CN114167729A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114167729A
CN114167729A CN202111494775.5A CN202111494775A CN114167729A CN 114167729 A CN114167729 A CN 114167729A CN 202111494775 A CN202111494775 A CN 202111494775A CN 114167729 A CN114167729 A CN 114167729A
Authority
CN
China
Prior art keywords
res
global
sae
local
sub
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
CN202111494775.5A
Other languages
English (en)
Other versions
CN114167729B (zh
Inventor
高慧慧
黄文杰
韩红桂
高学金
韩华云
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.)
Beijing University of Technology
Original Assignee
Beijing University of 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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111494775.5A priority Critical patent/CN114167729B/zh
Publication of CN114167729A publication Critical patent/CN114167729A/zh
Application granted granted Critical
Publication of CN114167729B publication Critical patent/CN114167729B/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及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，首先对工业过程数据进行标准化，并根据工业过程划分为B个子块；为每一个子块构建一个局部二段自适应加权堆叠自动编码器，利用历史数据训练所有局部二段自适应加权堆叠自动编码器，得到每个子块的局部统计量，并确定局部故障控制限；利用历史数据训练全局二段自适应加权堆叠自动编码器，得全局统计量，并确定全局故障控制限；根据工业过程将待检测数据划分为多个子块；利用训练完成的局部二段自适应加权堆叠自动编码器计算每个子块的局部统计量；利用训练完成的全局二段自适应加权堆叠自动编码器计算整个工业过程的全局统计量；最终得出故障检测结果。

Description

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
技术领域
本发明涉及基于数据驱动的微小故障检测方法领域，特别是针对非线性化工过程微小故障提出的一种基于分布式二段自适应加权堆叠的微小故障检测方法及系统。
背景技术
化工过程的微小故障是指相对于正常状态的微小变化，微小故障的幅值小，与系统信号的偏差百分比通常在1％到10％之间。微小故障的特征容易被系统的正常波动和噪声掩盖，极容易被忽视，但微小故障可能会演变为严重故障甚至导致工业事故。因此，有效的微小故障检测有利于保障化工过程的安全运行。随着现代工业过程的发展，大量的过程数据可以被采集和存储，这使得基于数据驱动的故障检测方法受到了广泛的关注，而传统的故障检测方法不能有效地检测微小故障。
已有大量的研究针对微小故障检测。一部分研究通过检测数据分布的微小变化实现微小故障的检测，如利用Kullback-Leibler散度(Kullback-Leibler divergence,KLD)和相异性度量(dissimilarity measure,DISSIMM)对数据分布微小变化敏感实现微小故障检测。已有的研究表明，考虑数据的局部信息有利于微小故障检测，已有研究为了处理局部信息，将多块的框架应用于微小故障检测，对工业过程进行子块划分，对每个子块分别建立模型。统计局部核主成分分析(statistical local kernel principal componentanalysis,SLKPCA)将统计局部方法引入主成分分析已应用于微小故障检测。传统的故障检测方法同等处理所有的样本，这容易导致微小故障信息被淹没。针对这一问题，已有研究利用测试样本与正常样本之间的欧氏距离对样本进行加权，以突出微小故障信息，然而欧式距离并不能够有效挖掘微小故障信息。
发明内容
针对微小故障信息容易被掩盖的问题，本发明提出了一种基于分布式二段自适应加权堆叠自动编码器(Distributed two-stage adaptive weighted stackedautoencoder,DTAWSAE)的微小故障检测方法。为了考虑工业过程的局部信息以及提取过程数据的高阶非线性特征，为工业过程的每个操作单元建立局部SAE模型，获得特征向量和残差向量。对特征向量和残差向量使用滑动窗技术和奇异值分解(Singular valuedecomposition,SVD)，得到最大奇异值。针对传统的故障检测方法对所有样本做同等处理而导致故障样本的故障信息被淹没的问题，利用最大奇异值对样本的特征向量和残差向量加权，基于加权的特征向量和残差向量为每个操作单元构建两个局部统计量。为了考虑工业过程的全局信息，将所有局部SAE提取的特征作为输入，建立全局SAE模型，并构建两个全局统计量。本发明方法利用最大奇异值挖掘微小故障信息，对样本的特征向量和残差向量进行加权，突出了故障样本的影响，提高了微小故障检测的性能；设计了一个分布式框架考虑局部和全局信息，为工业过程的每个操作单元建立局部SAE模型以及为全局建立全局SAE模型，实现局部检测和全局检测，能够判断发生的故障是局部故障还是全局故障以及判断故障影响的操作单元。
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，其特征在于包括以下步骤：
A.离线建模阶段：
1)获得正常条件下的历史数据作为训练数据X＝[x1,x2,...,xn]T∈Rn×m，其中n表示样本个数，m表示样本维度，即采集的变量的总数，计算训练数据X的均值
Figure BDA0003398400650000021
和标准差
Figure BDA0003398400650000022
标准化训练数据X得到
Figure BDA0003398400650000023
Figure BDA0003398400650000024
其中，i＝1,2,…,n；
2)根据工业过程的B个操作单元，对标准化后的训练数据
Figure BDA0003398400650000025
进行变量划分，得到B个子块，B个子块对应的数据集为
Figure BDA0003398400650000026
其中
Figure BDA0003398400650000027
b表示第b个子块；
3)为每个子块分别建立SAE模型，分别得到B个子块的特征矩阵Hb以及残差矩阵RESb，b＝1,2,…,B，其中，第b个子块的特征矩阵Hb以及残差矩阵RESb的获取过程具体包括以下步骤：
确定每个SAE的网络结构，SAE由L个自动编码器(autoencoder,AE)堆叠而成，具有提取高阶非线性特征的能力，每个AE由输入层、隐含层和输出层组成，从输入层到隐含层为编码部分，从隐含层到输出层为解码部分，设定每个AE的输入层、隐含层、输出层的节点数，SAE的输入层即为第一个AE的输入层，SAE的输出层即为第一个AE的输出层，SAE的隐含层依次由第一个AE的隐含层，第二个AE的隐含层，…，第L个AE的隐含层，第L个AE的输出层，第L-1个AE的输出层，…，第二个AE的输出层构成，前一层AE的隐含层即为后一层AE的输入层，第l(l＝1,2,…,L)个AE的编码和解码过程分别表示为：
Figure BDA0003398400650000031
Figure BDA0003398400650000032
其中，
Figure BDA0003398400650000033
表示将第b个子块的第i个样本输入对应SAE时第l-1个AE的输出，hi,b,l-1表示将第b个子块的第i个样本输入对应SAE时第l-1个AE的隐含层提取的特征，当l＝1时，
Figure BDA0003398400650000034
即为SAE的输入
Figure BDA0003398400650000035
当l＝L时，
Figure BDA0003398400650000036
即为SAE的输出
Figure BDA0003398400650000037
fb,l(·)表示第b个子块的SAE的第l个AE隐含层的激活函数，gb,l(·)表示第b个子块的SAE的第l个AE输出层的激活函数，Wb,l，bb,l表示第b个子块的SAE的第l个AE从输入层到隐含层的权值矩阵和偏置向量，
Figure BDA0003398400650000038
表示第b个子块的SAE的第l个AE从隐含层到输出层的权值矩阵和偏置向量，为了便于表示，将第b个SAE的第l个AE的编码过程表示为fencoder,b,l(·)，将第b个SAE的第l个AE的解码过程表示为fdecoder,b,l(·)，则由L个AE堆叠的SAE的编码和解码过程分别表示为：
Figure BDA0003398400650000039
Figure BDA00033984006500000310
其中，第b个SAE的特征矩阵表示为Hb＝[h1,b,h2,b,...,hn,b]T以及输出矩阵表示为
Figure BDA00033984006500000311
则残差矩阵为
Figure BDA00033984006500000312
hi,b为将第b个子块的第i个样本输入对应的SAE模型时隐含层的输出向量，
Figure BDA00033984006500000313
为将第b个子块的第i个样本输入对应的SAE模型时的输出向量；
其中，对SAE的每个AE单独训练，对每个AE的权值矩阵和偏置向量随机初始化，采用梯度下降法对AE进行训练，采用的损失函数为：
Figure BDA0003398400650000041
其中，
Figure BDA0003398400650000042
表示第i个样本第b个SAE中的第l个AE的输入，
Figure BDA0003398400650000043
表示第i个样本第b个SAE中的第l个AE的输出，n表示样本数量；
4)在矩阵论中，奇异值通常代表矩阵中的重要信息，在多元统计分析和机器学习中广泛应用，本研究利用最大奇异值挖掘故障信息，为了便于对在线数据进行奇异值分解，对特征矩阵Hb以及残差矩阵RESb分别采用滑动窗技术，得到第k个样本对应的Hb(k)和RESb(k)：
Hb(k)＝[hk-w+1,b hk-w+2,b...hk,b]T (7)
RESb(k)＝[resk-w+1,b resk-w+2,b...resk,b]T (8)
其中，b＝1,2,…,B，w表示窗宽，在线测试阶段中，当得到一个新的在线样本的局部特征向量和残差向量时，将在线样本的局部特征向量和残差向量填充进相应的滑动窗中，以对两个滑动窗进行更新；
5)对Hb(k)和RESb(k)分别进行奇异值分解，得到Hb(k)的最大奇异值σh,b(k)以及RESb(k)的最大奇异值σres,b(k)，对σh,b(k)和σres,b(k)标准化：
Figure BDA0003398400650000044
Figure BDA0003398400650000045
其中，b＝1,2,…,B，
Figure BDA0003398400650000046
和
Figure BDA00033984006500000413
分别为训练数据对应的σh,b的均值和标准差，
Figure BDA0003398400650000047
和
Figure BDA0003398400650000048
分别为训练数据对应的σres,b的均值和标准差，利用
Figure BDA0003398400650000049
和
Figure BDA00033984006500000410
对特征向量hk,b和残差向量resk,b；
6)利用
Figure BDA00033984006500000411
和
Figure BDA00033984006500000412
根据二段自适应加权策略计算权值，二段自适应加权策略形成过程如下，权值th,b(k)以及tres,b(k)可由以公式下计算：
Figure BDA0003398400650000051
Figure BDA0003398400650000052
其中，b＝1,2,…,B，limith,b和limitres,b分别为
Figure BDA0003398400650000053
和
Figure BDA0003398400650000054
的阈值，可由核密度估计(kernel density estimation,KDE)计算，当
Figure BDA0003398400650000055
大于等于limith,b或
Figure BDA0003398400650000056
大于等于limitres,b时，第k个样本为故障样本，否则为正常样本；为了降低故障误报率，对
Figure BDA0003398400650000057
和
Figure BDA0003398400650000058
采用指数加权移动平均(Exponentiallyweighted moving-average,EWMA)，以得到自适应阈值，对
Figure BDA0003398400650000059
和
Figure BDA00033984006500000510
的指数加权移动平均可以表示为：
Figure BDA00033984006500000511
Figure BDA00033984006500000512
其中λ＞1，当λ越大时，越接近第k个样本的最大奇异值占的比重越大，q为EWMA的窗宽，σ′h,b(k)，σ′res,b(k)分别为
Figure BDA00033984006500000513
和
Figure BDA00033984006500000514
的EWMA值，当σ′h(k)≥limith或σ′res(k)≥limitres，则第k个样本为故障样本，自适应阈值可以表示为：
Figure BDA00033984006500000515
Figure BDA00033984006500000516
其中limita,h,b(k)和limita,res,b(k)为自适应阈值，为了进一步降低故障误报率，提出一种二段自适应加权策略，权值wh,b(k)以及wres,b(k)可以由式(17)和(18)计算：
Figure BDA0003398400650000061
Figure BDA0003398400650000062
其中b1＝ln(1.2)-d1·(c1-1)，b2＝ln(1.2)-d2·(c2-1)，c1，d1，c2，d2由实验效果确定，当
Figure BDA0003398400650000065
权值wh,b(k)由一个一次函数确定，以此降低故障误报率；
7)利用权值wh,b(k)和wres,b(k)分别对特征向量hk,b和残差向量resk,b进行加权，得到加权特征向量hw,b(k)和加权残差向量resw,b(k)：
hw,b(k)＝wh,b(k)hk,b (19)
resw,b(k)＝wres,b(k)resk,b (20)
8)由hw,b(k)和resw,b(k)计算得到以下两个局部统计量：
Figure BDA0003398400650000063
Figure BDA0003398400650000064
其中b＝1,2,…,B，
Figure BDA0003398400650000071
和Σh,b分别为
Figure BDA0003398400650000072
的特征矩阵Hb的均值和协方差矩阵，
Figure BDA0003398400650000073
和Σres,b分别为
Figure BDA0003398400650000074
的残差矩阵RESb的均值和协方差矩阵，两个局部统计量控制限由KDE确定；
9)建立全局SAE，以B个局部SAE得到的特征向量作为输入，得到全局特征矩阵Hg以及全局残差矩阵RESg，所述全局SAE的构建方法与局部SAE的构建方法相同，其中，全局特征矩阵Hg＝[h1,g,h2,g,...,hn,g]T，hi,g为将第i个样本输入全局SAE模型时的隐含层向量，全局残差矩阵
Figure BDA0003398400650000075
为全局SAE的输入矩阵，
Figure BDA0003398400650000076
第i个样本对应的全局SAE的输入向量，
Figure BDA0003398400650000077
为全局SAE的输出矩阵，
Figure BDA0003398400650000078
为将
Figure BDA0003398400650000079
输入全局SAE模型得到的输出向量，resi,g为第i个样本输入全局SAE模型得到的残差向量；
10)对全局特征矩阵Hg以及全局残差矩阵RESg分别采用滑动窗技术，得到第k个样本对应的Hg(k)和RESg(k)，k＝1，…，n，Hg(k)和RESg(k)表示如下，
Hg(k)＝[hk-w+1,g hk-w+2,g...hk,g]T (23)
RESg(k)＝[resk-w+1,g resk-w+2,g...resk,g]T (24)
其中，w表示窗宽，与Hb(k)和RESb(k)的窗宽一致在线测试阶段中，当得到一个新的在线样本的全局特征向量和残差向量时，将在线样本的全局特征向量和残差向量填充进相应的滑动窗中，以对两个滑动窗进行更新；
11)对Hg(k)和RESg(k)分别进行奇异值分解，得到Hg(k)的最大奇异值σh,g(k)以及RESg(k)的最大奇异值σres,g(k)，对σh,g(k)和σres,g(k)标准化，σh,g(k)标准化后表示为
Figure BDA00033984006500000710
σres,g(k)标准化后表示为
Figure BDA00033984006500000714
12)利用
Figure BDA00033984006500000712
和
Figure BDA00033984006500000713
根据二段自适应加权策略计算权值，具体如下：
Figure BDA0003398400650000081
Figure BDA0003398400650000082
其中，b′1＝ln(1.2)-d′1·(c′1-1)，b′2＝ln(1.2)-d′2·(c′2-1)，c′1，d′1，c′2，d′2由实验效果确定，limita,h,g(k)和limita,res,g(k)为自适应阈值，计算公式如下：
Figure BDA0003398400650000083
Figure BDA0003398400650000084
其中λ′＞1，q为指数加权移动平均EWMA的窗宽，与式(15)、(16)中的q相等，limith,g和limitres,g分别为
Figure BDA0003398400650000085
和
Figure BDA0003398400650000086
的阈值，由核密度估计KDE计算，
Figure BDA0003398400650000087
表示Hg(k-q+i)对应的标准化后的最大奇异值，
Figure BDA0003398400650000088
表示RESg(k-q+i)对应的标准化后的最大奇异值；
13)利用权值wh,g(k)和wres,g(k)分别对特征向量hk,g和残差向量resk,g进行加权，得到加权特征向量hw,g(k)和加权残差向量resw,g(k)：
hw,g(k)＝wh,g(k)hk,g (29)
resw,g(k)＝wres,g(k)resk,g (30)
14)由hw,g(k)和resw,g(k)计算得到以下两个全局统计量：
Figure BDA0003398400650000091
Figure BDA0003398400650000092
其中
Figure BDA0003398400650000093
和Σh,g分别为
Figure BDA0003398400650000094
的特征矩阵Hg的均值和协方差矩阵，
Figure BDA0003398400650000095
和Σres,g分别为
Figure BDA0003398400650000096
的残差矩阵RESg的均值和协方差矩阵；
15)根据两个全局统计量，由KDE确定两个全局故障控制限。
B.在线检测阶段：
1)采集第k个测试样本x′k(k≥n+1)，对x′k标准化得到
Figure BDA0003398400650000097
Figure BDA0003398400650000098
其中
Figure BDA0003398400650000099
训练数据X的均值，s为训练数据X的标准差，与公式(1)中的
Figure BDA00033984006500000910
和s相等；
2)按照操作单元对
Figure BDA00033984006500000911
进行变量划分得到
Figure BDA00033984006500000912
3)将
Figure BDA00033984006500000913
输入离线建模中的第b个局部SAE模型得到特征向量h′k,b和残差向量res′k,b(b＝1,2,…,B)；
4)更新离线建模阶段中的滑动窗Hb(k)和RESb(k)(b＝1,2,…,B)；
5)对Hb(k)和RESb(k)分别进行奇异值分解，得到最大奇异值σ′h,b(k)和σ′res,b(k)，分别对σ′h,b(k)和σ′res,b(k)标准化得到
Figure BDA00033984006500000914
和
Figure BDA00033984006500000915
6)利用公式(17)和(18)根据σ′h,b(k)和σ′res,b(k)计算权值w′h,b(k)以及w′res,b(k)(b＝1,2,…,B)，式中的参数不变；
7)利用公式(19)和(20)得到第k个测试样本第b个子块的加权特征向量h′w,b(k)和加权残差向量res′w,b(k)(b＝1,2,…,B)，式中的参数不变；
8)利用公式(21)和(22)计算第b个操作单元的局部统计量
Figure BDA00033984006500000916
和Qw,b(b＝1,2,…,B)，式中的参数不变；
9)将B个局部SAE提取到的所有特征输入离线建模中训练的全局SAE，得到特征向量h′k,g和残差向量res′k,g；
10)更新离线建模阶段中的滑动窗Hg(k)和RESg(k)；
11)对Hg(k)和RESg(k)分别进行奇异值分解，得到最大奇异值σ′h,g(k)和σ′res,g(k)，分别对σ′h,g(k)和σ′res,g(k)标准化得到
Figure BDA0003398400650000101
和
Figure BDA0003398400650000102
12)利用公式(25)和(26)根据σ′h,g(k)和σ′res,g(k)计算权值w′h,g(k)以及w′res,g(k)，式中的参数不变；
13)利用公式(29)和(30)得到第k个测试样本全局加权特征向量h′w,g(k)和加权残差向量res′w,g(k)，式中的参数不变；
14)利用公式(31)和(32)计算全局统计量
Figure BDA0003398400650000103
和Qw,g，式中的参数不变；
基于分布式二段自适应加权堆叠自动编码器的故障检测系统，包括传感器、数据处理模块、局部二段自适应加权堆叠自动编码器，局部二段自适应加权堆叠自动编码器，以及故障检测模块，其中，传感器用于采集工业过程的数据，数据处理模块用于对工业过程数据进行标准化，并根据工业过程的B个操作单元，对标准化后的训练数据
Figure BDA0003398400650000104
进行变量划分，得到B个子块；一个局部二段自适应加权堆叠自动编码器对应一个子块，利用历史数据训练每一个局部二段自适应加权堆叠自动编码器，得到每个子块的局部统计量，并利用KDE确定局部故障控制限；利用历史数据训练全局二段自适应加权堆叠自动编码器，得全局统计量，并利用KDE确定全局故障控制限；根据工业过程将传感器获得的待检测数据划分为多个子块；利用训练完成的局部二段自适应加权堆叠自动编码器计算每个子块的局部统计量；利用训练完成的全局二段自适应加权堆叠自动编码器计算整个工业过程的全局统计量；最终故障检测模块得出故障检测结果，并将统计量以图表的形式显示在电脑屏幕上进行可视化。
有益效果
本发明利用最大奇异值挖掘样本的故障信息，利用其对特征向量和残差向量加权，有效地提高了微小故障的检测性能。利用分布式框架考虑局部信息和全局信息，能够判断发生的故障是全局故障还是局部故障且确定故障影响的操作单元，对工业过程的故障诊断具有重要的意义。
附图说明
图1所示为本发明DTAWSAE方法的流程图；
图2所示为AE和SAE的示意图；
图3所示为TE过程的流程图；
图4所示为本发明对TE过程故障3的检测结果；
图5所示为本发明对TE过程故障9的检测结果；
图6所示为本发明对TE过程故障15的检测结果；
具体实施方式
TE过程是化工过程的仿真模拟，广泛用于验证故障检测方法的性能。如图3所示为TE过程的流程图。如表1所示，本发明采用TE过程的33个连续变量进行故障检测。TE过程可分为5个操作单元，即冷凝器、反应器、分离器、汽提器和压缩机，每个单元包含的变量如表2所示，其中操作单元1表示冷凝器，2表示反应器，3表示分离器，4表示汽提器，5表示压缩机。TE过程模拟了正常运行状态和21种故障，故障3，9，15的有效检测一直是一个难题。其中故障3，9，15为微小故障，通过将本发明用于故障3，9，15的故障检测，验证本发明对微小故障检测的有效性。本实验的训练数据为500个正常运行状态的样本；测试数据为三组故障数据，每组数据有960个样本，每组数据在第160个样本后分别引入故障3,9,15。
表1TE过程变量
Figure BDA0003398400650000111
Figure BDA0003398400650000121
Figure BDA0003398400650000131
表2每个单元涉及的变量
Figure BDA0003398400650000132
基于以上描述，按照发明内容，将具体过程实现如下：
A.离线建模阶段：
1)对训练数据X＝[x1,x2,...,x500]T∈R500×33进行标准化，计算X的均值
Figure BDA0003398400650000133
和标准差
Figure BDA0003398400650000134
利用公式(1)对X标准化得到
Figure BDA0003398400650000135
2)根据表2对
Figure BDA0003398400650000136
进行变量划分，得到5个子数据集分别为
Figure BDA0003398400650000137
Figure BDA0003398400650000138
3)分别以
Figure BDA0003398400650000139
为输入，建立5个局部SAE模型，根据实验效果确定SAE的模型，每个SAE均有3个AE组成，第一个操作单元的三个AE的结构分别是8-16-8(即AE的输入层节点数为8，隐含层节点数为16，输出层节点数为8)，16-8-16，8-4-8，则SAE的结构为8-16-8-4-8-16-8，第二个操作单元的三个AE的结构分别是7-14-7，14-7-14，7-4-7，则SAE的结构为7-14-7-4-7-14-7，第三个操作单元的三个AE的结构分别是6-12-6，12-6-12，6-4-6，则SAE的结构为6-12-6-4-6-12-6，第四个操作单元的三个AE的结构分别是7-14-7，14-7-14，7-4-7，则SAE的结构为7-14-7-4-7-14-7，第五个操作单元的三个AE的结构分别是5-10-5，10-5-10，5-3-5，则SAE的结构为5-10-5-3-5-10-5，第b个局部SAE得到的特征矩阵Hb＝[h1,b,h2,b,...,h500,b]T和输出矩阵
Figure BDA0003398400650000141
则残差矩阵为
Figure BDA0003398400650000142
为将第b个子块的第i个样本输入对应的SAE模型时隐含层的输出向量，
Figure BDA0003398400650000143
为将第b个子块的第i个样本输入对应的SAE模型时的输出向量，其中b＝1,2,3,4,5；
4)对特征矩阵Hb以及残差矩阵RESb采取滑动窗技术，窗宽w为300，得到第k个样本对应的Hb(k)和RESb(k)：
Figure BDA0003398400650000144
RESb(k)＝[resk-w+1,b resk-w+2,b…resk,b]T (2)
其中k＝1,2,…,201，b＝1,2,3,4,5，在线测试阶段中，当得到一个新的在线样本的局部特征向量和残差向量时，将在线样本的局部特征向量和残差向量填充进相应的滑动窗中，以对两个滑动窗进行更新；
5)对Hb(k)和RESb(k)分别进行奇异值分解，得到最大奇异值σh,b(k)和σres,b(k)，对σh,b(k)和σres,b(k)标准化得到
Figure BDA0003398400650000145
和
Figure BDA0003398400650000146
利用
Figure BDA0003398400650000147
和
Figure BDA0003398400650000148
分别对特征向量和残差向量进行加权,其中b＝1,2,3,4,5；
6)利用公式(3)和(4)计算权值wh,b(k)以及wres,b(k)，其中b＝1,2,3,4,5，
Figure BDA0003398400650000149
Figure BDA0003398400650000151
其中自适应阈值limita,h,b和limita,res,b为
Figure BDA0003398400650000152
Figure BDA0003398400650000153
其中λ＞1，q为指数加权移动平均EWMA的窗宽，limith,g和limitres,g分别为
Figure BDA0003398400650000154
和
Figure BDA0003398400650000155
的阈值，分别等于在置信水平0.99下KDE对应的值，每个操作单元下的参数q，λ，c1，d1，c2，d2的值如表3所示；
表3DTAWSAE的参数
Figure BDA0003398400650000156
7)利用公式(7)和(8)计算得到加权特征向量hw,b(k)和加权残差向量resw,b(k),
hw,b(k)＝wh,b(k)hk,b (7)
resw,b(k)＝wres,b(k)resk,b (8)
其中b＝1,2,3,4,5；
8)利用公式(9)和(10)计算得到两个局部统计量
Figure BDA0003398400650000161
和Qw,b，
Figure BDA0003398400650000162
Figure BDA0003398400650000163
其中b＝1,2,…,5，
Figure BDA0003398400650000164
和Σh,b分别为
Figure BDA0003398400650000165
的特征矩阵Hb的均值和协方差矩阵，
Figure BDA0003398400650000166
和Σres,b分别为
Figure BDA0003398400650000167
的残差矩阵RESb的均值和协方差矩阵，两个局部统计量控制限由KDE确定，置信水平为0.99；
9)将5个局部SAE得到的特征向量作为输入，建立全局SAE，全局SAE由3个AE堆叠而成，三个AE的结构分别为19-16-19，16-11-16，11-9-11，全局SAE的结构为19-16-11-9-11-16-19，全局SAE得到全局特征矩阵Hg以及全局残差矩阵RESg，其中，全局特征矩阵Hg＝[h1,g,h2,g,...,hn,g]T，hi,g为将第i个样本输入全局SAE模型时隐含层的向量，全局残差矩阵
Figure BDA0003398400650000168
为全局SAE的输入矩阵，
Figure BDA0003398400650000169
第i个样本对应的全局SAE的输入向量，
Figure BDA00033984006500001610
为全局SAE的输出矩阵，
Figure BDA00033984006500001611
为将
Figure BDA00033984006500001612
输入全局SAE模型得到的输出向量，resi,g为第i个样本输入全局SAE模型得到的残差向量；
10)全局特征矩阵Hg以及全局残差矩阵RESg采取滑动窗技术，窗宽w为300，得到第k个样本对应的Hg(k)和RESg(k)：
Hg(k)＝[hk-w+1,g hk-w+2,g...hk,g]T (11)
RESg(k)＝[resk-w+1,g resk-w+2,g...resk,g]T (12)
其中，w表示窗宽，与Hb(k)和RESb(k)的窗宽一致，在线测试阶段中，当得到一个新的在线样本的全局特征向量和残差向量时，将在线样本的全局特征向量和残差向量填充进相应的滑动窗中，以对两个滑动窗进行更新；
11)对Hg(k)和RESg(k)分别进行奇异值分解，得到Hg(k)的最大奇异值σh,g(k)以及RESg(k)的最大奇异值σres,g(k)，对σh,g(k)和σres,g(k)标准化，σh,g(k)标准化后表示为
Figure BDA0003398400650000171
σres,g(k)标准化后表示为
Figure BDA0003398400650000172
12)利用
Figure BDA0003398400650000173
和
Figure BDA0003398400650000174
根据二段自适应加权策略计算权值，具体如下：
Figure BDA0003398400650000175
Figure BDA0003398400650000176
其中，b′1＝ln(1.2)-d′1·(c′1-1)，b′2＝ln(1.2)-d′2·(c′2-1)，c′1，d′1，c′2，d′2由实验效果确定，limita,h,g(k)和limita,res,g(k)为自适应阈值，计算公式如下：
Figure BDA0003398400650000177
Figure BDA0003398400650000178
其中λ′＞1，q＝200为指数加权移动平均EWMA的窗宽，与式(5)、(6)中的q相等，limith,g和limitres,g分别为
Figure BDA0003398400650000179
和
Figure BDA00033984006500001710
的阈值，由核密度估计KDE计算，置信水平为0.99，
Figure BDA00033984006500001711
表示Hg(k-q+i)对应的标准化后的最大奇异值，
Figure BDA00033984006500001712
表示RESg(k-q+i)对应的标准化后的最大奇异值，λ′＝1.1，c′1＝7，d′1＝10，c′2＝4，d′2＝10，其余参数与局部模型中的一致；
13)利用权值wh,g(k)和wres,g(k)分别对特征向量hk,g和残差向量resk,g进行加权，得到加权特征向量hw,g(k)和加权残差向量resw,g(k)：
hw,g(k)＝wh,g(k)hk,g (17)
resw,g(k)＝wres,g(k)resk,g (18)
14)由hw,g(k)和resw,g(k)计算得到以下两个全局统计量：
Figure BDA0003398400650000181
Figure BDA0003398400650000182
其中
Figure BDA0003398400650000183
和Σh,g分别为
Figure BDA0003398400650000184
的特征矩阵Hg的均值和协方差矩阵，
Figure BDA0003398400650000185
和Σres,g分别为
Figure BDA0003398400650000186
的残差矩阵RESg的均值和协方差矩阵；
15)根据两个全局统计量，由KDE确定两个全局故障控制限，置信水平为0.99。
B.在线检测阶段：
1)采集当前第k个采样时刻的样本x′k，其中k≥501，利用公式(15)对x′k进行标准化得到
Figure BDA0003398400650000187
2)根据表2对
Figure BDA0003398400650000188
进行变量划分，得到
Figure BDA0003398400650000189
3)分别将
Figure BDA00033984006500001810
输入对应的离线建模中的局部SAE模型，得到特征向量hk,b和残差向量resk,b(b＝1,2,…,5)；
4)更新离线建模构建的滑动窗Hb(k)和RESb(k)(b＝1,2,…,5)；
5)分别对Hb(k)和RESb(k)进行奇异值分解，得到最大奇异值σh,b(k)和σres,b(k)，对σh,b(k)和σres,b(k)标准化得到
Figure BDA00033984006500001811
和
Figure BDA00033984006500001812
6)利用公式(3)和(4)计算权值wh,b(k)以及wres,b(k)(b＝1,2,…,5)，公式(3)和(4)参数不变；
7)利用公式(7)和(8)得到加权特征向量hw,b(k)和加权残差向量resw,b(k)(b＝1,2,…,5)，公式(7)和(8)参数不变；
8)利用公式(9)和(10)计算得到局部统计量
Figure BDA0003398400650000191
和Qw,b(b＝1,2,…,5)，公式(9)和(10)参数不变；
9)将
Figure BDA0003398400650000192
输入对应的离线建模中的局部SAE模型得到的特征作为离线建模中的全局SAE中,得到特征向量hk,g和残差向量为resk,g；
10)更新离线建模阶段中的滑动窗Hg(k)和RESg(k)；
11)对Hg(k)和RESg(k)分别进行奇异值分解，得到最大奇异值σ′h,g(k)和σ′res,g(k)，分别对σ′h,g(k)和σ′res,g(k)标准化得到
Figure BDA0003398400650000193
和
Figure BDA0003398400650000194
12)利用公式(13)和(14)根据σ′h,g(k)和σ′res,g(k)计算权值w′h,g(k)以及w′res,g(k)，式中的参数不变；
13)利用公式(17)和(18)得到第k个测试样本全局加权特征向量h′w,g(k)和加权残差向量res′w,g(k)，式中的参数不变；
14)利用公式(19)和(20)计算全局统计量
Figure BDA0003398400650000195
和Qw,g，式中的参数不变；
15)若局部统计量均未超过局部控制限，则没有发生故障；
若局部统计量中至少有一个超过控制限，则表明发生了故障，且故障发生在相应的操作单元，若全局统计量均未超过控制限，则表明发生的故障是局部故障；
若局部统计量中至少有一个超过控制限，则表明发生了故障，且故障发生在相应的操作单元，若全局统计量中至少有一个超过控制限，则表明发生的故障是全部故障；
上述步骤即为本方法应用在TE过程故障检测的具体应用。为了验证本发明对微小故障检测的有效性，对TE过程的故障3,9,15进行了实验。本实验利用故障误报率(FAR)和故障检测率(FDR)评估方法的性能，故障误报率是指误报的样本与正常样本的比例，故障检测率是指检测到的故障样本与所有故障样本的比例，FDR越大则表明方法的性能越好。如图4为本发明对故障3的故障检测结果，图5为本发明对故障9的故障检测结果，图6为本发明对故障15的故障检测结果。如图4所示，在故障3引入后，全局统计量Qw,g和
Figure BDA0003398400650000201
均超过控制限，局部统计量Qw,1，
Figure BDA0003398400650000202
Qw,2，
Figure BDA0003398400650000203
Qw,3，Qw,4，
Figure BDA0003398400650000204
Qw,5超过控制限，即所有操作单元和全局均检测出故障，这表明故障3为全局故障，且影响到所有的操作单元。如图5所示，操作单元1,2,4,5和全局均检测出故障，表明故障9为全局故障，且会影响操作单元1,2,4,5。如图6所示，故障15为全局故障，且影响所有的操作单元。为了体现本发明对微小故障检测的有效性，将核主成分分析(kernel principal component analysis,KPCA)和SAE方法对故障3,9,15的检测结果与本发明进行比较，如表3所示为三种方法对故障3,9,15的FDRs，为了便于比较，将本发明的全局统计量与局部统计量中FDRs最高的统计量作为最终的检测结果，并分别用Qw和
Figure BDA0003398400650000205
表示。从表3可以看出，本发明对故障3,9,15的FDRs要远大于其他的两种方法，体现了本发明对微小故障检测的有效性。
表4PCA、SAE、DWSAE对TE过程中故障3，9，15的FDRs
Figure BDA0003398400650000206

Claims (10)

1.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，其特征在于包括以下步骤：
A.离线建模阶段包括三部分，
A1根据工业过程的操作单元将历史数据划分为多个子块；
A2为每个子块构建局部二段自适应加权堆叠自动编码器，利用该堆叠自动编码器计算每个子块的局部统计量，并利用KDE确定局部故障控制限；
A3构建全局二段自适应加权堆叠自动编码器，利用全局堆叠自动编码器计算整个工业过程的全局统计量，并利用KDE确定全局故障控制限；
B.在线检测阶段包括，
B1根据工业过程将待检测数据划分为多个子块；
B2利用训练完成的局部二段自适应加权堆叠自动编码器计算每个子块的局部统计量；
B3利用训练完成的全局二段自适应加权堆叠自动编码器计算整个工业过程的全局统计量；
B4利用故障检测模块判断是否发生故障，具体的，
若局部统计量均未超过局部控制限，则没有发生故障；
若局部统计量中至少有一个超过控制限，则表明发生了故障，且故障发生在相应的操作单元，若全局统计量均未超过控制限，则表明发生的故障是局部故障；
若局部统计量中至少有一个超过控制限，则表明发生了故障，且故障发生在相应的操作单元，若全局统计量中至少有一个超过控制限，则表明发生的故障是全部故障。
2.根据权利要求1所述的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，
其特征在于：所述的A1具体包括以下步骤：
A11)获得正常条件下的历史数据作为训练数据X＝[x1,x2,...,xn]T∈Rn×m，其中n表示样本个数，m表示样本维度，即采集的变量的总数，计算训练数据X的均值
Figure FDA0003398400640000011
和标准差s，标准化训练数据X得到
Figure FDA0003398400640000012
Figure FDA0003398400640000013
其中，i＝1,2,…,n；
A12)根据工业过程的B个操作单元，对标准化后的训练数据
Figure FDA0003398400640000014
进行变量划分，得到B个子块，B个子块对应的数据集为
Figure FDA0003398400640000021
其中第b个子块对应的数据集
Figure FDA0003398400640000022
Figure FDA0003398400640000023
表示第b个子块的第i个样本。
3.根据权利要求2所述的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，其特征在于：利用局部二段自适应加权堆叠自动编码器获得局部统计量的具体工作过程如下：
A21)分别为每个子块建立局部SAE模型，得到B个子块的特征矩阵以及残差矩阵，具体的，第b个SAE的特征矩阵Hb＝[h1,b,h2,b,...,hn,b]T，其中，hi,b为将第b个子块的第i个样本输入对应的SAE模型时隐含层的向量，
第b个子块的残差矩阵
Figure FDA0003398400640000024
其中，
Figure FDA0003398400640000025
Figure FDA0003398400640000026
为将第b个子块的第i个样本输入对应的SAE模型时的输出向量，resi,b为将第b个子块的第i个样本输入对应的SAE模型得到的残差向量；
A22)为了便于对在线数据进行奇异值分解，对特征矩阵Hb以及残差矩阵RESb分别采用滑动窗技术，得到第k个样本对应的Hb(k)和RESb(k)，k＝1，…，n，b＝1,2,…,B，Hb(k)和RESb(k)表示如下，
Hb(k)＝[hk-w+1,b hk-w+2,b … hk,b]T (2)
RESb(k)＝[resk-w+1,b resk-w+2,b … resk,b]T (3)
其中，w表示窗宽；
A23)对Hb(k)和RESb(k)分别进行奇异值分解，得到Hb(k)的最大奇异值σh,b(k)以及RESb(k)的最大奇异值σres,b(k)，对σh,b(k)和σres,b(k)标准化，σh,b(k)标准化后表示为
Figure FDA0003398400640000027
σres,b(k)标准化后表示为
Figure FDA0003398400640000028
A24)利用A23)中得到的
Figure FDA0003398400640000029
和
Figure FDA00033984006400000210
根据二段自适应加权策略计算权值，具体如下：
Figure FDA0003398400640000031
Figure FDA0003398400640000032
其中，
b1＝ln(1.2)-d1·(c1-1)，b2＝ln(1.2)-d2·(c2-1)，c1，d1，c2，d2由实验效果确定，
limita,h,b(k)和limita,res,b(k)为自适应阈值，计算公式如下：
Figure FDA0003398400640000033
Figure FDA0003398400640000034
λ＞1，q为指数加权移动平均EWMA的窗宽，limith,b和limitres,b分别为
Figure FDA0003398400640000035
和
Figure FDA0003398400640000036
的阈值，由核密度估计KDE计算，
Figure FDA0003398400640000037
表示Hb(k-q+i)对应的标准化后的最大奇异值，
Figure FDA0003398400640000038
表示RESb(k-q+i)对应的标准化后的最大奇异值，
A25)利用权值wh,b(k)和wres,b(k)分别对特征向量hk,b和残差向量resk,b进行加权，得到加权特征向量hw,b(k)和加权残差向量resw,b(k)：
hw,b(k)＝wh,b(k)hk,b (8)
resw,b(k)＝wres,b(k)resk,b (9)
A26)由hw,b(k)和resw,b(k)计算得到以下两个局部统计量：
Figure FDA0003398400640000039
Figure FDA0003398400640000041
其中b＝1,2,…,B，
Figure FDA0003398400640000042
和Σh,b分别为
Figure FDA0003398400640000043
的特征矩阵Hb的均值和协方差矩阵，
Figure FDA0003398400640000044
和Σres,b分别为
Figure FDA0003398400640000045
的残差矩阵RESb的均值和协方差矩阵。
4.根据权利要求3所述的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，其特征在于：利用全局二段自适应加权堆叠自动编码器获得全局统计量的具体工作过程如下：
A31)建立全局SAE，以B个局部SAE得到的特征向量作为输入，得到全局特征矩阵Hg以及全局残差矩阵RESg，所述全局SAE的构建方法与局部SAE的构建方法相同，具体的
全局特征矩阵Hg＝[h1,g,h2,g,...,hn,g]T，其中，hi,g为将第i个样本输入对应的SAE模型时隐含层的向量，
全局残差矩阵
Figure FDA0003398400640000046
其中，
Figure FDA0003398400640000047
为全局SAE的输入矩阵，
Figure FDA0003398400640000048
第i个样本对应的全局SAE的输入向量，
Figure FDA0003398400640000049
为全局SAE的输出矩阵，
Figure FDA00033984006400000410
为将
Figure FDA00033984006400000411
输入全局SAE模型得到的输出向量，resi,g为将第i个样本输入全局SAE模型得到的残差向量；
A32)对全局特征矩阵Hg以及全局残差矩阵RESg分别采用滑动窗技术，得到第k个样本对应的Hg(k)和RESg(k)，k＝1，…，n，Hg(k)和RESg(k)表示如下，
Hg(k)＝[hk-w+1,g hk-w+2,g ... hk,g]T (12)
RESg(k)＝[resk-w+1,g resk-w+2,g ... resk,g]T (13)
其中，w表示窗宽，与Hb(k)和RESb(k)的窗宽一致；
A33)对Hg(k)和RESg(k)分别进行奇异值分解，得到Hg(k)的最大奇异值σh,g(k)以及RESg(k)的最大奇异值σres,g(k)，对σh,g(k)和σres,g(k)标准化，σh,g(k)标准化后表示为
Figure FDA00033984006400000412
σres,g(k)标准化后表示为
Figure FDA00033984006400000413
A34)利用A33)中得到的
Figure FDA00033984006400000414
和
Figure FDA00033984006400000415
根据二段自适应加权策略计算权值，具体如下：
Figure FDA0003398400640000051
Figure FDA0003398400640000052
其中，
b′1＝ln(1.2)-d′1·(c′1-1)，b′2＝ln(1.2)-d′2·(c′2-1)，c′1，d′1，c′2，d′2由实验效果确定，
limita,h,g(k)和limita,res,g(k)为自适应阈值，计算公式如下：
Figure FDA0003398400640000053
Figure FDA0003398400640000054
λ′＞1，q为指数加权移动平均EWMA的窗宽，与式(6)、(7)中的q相等，limith,g和limitres,g分别为
Figure FDA0003398400640000055
和
Figure FDA0003398400640000056
的阈值，由核密度估计KDE计算，
Figure FDA0003398400640000057
表示Hg(k-q+i)对应的标准化后的最大奇异值，
Figure FDA0003398400640000058
表示RESg(k-q+i)对应的标准化后的最大奇异值，
A35)利用权值wh,g(k)和wres,g(k)分别对特征向量hk,g和残差向量resk,g进行加权，得到加权特征向量hw,g(k)和加权残差向量resw,g(k)：
hw,g(k)＝wh,g(k)hk,g (18)
resw,g(k)＝wres,g(k)resk,g (19)
A36)由hw,g(k)和resw,g(k)计算得到以下两个全局统计量：
Figure FDA0003398400640000059
Figure FDA0003398400640000061
Figure FDA0003398400640000062
和Σh,g分别为
Figure FDA0003398400640000063
的特征矩阵Hg的均值和协方差矩阵，
Figure FDA0003398400640000064
和Σres,g分别为
Figure FDA0003398400640000065
的残差矩阵RESg的均值和协方差矩阵。
5.根据权利要求4所述的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，
其特征在于：
B具体包括以下步骤：
1)采集第k个测试样本x′k(k≥n+1)，对x′k标准化得到
Figure FDA0003398400640000066
Figure FDA0003398400640000067
其中
Figure FDA0003398400640000068
训练数据X的均值，s为训练数据X的标准差，与公式(1)中的
Figure FDA0003398400640000069
和s相等；
2)按照操作单元对
Figure FDA00033984006400000610
进行变量划分得到
Figure FDA00033984006400000611
3)将
Figure FDA00033984006400000612
输入第b个局部SAE模型得到特征向量h′b,k和残差向量res′b,k(b＝1,2,…,B)；
4)更新离线建模阶段中的滑动窗Hb(k)和RESb(k)(b＝1,2,…,B)；
5)对Hb(k)和RESb(k)分别进行奇异值分解，得到最大奇异值σ′h,b(k)和σ′res,b(k)，分别对σ′h,b(k)和σ′res,b(k)标准化得到
Figure FDA00033984006400000613
和
Figure FDA00033984006400000614
6)利用公式(4)和(5)根据σ′h,b(k)和σ′res,b(k)计算权值w′h,b(k)以及w′res,b(k)(b＝1,2,…,B)，式中的参数不变；
7)利用公式(8)和(9)得到第k个测试样本第b个子块的加权特征向量h′w,b(k)和加权残差向量res′w,b(k)(b＝1,2,…,B)，式中的参数不变；
8)利用公式(10)和(11)计算第b个操作单元的局部统计量
Figure FDA00033984006400000615
和Qw,b(b＝1,2,…,B)，式中的参数不变；
9)将B个局部SAE提取到的所有特征输入全局SAE，得到特征向量h′k,g和残差向量res′k,g；
10)更新离线建模阶段中的滑动窗Hg(k)和RESg(k)；
11)对Hg(k)和RESg(k)分别进行奇异值分解，得到最大奇异值σ′h,g(k)和σ′res,g(k)，分别对σ′h,g(k)和σ′res,g(k)标准化得到
Figure FDA0003398400640000071
和
Figure FDA0003398400640000072
12)利用公式(14)和(15)根据σ′h,g(k)和σ′res,g(k)计算权值w′h,g(k)以及w′res,g(k)，式中的参数不变；
13)利用公式(18)和(19)得到第k个测试样本全局加权特征向量h′w,g(k)和加权残差向量res′w,g(k)，式中的参数不变；
14)利用公式(20)和(21)计算全局统计量
Figure FDA0003398400640000073
和Qw,g，式中的参数不变。
6.根据权利要求3所述的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，其特征在于，
所述SAE的网络结构具体为：SAE由L个自动编码器AE堆叠而成，具有提取高阶非线性特征的能力，每个AE由输入层、隐含层和输出层组成，从输入层到隐含层为编码部分，从隐含层到输出层为解码部分，设定每个AE的输入层、隐含层、输出层的节点数，SAE的输入层即为第一个AE的输入层，SAE的输出层即为第一个AE的输出层，SAE的隐含层依次由第一个AE的隐含层，第i个AE的隐含层，直到第L个AE的隐含层，第L个AE的输出层，第i个AE的输出层，直到第二个AE的输出层构成，前一层AE的隐含层即为后一层AE的输入层。
7.根据权利要求6所述的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，其特征在于，
进一步的，A21)中所述的hi,b和
Figure FDA0003398400640000074
表示如下：
第l个AE的编码和解码过程分别表示如下，l＝1,2,…,L，
Figure FDA0003398400640000075
Figure FDA0003398400640000076
其中，
Figure FDA0003398400640000077
表示将第b个子块的第i个样本输入对应SAE时第l-1个AE的输出，hi,b,l-1表示将第b个子块的第i个样本输入对应SAE时第l-1个AE的隐含层提取的特征，当l＝1时，
Figure FDA0003398400640000078
即为SAE的输入
Figure FDA0003398400640000079
当l＝L时，
Figure FDA00033984006400000710
即为SAE的输出
Figure FDA00033984006400000711
fb,l(·)表示第b个子块的SAE的第l个AE隐含层的激活函数，gb,l(·)表示第b个子块的SAE的第l个AE输出层的激活函数，Wb,l，bb,l表示第b个子块的SAE的第l个AE从输入层到隐含层的权值矩阵和偏置向量，
Figure FDA0003398400640000081
表示第b个子块的SAE的第l个AE从隐含层到输出层的权值矩阵和偏置向量，为了便于表示，将第b个SAE的第l个AE的编码过程表示为fencoder,b,l(·)，将第b个SAE的第l个AE的解码过程表示为fdecoder,b,l(·)，则由L个AE堆叠的SAE的编码和解码过程分别表示为：
Figure FDA0003398400640000082
Figure FDA0003398400640000083
8.根据权利要求6所述的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，其特征在于，
进一步的，对SAE的每个AE单独训练，对每个AE的权值矩阵和偏置向量随机初始化，采用梯度下降法对AE进行训练，采用的损失函数为：
Figure FDA0003398400640000084
其中，
Figure FDA0003398400640000085
表示将第b个子块的第i个样本输入对应SAE中时第l个AE的输入，
Figure FDA0003398400640000086
表示将第b个子块的第i个样本输入对应SAE中时第l个AE的输出，n表示样本数量。
9.根据权利要求3所述的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，其特征在于，
进一步的，A23)中所述的
Figure FDA0003398400640000087
和
Figure FDA0003398400640000088
表示如下：
Figure FDA0003398400640000089
Figure FDA00033984006400000810
其中，b＝1,2,…,B，
Figure FDA00033984006400000811
和
Figure FDA00033984006400000812
分别为训练数据对应的σh,b(k)的均值和标准差，
Figure FDA00033984006400000813
和
Figure FDA00033984006400000814
分别为训练数据对应的σres,b(k)的均值和标准差。
10.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系统，基于权利要求1-9，其特征在于，
包括传感器、数据处理模块、局部二段自适应加权堆叠自动编码器，全局二段自适应加权堆叠自动编码器，以及故障检测模块，其中，传感器用于采集工业过程的数据，数据处理模块用于对工业过程数据进行标准化，并根据工业过程的B个操作单元，对标准化后的训练数据
Figure FDA0003398400640000091
进行变量划分，得到B个子块；一个局部二段自适应加权堆叠自动编码器对应一个子块，利用历史数据训练每一个局部二段自适应加权堆叠自动编码器，得到每个子块的局部统计量，并利用KDE确定局部故障控制限；利用历史数据训练全局二段自适应加权堆叠自动编码器，得全局统计量，并利用KDE确定全局故障控制限；根据工业过程将传感器获得的待检测数据划分为多个子块；利用训练完成的局部二段自适应加权堆叠自动编码器计算每个子块的局部统计量；利用训练完成的全局二段自适应加权堆叠自动编码器计算整个工业过程的全局统计量；最终故障检测模块得出故障检测结果，并将检测统计量以图表的形式显示在电脑屏幕上进行可视化。
CN202111494775.5A 2021-12-08 2021-12-08 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 Active CN114167729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111494775.5A CN114167729B (zh) 2021-12-08 2021-12-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111494775.5A CN114167729B (zh) 2021-12-08 2021-12-08 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

Publications (2)

Publication Number Publication Date
CN114167729A true CN114167729A (zh) 2022-03-11
CN114167729B CN114167729B (zh) 2024-05-28

Family

ID=80484662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111494775.5A Active CN114167729B (zh) 2021-12-08 2021-12-08 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

Country Status (1)

Country Link
CN (1) CN114167729B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN110032167A (zh) * 2019-02-26 2019-07-19 中国西安卫星测控中心 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法
EP3537346A1 (en) * 2018-03-09 2019-09-11 Tata Consultancy Services Limited Method and system for incorporating regression into stacked auto encoder (sae)
CN110244692A (zh) * 2019-06-20 2019-09-17 中国石油大学(华东) 化工过程微小故障检测方法
WO2020015277A1 (zh) * 2018-07-20 2020-01-23 国电南瑞科技股份有限公司 一种基于全景信息的弧光故障识别装置及方法
CN111160811A (zh) * 2020-01-17 2020-05-15 北京工业大学 一种基于多阶段fom-sae的批次过程故障监测方法
CN111324110A (zh) * 2020-03-20 2020-06-23 北京工业大学 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN112270650A (zh) * 2020-10-12 2021-01-26 西南大学 基于稀疏自编码器的图像处理方法、系统、介质、设备
CN112666918A (zh) * 2020-12-01 2021-04-16 沈阳化工大学 一种基于在线压缩keca自适应工业过程故障检测方法
WO2021088377A1 (zh) * 2019-11-06 2021-05-14 北京工业大学 一种基于批次图像化的卷积自编码故障监测方法
CN112904810A (zh) * 2021-01-13 2021-06-04 中南大学 基于有效特征选择的流程工业非线性过程监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019090878A1 (zh) * 2017-11-09 2019-05-16 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
EP3537346A1 (en) * 2018-03-09 2019-09-11 Tata Consultancy Services Limited Method and system for incorporating regression into stacked auto encoder (sae)
WO2020015277A1 (zh) * 2018-07-20 2020-01-23 国电南瑞科技股份有限公司 一种基于全景信息的弧光故障识别装置及方法
CN110032167A (zh) * 2019-02-26 2019-07-19 中国西安卫星测控中心 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法
CN110244692A (zh) * 2019-06-20 2019-09-17 中国石油大学(华东) 化工过程微小故障检测方法
WO2021088377A1 (zh) * 2019-11-06 2021-05-14 北京工业大学 一种基于批次图像化的卷积自编码故障监测方法
CN111160811A (zh) * 2020-01-17 2020-05-15 北京工业大学 一种基于多阶段fom-sae的批次过程故障监测方法
CN111324110A (zh) * 2020-03-20 2020-06-23 北京工业大学 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN112270650A (zh) * 2020-10-12 2021-01-26 西南大学 基于稀疏自编码器的图像处理方法、系统、介质、设备
CN112666918A (zh) * 2020-12-01 2021-04-16 沈阳化工大学 一种基于在线压缩keca自适应工业过程故障检测方法
CN112904810A (zh) * 2021-01-13 2021-06-04 中南大学 基于有效特征选择的流程工业非线性过程监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴康福;李耀贵;: "基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断", 机床与液压, no. 11, 15 June 2020 (2020-06-15) *
宋坤骏;林建辉;丁建明;: "极限学习改造稀疏自动编码机及其在故障诊断中的应用", 上海铁道科技, no. 01, 25 March 2017 (2017-03-25) *
王磊;邓晓刚;徐莹;钟娜;: "基于变量子域PCA的故障检测方法", 化工学报, no. 10, 31 October 2016 (2016-10-31) *
邓晓刚;邓佳伟;曹玉苹;王磊;: "基于双层局部KPCA的非线性过程微小故障检测方法", 化工学报, no. 07, 9 May 2018 (2018-05-09) *
高慧慧 等: "Incipient Fault Detection for Nonlinear Industrial Processes Based on Distributed Weighted Stacked Autoencoder", 2021中国自动化大会（CAC）, 14 March 2022 (2022-03-14), pages 7917 - 7922 *

Also Published As

Publication number Publication date
CN114167729B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN110610035B (zh) 一种基于gru神经网络的滚动轴承剩余寿命预测方法
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN113642754B (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
CN109740687B (zh) 一种基于dlae的发酵过程故障监测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
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
CN111324110A (zh) 一种基于多块收缩自动编码器的发酵过程故障监测方法
CN111914897A (zh) 一种基于孪生长短时间记忆网络的故障诊断方法
CN110807544A (zh) 一种基于机器学习的油田剩余油饱和度分布的预测方法
CN112904810A (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN114004331A (zh) 一种基于关键指标和深度学习的故障分析方法
CN111260024A (zh) 基于长短期记忆和典型相关结合的故障检测方法及系统
CN114679310A (zh) 一种网络信息安全检测方法
CN114818817A (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN114167729B (zh) 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
CN104848883B (zh) 一种基于稀疏表示的传感器噪声与故障的判别方法
CN113159088A (zh) 一种基于多特征融合和宽度学习的故障监测与诊断方法
CN108536943B (zh) 一种基于多生产单元变量交叉相关解耦策略的故障监测方法
CN113361648B (zh) 一种用于安全的工业大数据分析的信息指纹提取方法
CN114200914A (zh) 一种基于mw-occa的质量相关早期故障检测方法
CN114995338A (zh) 一种基于规范变量分析与js散度融合的工业过程微小故障检测方法
CN115047853A (zh) 基于递推规范变量残差和核主元分析的微小故障检测方法
CN114254454A (zh) 基于cva和rnn的钻机主轴滚动轴承的剩余使用寿命预测方法
CN113341926A (zh) 一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法

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