭代的合成型字典表示第t+1次迭代的变量矩阵表示第t+1次迭代的变量矩阵表示第t次迭代的合成型字典表示第t次迭代的变量矩阵表示表示第t次迭代的变量矩阵表示初始合成型字典表示初始变量矩阵 表示初始变量矩阵ρ表示给定参数;
6.根据权利要求3所述的基于互信息和投影字典对学习的分布式过程监测方法,其特征在于,所述步骤5和所述步骤6具体包括:
将新的测试样本输入投影字典对学习模型,通过互信息方法将新的测试样本按不同模态下训练样本分块方式划分为Ynew=[y1,y2,…,yB]T,将Ynew=[y1,y2,…,yB]T进行标准化处理,并根据相应投影字典对学习模型计算测试样本各块的重构误差,如下所示:
其中,表示Ynew=[y1,y2,…,yB]T中第B个块的重构误差,DB表示各模态下第B个块投影字典对学习模型中的合成型字典,PB表示各模态下第B个块投影字典对学习模型中的解析型字典,yB表示ynew的第B个子块;
事件Ynew∈Mi等价于(y1∈Mi)∩(y2∈Mi)∩…∩(yB∈Mi),将事件Ynew∈Mi的概率表示为所有块的联合概率,如下所示:
其中,p(Ynew∈Mi)表示联合概率。
7.根据权利要求6所述的基于互信息和投影字典对学习的分布式过程监测方法,其特征在于,所述步骤7和所述步骤8具体包括:
根据贝叶斯法则得出块异常后验概率,如下所示:
其中,pB(A|yB)表示块异常后验概率,pB(N)表示块正常概率,pB(A)表示块异常概率,块正常概率pB(N)和块异常概率pB(A)通过显著性水平α给出,即pB(N)=1-α,pB(A)=α;
通过贝叶斯推理方法将测试样本各块的重构误差和训练样本各块的控制阈值融合至全局异常指标,将全局异常指标定义为:
其中,N表示每种模态下的分块数;
当全局异常指标GAI小于显著性水平α,即GAI<α时,测试样本为正常,当GAI>α时,测试样本为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376749.8A CN112488202A (zh) | 2020-11-30 | 2020-11-30 | 基于互信息和投影字典对学习的分布式过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376749.8A CN112488202A (zh) | 2020-11-30 | 2020-11-30 | 基于互信息和投影字典对学习的分布式过程监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488202A true CN112488202A (zh) | 2021-03-12 |
Family
ID=74937690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011376749.8A Pending CN112488202A (zh) | 2020-11-30 | 2020-11-30 | 基于互信息和投影字典对学习的分布式过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488202A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780456A (zh) * | 2021-09-17 | 2021-12-10 | 陕西科技大学 | 一种疼痛识别方法、系统及计算机存储介质 |
CN114897047A (zh) * | 2022-04-02 | 2022-08-12 | 西安交通大学 | 基于深度字典的多传感器数据漂移检测方法 |
-
2020
- 2020-11-30 CN CN202011376749.8A patent/CN112488202A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780456A (zh) * | 2021-09-17 | 2021-12-10 | 陕西科技大学 | 一种疼痛识别方法、系统及计算机存储介质 |
CN113780456B (zh) * | 2021-09-17 | 2023-10-27 | 陕西科技大学 | 一种疼痛识别方法、系统及计算机存储介质 |
CN114897047A (zh) * | 2022-04-02 | 2022-08-12 | 西安交通大学 | 基于深度字典的多传感器数据漂移检测方法 |
CN114897047B (zh) * | 2022-04-02 | 2023-07-28 | 西安交通大学 | 基于深度字典的多传感器数据漂移检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079836B (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
Xu et al. | Distributed plant-wide process monitoring based on PCA with minimal redundancy maximal relevance | |
CN110579967B (zh) | 基于同时降维和字典学习的过程监控方法 | |
CN112488202A (zh) | 基于互信息和投影字典对学习的分布式过程监测方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN113642754A (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 | |
Wang et al. | Time-weighted kernel-sparse-representation-based real-time nonlinear multimode process monitoring | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
CN113159225B (zh) | 多变量工业过程故障分类方法 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
Liu et al. | Structured sequential Gaussian graphical models for monitoring time-varying process | |
CN117407313A (zh) | 一种基于机器学习分析自动化测试质量的方法及系统 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
CN115860243A (zh) | 一种基于工业物联网数据的故障预测方法和系统 | |
CN113315781B (zh) | 基于hmm模型的异常数据检测方法 | |
CN115659135A (zh) | 一种面向多源异构工业传感器数据的异常检测方法 | |
CN113378009A (zh) | 基于二元决策图的二值神经网络定量分析方法 | |
Wu et al. | Fault detection and diagnosis based on sparse representation classification (SRC) | |
CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 |
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 |