CN113033683B - 一种基于静态与动态联合分析的工业系统工况监测方法和系统 - Google Patents
一种基于静态与动态联合分析的工业系统工况监测方法和系统 Download PDFInfo
- Publication number
- CN113033683B CN113033683B CN202110350447.1A CN202110350447A CN113033683B CN 113033683 B CN113033683 B CN 113033683B CN 202110350447 A CN202110350447 A CN 202110350447A CN 113033683 B CN113033683 B CN 113033683B
- Authority
- CN
- China
- Prior art keywords
- som
- static
- dynamic
- working condition
- industrial process
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于静态与动态联合分析的工业系统工况监测方法和系统,其方法为:针对一段稳定工况的工业过程数据序列,使用慢特征分析法提取样本的静态和动态特征;使用静态和动态特征分别训练初始的静态和动态SOM网络;利用静态和动态SOM网络权值和输入计算样本量化误差,计算当前工况的静态和动态控制限;在线获取工业过程数据,提取其静态和动态特征,分别计算与静态/动态SOM网络的量化误差,与静态和动态特征判别控制限比较,判断工业过程当前时间点是否发生工况变化,若变化,则利用新的数据训练新的静态与动态SOM网络,若未变化,则使用样本更新已有的SOM网络权值。本发明可以更真实准确地判断工业过程的工况变化时间点。
Description
技术领域
本发明属于工况分类技术领域,具体涉及一种基于静态与动态联合分析的工业系统工况监测方法和系统。
背景技术
如今,工业现场设备日趋复杂,受到内部机理和外部环境的影响,其运行过程中会处于不同的工作模式。在不同的工况下,对应的监测指标与控制策略会截然不同。例如,对于电机系统,当负载发生变化时,其正常工作电流与设定转速必然会发生相应的变化,这需要监测模型与控制器能根据电机工况的变化,完成工作模式的切换。如果不能及时明确对应工况,监测模型会出现误报和漏报的现象,并导致控制器无法及时切换控制策略,造成电机无法拖动负载,进而影响工业生产过程。因此,准确把握设备的工况信息尤为重要。
随着传感器技术和通信技术的不断发展,工业系统中能获取越来越多的数据,这些数据为工业系统的监测与控制提供了很大的便利,也让基于数据驱动的方法进入了一个迅速的发展阶段。目前,大多数基于数据驱动的方法在训练和测试阶段时均使用了含有工况信息的数据,从而建立针对不同工况的监测与控制策略。然而,从工业系统采集的原始数据中往往并不包含明确的工况标签信息。如果直接将这些数据送入模型中进行训练,会极大降低监测精度和控制方法的鲁棒性。因此,如何准确划分工况尤为重要。在划分工况时,不仅要准确找到每种工况的跳变点,还要合理确定划分工况的个数:如果最终得到的工况数量太少,容易导致监测与控制模型工作模式单一,从而遗漏一些重要的变化特征;如果数量过多,导致工况切换过于频繁,并会引起工况之间的数据量不平衡现象,降低模型的稳定性。目前,工况划分一般需要根据现场工人经验和工业流程特点,采用人工方式完成。这种方法不仅效率低下,而且划分结果也会因人而异,无法保证每次都能得到一个稳定的划分结果。于是,如何找到一种自动工况划分的方法便逐渐成为一个重要的研究分支。
为了实现自动工况划分,一种常用方法便是使用无监督聚类。在各种无监督聚类方法中,主要思想是根据原始数据的静态特征,找到合适的聚类中心,最终得到每个样本的聚类标签,完成工况划分的任务。目前,一些常见的无监督聚类方法已经在某些领域的工况划分任务中得到了应用,如K-means,DBSCAN,高斯混合模型聚类(GMM)等。例如,Dong等人针对风机运行状态划分问题,提出了一种基于K-means的工况划分方法。当原始数据的维度过高时,基于无监督聚类的方法不能准确提取其中的静态特征,从而导致工况划分精度降低。为了从原始数据中充分提取特征信息并降低数据维度,自映射图(SOM)网络吸引了不少研究人员的兴趣。自映射图(SOM)网络是一种无监督提取特征的方法,通过对网络的训练,其能将高维数据映射到一个二维空间地图,并有效保存原始数据中的空间分布情况。受到SOM网络强大特征提取能力的启发,许多学者将SOM网络与无监督聚类方法相结合,提出了改进的工况划分方法。例如,Palamara等人将SOM网络与K-means方法结合,对职业事故中不同的事故类别进行划分;Vanem等人针对船用发动机系统,提出了一种SOM网络与DBSCAN相结合的工况划分方法;Cheng等人在聚类支持向量机(SVM)的基础上,使用SOM网络提取特征,完成了对滚动轴承系统的工况划分工作。
以上提到的方法仅仅以静态特征作为划分工况的依据,而在真实的工业过程中,一旦设备受到内部控制器参数变化或是外部环境的影响时,其动态特征也会发生变化。若不对动态特征加以分析,会导致工况划分精确度降低。于是,许多研究工作针对动态特征提出了不同的分析方法与相对应的划分策略。Dobos等人提出了一种基于动态PCA的多变量过程工况划分方法,但是它需要设置工况个数和最大分段误差的值,这在实践中并不适用。为了自适应确定工况个数,二分法被提出并被广泛应用。二分法通过分析数据的动态特征,比较相邻数据的差异性,不断缩小满足划分条件数据的区间范围,最终得到不同工况的跳变点。Das等人使用二分法对均值-非平稳和方差-非平稳的过程进行了工况划分工作。改进衡量数据差异性的指标是一种提升二分法效果的方法。受到这种思想的启发,Kano等人提出了一种基于Karhunen-Loeve展开的协方差矩阵的差异性指标;Zhao等人则提出了核不相似指数以及稀疏相异指数。
发明内容
本发明提供一种基于静态与动态联合分析的工业系统工况监测方法和系统,可以更真实准确地判断工业过程的工况变化时间点。
为实现上述技术目的,本发明采用如下技术方案:
一种基于静态与动态联合分析的工业系统工况监测方法,包括:
1),特征提取:
2),SOM网络训练:
使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn;
3),控制限计算:
计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i);
4),工况变化时间点判断:
计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
在更优的技术方案中,所述动态特征向量,是对静态特征向量作微分计算得到。
在更优的技术方案中,在使用静态特征向量和动态特征向量训练SOM网络前,先对使用慢特征分析法提取到的特征向量进行预处理,包括:
将静态特征向量中的所有m个静态特征,从中选择变化较快的Me个静态特征从静态特征向量中删除,使用得到的静态特征向量训练SOM网络;
将动态特征向量中的所有m个动态特征,从中选择变化较快的Me个动态特征从动态特征向量中删除,使用得到的动态特征向量训练SOM网络。
在更优的技术方案中,所述使用核密度估计法计算判别控制限具体为:根据所有数据样本的量化误差统计其概率密度函数,然后以概率密度函数在设定置信度下的取值作为控制限;其中概率密度函数的表达式为:
在更优的技术方案中,判断工业过程数据是否为偏离值的方法为:取该工业过程数据及以前的总共ω个连续的工业过程数据,组成一组新的数据样本组,计算其中该数据样本组的量化误差均值,若量化误差均值小于对应判别控制限,则该工业过程数据为偏离值,否则该工业过程数据不是偏离值。
在更优的技术方案中,在所述判断工业过程的工况在该时间点发生变化时,还进一步判断工况发生变化的具体物理意义:若该时间点只属于基于静态特征工况跳变点、而不属于基于动态特征工况跳变点,则表示工业过程是由于设定值发生改变而导致工业过程的稳态点发生变化;若该时间点只属于基于动态特征工况跳变点、而不属于基于静态特征工况跳变点,则表示工业过程是由于负载发生改变而导致控制器的控制量发生波动。
一种基于静态与动态联合分析的工业系统工况监测系统,包括特征提取模块、SOM网络训练模块、控制限计算模块和工况变化时间点判断模块;
所述SOM网络训练模块用于:使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn;
所述控制限计算模块用于:计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i);
所述工况变化时间点判断模块还用于:计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
所述工况变化时间点判断模块还用于:计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
所述工况变化时间点判断模块还用于:若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
有益效果
本发明联合考虑静态与动态特征对工业运行状态的影响,提高了工业过程的工况识别的准确率。同时,其中提出的增量学习方法,实现了用于工况划分的SOM网络组的实时更新,对运行过程中出现的未知新型工况具有一定的辨识能力,从而增强整个划分方法的鲁棒性,为后续过程监测与控制建立了坚实的基础。
附图说明
图1是本申请实施例所述方法的流程图;
图2是本申请实施例所述方法的特征分析流程图。
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。
实施例1
随着工业系统日趋复杂,单从静态或是动态特征一个方面并不能准确的区分正确的工况,只有同时将两者纳入分析才能更真实反应工况变化的特点。另一方面,随着工业过程的不断运行,会出现很多新型未知工况信息。传统划分方法由于模型无法更新,对未知工况可能会得到一个错误的划分结果,进而影响后续的监测与控制效果。
受到上述实际工业过程的需求启发,本专利提出了一种基于静态与动态联合分析的增量式工况划分方法。首先,本发明方法综合考虑工业过程中的静态特征和动态特征,能有效掌握工业过程的变化特点。并且根据每类特征的变化情况,提出了一种决策策略,提高了工况划分的准确率。其次,针对某些新型未知工况,本发明提出了一种基于SOM网络增量学习的模型更新方法。通过学习新的子网络,有效提取了未知工况中存在的新型特征,完成了模型的实时在线更新,从而增强整个划分方法的鲁棒性,为后续过程监测与控制建立了坚实的基础。
在本实施例提供一种基于静态与动态联合分析的工业系统工况监测方法,如图1、2所示,包括以下步骤:
1),特征提取:
设获取到的工业过程数据序列为X∈RN×m包含N个样本,变量维度是m。我们使用慢特征分析法(SFA)提取其中的静态和动态特征。对于任意一个样本x(t)=[x1(t),…,xm(t)]T,慢特征分析法的目的是找到一种映射并满足以下两个条件:
sj(t)=gj(x(t)) (1)
在寻找这样一种映射关系时,还要满足以下几个约束条件:
<sj>t=0 (3)
对于上面的优化问题,存在线性和非线性两种情况。本文中,我们主要考虑线性情况。在线性情况下,可以通过以下公式得到慢特征:
s(t)=Wx(t) (7)
要得到W,首先要对原始数据进行白化处理。对于输入信号x(t),其协方差矩阵可
以使用SVD方法做以下分解:
<xxT>t=UΛUT (8)于是,对数据的白化处理有:
d=Λ-1/2UTx=Qx (9)
其中,Q表示用于白化处理的系数矩阵,与此同时,白化处理后的数据应该满足<ddT>t=I。之后,需要解决的问题变为:
s=Pd (10)
针对(4)(5)的约束条件也可以变为:
<ssT>t=I (11)
将(10)代入(11)有:
<ssT>t=P<ddT>tPT=PPT=I (12)
W=PΛ-1/2UT (14)
求得变换矩阵W后,代入式(7)便能得到表示静态特征的慢特征s=[s1,…,sm]T。对慢特征s作微分计算便能得到表示动态特征的微分慢特征即为动态特征向量。其中,慢特征s主要包含了原始数据的空间分布,代表工业过程中的静态特征,因此将慢特征s记为静态特征向量;微分慢特征主要包含了数据变化的趋势,代表工业过程中的动态特征,因此将微分慢特征记为动态特征向量。
通过慢特征分析法SFA得到的慢特征与微分慢特征,将根据变化速度由慢到快进行排序。变化较慢的慢特征包含整个工业过程的主要特征信息,其数量是M;变化较快的慢特征则认为是一种由噪声引起冗余特征信息,其数量为Me=m-M。M可以根据每个变量的贡献度确定。因此,最终得到的慢特征可以分为两组,即主导空间中的特征sd=[s1…sM]T∈RM与和残差空间中的特征与由于主导空间中的特征包含了整个工业过程绝大部分有效信息,为降低特征向量的维度,提高计算速度,本实施例优先选择主导空间中的特征sd=[s1…sM]T∈RM和分别作为后续的静态SOM网络和动态SOM网络的输入样本。
2),SOM网络训练:
使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn。
经过步骤1)对工业过程数据的特征提取与筛选,本实施例在本步骤使用自组织映射图(SOM)网络提取不同的特征。自组织映射图(SOM)是一种提取数据特征的神经网络结构。通常情况下,其由输入层和输出层两层结构组成。输入层输入原始的高维数据,输出层则是由m1×m2个神经元构成的二维平面。通过对每个神经元权值的迭代更新,输出层每个神经元的权值能更好地拟合原始数据的空间分布。因此,SOM网络经常被用于特征提取、数据分类、故障诊断等多个领域。
由于SOM网络输入的是一段稳态工况的工业过程数据样本的静态特征向量或动态特征向量,因此训练得到的是与该稳态工况A对应的静态SOM网络SOMsta,A和动态SOM网络SOMdyn,A。
3),控制限计算:
计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i)。
在步骤2)使用工况A的工业过程数据训练得到与工况A对应的静态SOM网络SOMsta,A和动态SOM网络SOMdyn,A后,即可使用静态SOM网络SOMsta,A计算工况A的静态特征判别控制限eq_lim_(sta,A)和动态特征判别控制限eq_lim_(dyn,A)。
具体为:计算每个训练数据样本的静态特征向量s与SOMsta,A的权值wsta,A之间的量化误差然后根据所有训练数据样本的量化误差eq_(sta,A)(t)统计概率密度函数,再以概率密度函数在设定置信度下的取值作为工况A的静态特征判别控制限eq_lim_(sta,A);其中概率密度函数的表达式为:
动态特征判别控制限eq_lim_(dyn,A)的计算方法与eq_lim_(dyn,A)相同:计算每个训练数据样本的动态特征向量与SOMsta,A的权值wdyn,A之间的量化误差然后根据所有训练数据样本的量化误差eq_(dyn,A)(t)统计概率密度函数,再以概率密度函数在设定置信度下的取值作为工况A的动态特征判别控制限eq_lim_(dyn,A)。
4),工况变化时间点判断:
计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用从该时间点开始的连续多个工业过程数据,按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用从该时间点开始的连续多个工业过程数据,按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
由于工业过程中存在偏离值,如果仅当单个样本的量化误差超限时就进行增量更新,不仅会降低网络的学习效率,还会降低工况划分的准确性。为此,本实施例引入滑窗来判断工业过程数据是否为偏离值,以有效避免偏离值带来的干扰。当单个样本超过控制限后,使用长度为ω滑窗,将该样本与其前ω-1个样本组成一个新的数据样本组,计算其中该数据样本组的量化误差均值,若量化误差均值小于对应判别控制限,则该工业过程数据为偏离值,否则该工业过程数据不是偏离值。
另外,当出现一个新的工况特征出现时,由于工况不会发生突变,新的特征将至少持续一段时间。因此,为了确保新的网络能准确提取新的特征,在第一个具有新特征的样本出现时,不会直接将其作为新网络的训练数据输入。当多个具有新特征的样本接连出现后,再将它们一起作为新网络的初始训练数据,完成网络的训练过程。
在判断工业过程的工况在某个时间点是否发生变化时,由于产生一种新的工况的原因是多样,可能单一特征变化引起的,也可能是两种特征同时作用的结果。因此,本实施例将不同特征变化情况列在表1,并对每种情况的物理意义进行了解释,让工况的划分策略更加具有可解释性,也能更好地对应工况产生变化的原因,完善了整套划分体系。
当通过划分策略发现了一种新的工况后,我们需要对其位置进行定位,从而让最终的划分结果有一个明确的分布,即每种工况的位置都能一目了然。因此,我们使用工况跳变点来描述工况的位置分布。要寻找工况跳变点位置,只有通过我们制定的划分策略,结合表中对特征变化的情况分析,才能准确定位每个跳变点的位置。因此,本实施例进一步判断工况发生变化的具体物理意义:若该时间点只属于基于静态特征工况跳变点、而不属于基于动态特征工况跳变点,则表示工业过程是由于设定值发生改变而导致工业过程的稳态点发生变化;若该时间点只属于基于动态特征工况跳变点、而不属于基于静态特征工况跳变点,则表示工业过程是由于负载发生改变而导致控制器的控制量发生波动。整理特征变化情况如表1所示:
表1:特征变化情况
(√代表特征发生改变,×表示特征未发生改变)
本实施例提供的基于静态与动态联合分析的工业系统工况划分方法,可以有效提取并分析原始数据中存在的静态与动态特征。同时,对于不断出现的新型未知工况,本发明提出了一套增量学习方法,实现了SOM的在线更新。最终,本发明结合划分策略,统筹静态特征与动态特征两个空间的分析结果,完成了工业过程的工况自动划分。
综上所述,本发明方法联合考虑静态与动态特征对工业运行状态的影响,提高了工业过程的工况识别的准确率。同时,其中提出的增量学习方法,实现了用于工况划分的SOM网络组的实时更新,对运行过程中出现的未知新型工况具有一定的辨识能力,从而增强整个划分方法的鲁棒性,为后续过程监测与控制建立了坚实的基础。
实施例2
本实施例提供一种基于静态与动态联合分析的工业系统工况监测系统,包括特征提取模块、SOM网络训练模块、控制限计算模块和工况变化时间点判断模块;
所述SOM网络训练模块用于:使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn;
所述控制限计算模块用于:计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i);
所述工况变化时间点判断模块还用于:计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
所述工况变化时间点判断模块还用于:计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
所述工况变化时间点判断模块还用于:若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
本实施例是与实施例所述方法对应的装置实施例,其各模块的工作原理与实施例1中的方法相同,此处不再重复解释工作原理及技术效果。
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 (5)
1.一种基于静态与动态联合分析的工业系统工况监测方法,其特征在于,包括:
1),特征提取:
获取当前工业过程之前的一段稳定工况i=A的工业过程数据序列,每个采样点的工业过程数据作为1个训练数据样本,使用慢特征分析法提取训练数据样本的静态特征向量s和动态特征向量所述动态特征向量,是对静态特征向量作微分计算得到;
2),SOM网络训练:
使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn;
在使用静态特征向量和动态特征向量训练SOM网络前,先对使用慢特征分析法提取到的特征向量进行预处理,包括:
将静态特征向量中的所有m个静态特征,从中选择变化较快的Me个静态特征从静态特征向量中删除,使用得到的静态特征向量训练SOM网络;
将动态特征向量中的所有m个动态特征,从中选择变化较快的Me个动态特征从动态特征向量中删除,使用得到的动态特征向量训练SOM网络;
3),控制限计算:
计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i);
4),工况变化时间点判断:
计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
3.根据权利要求1所述的方法,其特征在于,判断工业过程数据是否为偏离值的方法为:取该工业过程数据及以前的总共ω个连续的工业过程数据,组成一组新的数据样本组,计算其中该数据样本组的量化误差均值,若量化误差均值小于对应判别控制限,则该工业过程数据为偏离值,否则该工业过程数据不是偏离值。
4.根据权利要求1所述的方法,其特征在于,在所述判断工业过程的工况在该时间点发生变化时,还进一步判断工况发生变化的具体物理意义:若该时间点只属于基于静态特征工况跳变点、而不属于基于动态特征工况跳变点,则表示工业过程是由于设定值发生改变而导致工业过程的稳态点发生变化;若该时间点只属于基于动态特征工况跳变点、而不属于基于静态特征工况跳变点,则表示工业过程是由于负载发生改变而导致控制器的控制量发生波动。
5.一种基于静态与动态联合分析的工业系统工况监测系统,其特征在于,包括特征提取模块、SOM网络训练模块、控制限计算模块和工况变化时间点判断模块;
所述特征提取模块用于:获取当前工业过程之前的一段稳定工况i=A的工业过程数据序列,每个采样点的工业过程数据作为1个训练数据样本,使用慢特征分析法提取训练数据样本的静态特征向量s和动态特征向量所述动态特征向量,是对静态特征向量作微分计算得到;
所述SOM网络训练模块用于:使用所有训练数据样本的静态特征向量s,训练1个SOM网络,得到与稳定工况i=A对应的静态SOM网络,将其加入到静态SOM网络组SOMsta;记静态SOM网络组SOMsta中与工况i对应的静态SOM网络为SOMsta,i;使用相同方法,训练稳定工况i=A对应的动态SOM网络SOMdyn,i,加入到动态SOM网络组SOMdyn;
在使用静态特征向量和动态特征向量训练SOM网络前,先对使用慢特征分析法提取到的特征向量进行预处理,包括:将静态特征向量中的所有m个静态特征,从中选择变化较快的Me个静态特征从静态特征向量中删除,使用得到的静态特征向量训练SOM网络;将动态特征向量中的所有m个动态特征,从中选择变化较快的Me个动态特征从动态特征向量中删除,使用得到的动态特征向量训练SOM网络;
所述控制限计算模块用于:计算每个训练数据样本的静态特征向量s与SOMsta,i的权值wsta,i之间的量化误差eq_(sta,i);根据所有训练数据样本的量化误差eq_(sta,i),使用核密度估计法计算稳定工况i=A的静态特征判别控制限eq_lim_(sta,i);使用相同方法,计算稳定工况i=A的动态特征判别控制限eq_lim_(dyn,i);
所述工况变化时间点判断模块还用于:计算工业过程数据的静态特征向量s分别与SOMsta中每个静态SOM网络SOMsta,i之间的量化误差eq_(sta,i);若计算得到的量化误差eq_(sta,i)小于某个判别控制限eq_lim_(sta,k),则使用该工业过程数据的静态特征向量更新静态SOM网络SOMsta,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于静态特征的工况跳变点tsta_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的静态SOM网络SOMsta,new,将静态SOM网络SOMsta,new加入到静态SOM网络组SOMsta,以及计算新工况的静态特征判别控制限eq_lim_(sta,new);
所述工况变化时间点判断模块还用于:计算工业过程数据的动态特征向量分别与SOMdyn中每个动态SOM网络SOMdyn,i之间的量化误差eq_(dyn,i);若计算得到的量化误差eq_(dyn,i)小于某个判别控制限eq_lim_(dyn,k),则使用该工业过程数据的动态特征向量更新动态SOM网络SOMdyn,k的权值;否则判断该工业过程数据是否为偏离值,若不是偏离值则判断当前工业过程在该时间点进入新工况i=new,记该时间点为基于动态特征的工况跳变点tdyn_jump,并使用连续多个工业过程数据并按照上述步骤2)和3)相同方法,训练新工况i=new对应的动态SOM网络SOMdyn,new,将动态SOM网络SOMdyn,new加入到动态SOM网络组SOMdyn,以及计算新工况的动态特征判别控制限eq_lim_(dyn,new);
所述工况变化时间点判断模块还用于:若工业过程的某个时间点属于基于静态特征或者动态特征的工况跳变点,则判断工业过程的工况在该时间点发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350447.1A CN113033683B (zh) | 2021-03-31 | 2021-03-31 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110350447.1A CN113033683B (zh) | 2021-03-31 | 2021-03-31 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033683A CN113033683A (zh) | 2021-06-25 |
CN113033683B true CN113033683B (zh) | 2022-05-06 |
Family
ID=76453353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110350447.1A Active CN113033683B (zh) | 2021-03-31 | 2021-03-31 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033683B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541017A (zh) * | 2020-12-02 | 2021-03-23 | 中海油信息科技有限公司 | 一种工业生产过程状态监测方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0546682A3 (en) * | 1991-12-12 | 1993-12-08 | Ibm | Parent class shadowing |
CN101353729A (zh) * | 2008-07-18 | 2009-01-28 | 中南大学 | 一种基于工况判断的智能集成建模方法 |
WO2010064939A1 (en) * | 2008-12-05 | 2010-06-10 | Business Intelligence Solutions Safe B.V. | Methods, apparatus and systems for data visualization and related applications |
CN103678512A (zh) * | 2013-12-26 | 2014-03-26 | 大连民族学院 | 一种动态数据环境下的数据流混合分类方法 |
CN108154190A (zh) * | 2018-01-12 | 2018-06-12 | 上海海事大学 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
CN109086804B (zh) * | 2018-07-12 | 2022-04-22 | 中石化石油机械股份有限公司 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
CN110070171A (zh) * | 2019-03-29 | 2019-07-30 | 中国科学院深圳先进技术研究院 | 基于神经网络的分类方法、装置、终端及可读介质 |
CN111538759B (zh) * | 2020-04-20 | 2023-09-12 | 中南大学 | 一种基于分布式字典学习的工业过程智能监测方法与系统 |
CN111638707B (zh) * | 2020-06-07 | 2022-05-20 | 南京理工大学 | 基于som聚类和mpca的间歇过程故障监测方法 |
-
2021
- 2021-03-31 CN CN202110350447.1A patent/CN113033683B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541017A (zh) * | 2020-12-02 | 2021-03-23 | 中海油信息科技有限公司 | 一种工业生产过程状态监测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113033683A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN109255094B (zh) | 基于SVR_Adaboost改进算法的商用货车质量估计方法 | |
CN110598728B (zh) | 基于图平衡正则化的半监督超限学习机分类方法 | |
CN114048568A (zh) | 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法 | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Liu et al. | Deep & attention: A self-attention based neural network for remaining useful lifetime predictions | |
CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN113408616B (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN112966735B (zh) | 一种基于谱重建的监督多集相关特征融合方法 | |
Hamza et al. | Incremental classification of invoice documents | |
CN113869451A (zh) | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 | |
CN111950652A (zh) | 一种基于相似度的半监督学习数据分类算法 | |
CN115994302A (zh) | 基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN113610148B (zh) | 一种基于偏置加权AdaBoost的故障诊断方法 | |
Bardet et al. | Design aircraft engine bivariate data phases using change-point detection method and self-organizing maps | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
Guo et al. | A Hybrid clustering method for bridge structure health monitoring | |
CN110598071A (zh) | 一种基于dpso-wkelm-ifsvm的非线性数据分类方法 | |
CN110647671A (zh) | 一种基于AAE-DWMIL-LearnNSE的数据流分类算法 | |
Ding et al. | A Novel LSTM-1DCNN-based Deep Network for Fault Diagnosis in Chemical Process |
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 |