CN112666918A - 一种基于在线压缩keca自适应工业过程故障检测方法 - Google Patents
一种基于在线压缩keca自适应工业过程故障检测方法 Download PDFInfo
- Publication number
- CN112666918A CN112666918A CN202011382192.9A CN202011382192A CN112666918A CN 112666918 A CN112666918 A CN 112666918A CN 202011382192 A CN202011382192 A CN 202011382192A CN 112666918 A CN112666918 A CN 112666918A
- Authority
- CN
- China
- Prior art keywords
- keca
- compression set
- sample
- statistic
- model
- 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
Links
Images
Landscapes
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于在线压缩KECA自适应工业过程故障检测方法,涉及一种工业过程故障检测方法,首先计算训练集的核矩阵,构造一个符合全局数据信息特征的压缩集,计算其监测统计数据的平方预测误差(SPE),并利用核密度估计(KDE)确定控制限。对于在线实时采集的数据,根据压缩集建模时的均值与标准差进行预处理,投影到运用压缩集建立的KECA模型上,计算该数据的统计量并与压缩集的控制限比较。若样本没有超过控制限,然后根据该样本的状态信息分析是否需要保留,来达到判断KECA模型是否需要进行更新的目的。若KECA模型需要更新,则对下一个样本检测时需要用更新后的模型,有利于适应时变系统的正常参数漂移,提高在动态过程中实时检测过程数据的性能。
Description
技术领域
本发明涉及一种工业过程故障检测方法,特别是涉及一种基于在线压缩KECA自适应工业过程故障检测方法。
背景技术
在大多数工业系统中具有非线性和时变性等特性,一些由数据驱动故障诊断方法如核主成分分析算法(kernel principal component analysis,KPCA)、核偏最小二乘算法(kernel partial least-squares,KPLS) 等方法延伸的自适应算法在解决该类问题时往往需要统计量置信限的确定是基于得分变量服从高斯分布的假设要求,而在处理无高斯假设的动态非线性工业过程故障问题时就存在局限性。
核熵成分分析(kernel entropy component analysis,KECA)作为一种用于非线性化工过程监测的多元统计数据转换方法,与一些传统的引入核函数的核分析算法相比有着更大的优势。在该方法中,核特征空间的数据集被投影到由最大Renyi熵确定的特征空间主轴构造的主成分子空间上,在处理无高斯假设的非线性过程时有着极大的优越性。但是,该方法在检测信息数据过多的工业系统中的故障问题时,仍面临和传统的分析算法一样的问题——需要大量的运行时间才能得出合理结果。
因此,在动态的非线性工业过程中,如何能快速、及时地对工业系统中发生的故障做出准确辨别成为故障检测技术研究的重要课题。
发明内容
本发明的目的在于提供一种基于在线压缩KECA自适应工业过程故障检测方法,该方法为一种动态的非线性过程故障检测方法,针对动态系统中样本过多、运算量大故障的检测方法,解决了在动态的非线性工业过程中快速、及时地对工业系统中发生故障做出了准确判断。
本发明的目的是通过以下技术方案实现的:
一种基于在线压缩KECA自适应工业过程故障检测方法,所述方法包括以下检测过程:
将工业生产过程中采集到的正常数据作为建模数据的训练集,对训练数据进行标准化处理,计算核矩阵并标准化,对核矩阵进行特征分解,其特征值和特征向量能够进行Renyi熵估计,选择熵值贡献较大的前k个特征值与特征向量,所有的样本投影到这些特征向量上,选择与主元方差方向一致的样本构造一个压缩集;对压缩集进行预处理,计算其核矩阵,同样选择熵值贡献最大的特征值和特征向量,计算得分矩阵,并计算该模型的统计量SPE以及统计量的控制限,建立KECA模型;对于在线采集的样本,标准化处理后投影到压缩集的KECA模型上,计算该样本的统计量spe,并判断采集的样本统计量是否大于建模样本的控制限;若统计量大于控制限,则为异常样本;若统计量小于控制限,则需要继续判断该样本是否需要继续保留;若是需要保留的样本,则将该样本加入压缩集中,并更新压缩集,重新建立KECA模型,计算此时的统计量SPE以及统计量的控制限,达到检测时变系统的条件,扩大静态KECA方法的应用领域,提升实际检测性能。
所述的一种基于在线压缩KECA自适应工业过程故障检测方法,所述建模包括正常状态模型和故障检测模型;对原始数据进行标准化处理,计算核矩阵并标准化,对核矩阵进行特征分解,其特征值和特征向量能够进行Renyi熵估计,选择熵值贡献较大的前k个特征值与特征向量,所有的样本投影到这些特征向量上,选择与主元方差方向一致的样本构造一个压缩集构建的压缩集完全可以替代原始的训练集;对压缩集进行预处理,计算其核矩阵,同样选择熵值贡献最大的特征值和特征向量,计算得分矩阵,并计算该模型的统计量SPE以及统计量的控制限,建立KECA检测模型,进行故障检测。
所述的一种基于在线压缩KECA自适应工业过程故障检测方法,所述KECA检测方法不需要满足统计量置信限的确定是基于得分变量服从高斯分布的假设要求。
所述的一种基于在线压缩KECA自适应工业过程故障检测方法,所述自适应方法与滑动窗口方法比较,滑动窗口的动态检测方法中的窗宽对于检测结果的影响较大,而该方法只需要严格确定好初始的压缩集,对于后期仿真测试并不需要过多依赖压缩集的样本数量,而且其压缩的样本数量依据主元数量来确定。
本发明的优点与效果是:
本发明能在大量的样本中挑选符合整个训练集信息特征的样本作为初始压缩集进行建模,对于在线数据运用类似滑动窗口的方法对在线实时采集的样本进行监控,这样能够更好地使监控模型适应时变的系统,有效地解决了在动态的非线性工业过程中快速、及时地对工业系统中发生的故障做出准确判断的问题。
1. 本发明对工业系统进行故障检测时,不需要满足统计量置信限的确定是基于得分变量服从高斯分布的假设要求。
2. 本发明能有效地对原始数据进行非线性特征提取和降维。首先对标准化后的输入数据集计算核矩阵,求出其特征值和特征向量并计算Renyi熵,然后重新排序特征值和特征向量,建立KECA映射与核矩阵的关系,最后对原始数据集进行降维或特征提取。
3. 本发明可以解决信息数据较大、检测时间过长的情况。本发明的算法选取原始数据中可以代表整体特征的压缩数据作为新的数据集,然后用该数据集进行建模,在对工业系统进行过程监视时极大地节约运算时间。
4. 本发明改善对动态系统的检测性能。自适应方法是在对构建的压缩集建模的基础上进行模型更新的,从而对在线样本的过程状态进行监控。与其他运用滑动窗口的动态检测方法相比,该方法不需要依赖调整窗口宽度就能达到最佳检测效果。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
基于在线压缩KECA自适应算法的工业过程故障检测方法, 所述方法包括以下过程:
对于时变系统和原始数据集较大的情况,在线压缩KECA的自适应故障检测算法的目的就是提高具有动态和非线性特征的工业过程故障检测性能。首先,收集正常生产操作条件下的历史数据集作为训练样本,对训练样本进行标准化处理。然后,引入Mercer空间中的一个核函数得到训练数据的核矩阵,最后对核矩阵进行特征分解,其特征值和特征向量就能够进行Renyi熵估计,选取对熵值贡献较大的前几个特征值和特征向量,建立KECA模型。在线压缩过程包括原始数据建模和压缩集建模。在该方法中,在信息矩阵(训练集)的N个测量变量中选择同主元方差方向一致的观测值来表示信息矩阵的全局信息,因此压缩KECA模型的参数等于主元个数。因此,为了提高检测性能,我们构造一个压缩的数据集,在信息方面,该数据集包含了对KECA的熵值贡献较大的特征值和特征向量。然后,将该压缩集用于建立一个KECA模型,用于系统过程监视。自适应过程故障检测的基本思想:当且仅当一个新的正常样本提供对监控系统有用的信息并且该信息不与压缩集中的样本信息发生重叠时,我们就将这个新采集的正常数据加入到该压缩集中,然后利用新的压缩集重新建立KECA模型,并且更新熵值、监测统计值及其控制限。
本发明选定Mercer空间中的一个核函数对过程数据进行预处理,提取原始数据中的非线性信息。在预处理的基础上,建立KECA模型,提取特征信息,并根据提取的特征信息挑选原始样本中符合要求的信息样本构建压缩集,然后建立KECA模型,对于在线数据根据过程状态是否满足样本添加要求达到自适应更新的目标。本技术解决了滑动窗口的窗宽对其检测结果的影响,同时节约了更多的运行时间。
实施例1
进行过程故障检测,减少数据中的干扰成分,需要将釆集到的正常数据降维处理,然后进行建模。本发明采集到的正常历史数据作为建模数据的训练集,利用KECA方法进行建模和故障检测。首先对预处理后的训练集,计算核矩阵并中心化处理,然后进行特征值提取,计算其熵值,选取对熵值贡献大的特征值与对应的特征向量,将其构造成与主成分的方差方向一致的信息矩阵,挑选符合整个训练集特征的样本作为初始压缩集进行建模,对于在线数据,运用类似滑动窗口的方法对在线实时采集的样本进行监控,判断新的样本是否正常;若为正常样本继续判断是否加入压缩集中,在新的样本加入压缩集的同时自动更新在线KECA模型。
为了能够实现故障检测,本发明采用MathWorks公司的MALTAB软件编程开发,对工业过程中采集到的连续过程数据进行检测,当待测数据的统计量超过控制限时,则该时刻数据是故障的,即系统出现故障,需要工作人员及时查明情况,排除险情。
本发明由以下两部分组成:正常状态模型和故障检测模型。对于工业过程中的正常历史数据,进行预处理,建立KECA模型,根据熵值的贡献度多少提取特征值与特征向量。然后构建压缩集,将构建的压缩集进行标准化处理,计算其核矩阵,继续计算压缩集中对熵值贡献较大的特征值和特征向量,建立压缩集的KECA 模型,确定统计量SPE及其控制限。
对于在线实时采集的测试数据,利用压缩集建模时的均值和标准差对该数据进行标准化。根据压缩集的KECA 模型计算该样本统计量spe,并与控制限进行比较。如果spe没有超过控制限,则认为新采集的数据正常,然后继续判断是否需要保留该样本。如果需要保留,则说明在压缩集中没有该样本的相似信息,就将这个新采集的正常样本加入到压缩集中,此时得到新的压缩集,并且更新该压缩集的监测统计值及其控制限。
本发明利用核熵成分分析可以进行数据降维与特征提取,快速地提取数据中有用的信息样本,建立压缩集。压缩集的建立极大地降低了计算的难度、优化了运行内存与测试时间,并且在该压缩集的基础提出的自适应方法能有效地检测动态的系统,降低滑动窗口中窗宽大小对检测系统的影响,有效地提高实时监测过程数据的性能。
Claims (4)
1.一种基于在线压缩KECA自适应工业过程故障检测方法,其特征在于,所述方法包括以下检测过程:
将工业生产过程中采集到的正常数据作为建模数据的训练集,对训练数据进行标准化处理,计算核矩阵并标准化,对核矩阵进行特征分解,其特征值和特征向量能够进行Renyi熵估计,选择熵值贡献较大的前k个特征值与特征向量,所有的样本投影到这些特征向量上,选择与主元方差方向一致的样本构造一个压缩集;对压缩集进行预处理,计算其核矩阵,同样选择熵值贡献最大的特征值和特征向量,计算得分矩阵,并计算该模型的统计量SPE以及统计量的控制限,建立KECA模型;对于在线采集的样本,标准化处理后投影到压缩集的KECA模型上,计算该样本的统计量spe,并判断采集的样本统计量是否大于建模样本的控制限;若统计量大于控制限,则为异常样本;若统计量小于控制限,则需要继续判断该样本是否需要继续保留;若是需要保留的样本,则将该样本加入压缩集中,并更新压缩集,重新建立KECA模型,计算此时的统计量SPE以及统计量的控制限,达到检测时变系统的条件,扩大静态KECA方法的应用领域,提升实际检测性能。
2.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法,其特征在于,所述建模包括正常状态模型和故障检测模型;对原始数据进行标准化处理,计算核矩阵并标准化,对核矩阵进行特征分解,其特征值和特征向量能够进行Renyi熵估计,选择熵值贡献较大的前k个特征值与特征向量,所有的样本投影到这些特征向量上,选择与主元方差方向一致的样本构造一个压缩集构建的压缩集完全可以替代原始的训练集;对压缩集进行预处理,计算其核矩阵,同样选择熵值贡献最大的特征值和特征向量,计算得分矩阵,并计算该模型的统计量SPE以及统计量的控制限,建立KECA检测模型,进行故障检测。
3.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法,其特征在于,所述KECA检测方法不需要满足统计量置信限的确定是基于得分变量服从高斯分布的假设要求。
4.根据权利要求1所述的一种基于在线压缩KECA自适应工业过程故障检测方法,其特征在于,所述自适应方法与滑动窗口方法比较,滑动窗口的动态检测方法中的窗宽对于检测结果的影响较大,而该方法只需要严格确定好初始的压缩集,对于后期仿真测试并不需要过多依赖压缩集的样本数量,而且其压缩的样本数量依据主元数量来确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382192.9A CN112666918B (zh) | 2020-12-01 | 2020-12-01 | 一种基于在线压缩keca自适应工业过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382192.9A CN112666918B (zh) | 2020-12-01 | 2020-12-01 | 一种基于在线压缩keca自适应工业过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666918A true CN112666918A (zh) | 2021-04-16 |
CN112666918B CN112666918B (zh) | 2022-06-14 |
Family
ID=75403888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011382192.9A Active CN112666918B (zh) | 2020-12-01 | 2020-12-01 | 一种基于在线压缩keca自适应工业过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666918B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110403A (zh) * | 2021-05-25 | 2021-07-13 | 中南大学 | 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统 |
CN113341347A (zh) * | 2021-06-02 | 2021-09-03 | 云南大学 | 一种基于aoelm的配电变压器故障动态检测方法 |
CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
CN114167729A (zh) * | 2021-12-08 | 2022-03-11 | 北京工业大学 | 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统 |
Citations (8)
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 |
US20130121421A1 (en) * | 2010-07-06 | 2013-05-16 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Video decoder and method of decoding a sequence of pictures |
CN103528836A (zh) * | 2013-09-22 | 2014-01-22 | 重庆科技学院 | 基于符号动力学禁字模式的旋转机械故障诊断方法 |
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN111797533A (zh) * | 2020-07-09 | 2020-10-20 | 哈尔滨工程大学 | 一种核动力装置运行参数异常检测方法及系统 |
-
2020
- 2020-12-01 CN CN202011382192.9A patent/CN112666918B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130121421A1 (en) * | 2010-07-06 | 2013-05-16 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Video decoder and method of decoding a sequence of pictures |
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 |
CN103528836A (zh) * | 2013-09-22 | 2014-01-22 | 重庆科技学院 | 基于符号动力学禁字模式的旋转机械故障诊断方法 |
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
CN107895224A (zh) * | 2017-10-30 | 2018-04-10 | 北京工业大学 | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 |
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN111797533A (zh) * | 2020-07-09 | 2020-10-20 | 哈尔滨工程大学 | 一种核动力装置运行参数异常检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘春菊 等: "基于核熵成分分析结合独立元分析的故障检测方法", 《仪表技术与传感器》 * |
常鹏 等: "基于多向核熵成分分析的微生物发酵间歇过程监测研究", 《高校化学工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110403A (zh) * | 2021-05-25 | 2021-07-13 | 中南大学 | 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统 |
CN113110403B (zh) * | 2021-05-25 | 2022-05-17 | 中南大学 | 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统 |
CN113341347A (zh) * | 2021-06-02 | 2021-09-03 | 云南大学 | 一种基于aoelm的配电变压器故障动态检测方法 |
CN113341347B (zh) * | 2021-06-02 | 2022-05-03 | 云南大学 | 一种基于aoelm的配电变压器故障动态检测方法 |
CN114167729A (zh) * | 2021-12-08 | 2022-03-11 | 北京工业大学 | 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统 |
CN114167729B (zh) * | 2021-12-08 | 2024-05-28 | 北京工业大学 | 基于分布式二段自适应加权堆叠自动编码器的微小故障检测方法及系统 |
CN114077876A (zh) * | 2022-01-19 | 2022-02-22 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
CN114077876B (zh) * | 2022-01-19 | 2022-05-13 | 北京科技大学 | 一种带钢热连轧多模态过程监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112666918B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112666918B (zh) | 一种基于在线压缩keca自适应工业过程故障检测方法 | |
CN105425779B (zh) | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 | |
Yu et al. | Recursive exponential slow feature analysis for fine-scale adaptive processes monitoring with comprehensive operation status identification | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
CN108227653B (zh) | 一种基于随机化核主元分析的大规模非线性过程监控方法 | |
Deng et al. | Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring | |
CN107895224B (zh) | 一种基于扩展核熵负载矩阵的mkeca发酵过程故障监测方法 | |
US8046090B2 (en) | Apparatus and method for automated closed-loop identification of an industrial process in a process control system | |
CN111949012B (zh) | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 | |
CN107632592A (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
CN109460574A (zh) | 一种航空发动机剩余寿命的预测方法 | |
Rotem et al. | Ethylene compressor monitoring using model‐based PCA | |
Guo et al. | Fault detection based on robust characteristic dimensionality reduction | |
CN106094749B (zh) | 基于改进核熵成分分析的非线性故障检测方法及应用 | |
CN108960329B (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
CN117236084B (zh) | 一种木工机械加工生产智能管理方法及系统 | |
CN110687895B (zh) | 一种基于自适应核主成分分析的化工过程故障检测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Cudney et al. | Applying the Mahalanobis–Taguchi system to vehicle handling | |
Zhong et al. | Multimode non‐Gaussian process monitoring based on local entropy independent component analysis | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
CN105629959A (zh) | 一种工业过程故障检测方法 | |
Ayech et al. | New adaptive moving window PCA for process monitoring | |
CN111045415A (zh) | 一种基于局部概率密度双子空间的多模态过程故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |