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 PDFInfo
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 103
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000001311 chemical methods and process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
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:
其中,i=1,2,…,n;
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:
其中,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,即为SAE的输入当l=L时,即为SAE的输出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,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:
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则残差矩阵为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,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:
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:
其中,b=1,2,…,B,limith,b和limitres,b分别为和的阈值,可由核密度估计(kernel density estimation,KDE)计算,当大于等于limith,b或大于等于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,对和采用指数加权移动平均(Exponentiallyweighted moving-average,EWMA),以得到自适应阈值,对和的指数加权移动平均可以表示为:
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)分别为和的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:
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:
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:
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,全局残差矩阵为全局SAE的输入矩阵,第i个样本对应的全局SAE的输入向量,为全局SAE的输出矩阵,为将输入全局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σres,g(k)标准化后表示为
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:
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分别为和的阈值,由核密度估计KDE计算,表示Hg(k-q+i)对应的标准化后的最大奇异值,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:
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:
4)更新离线建模阶段中的滑动窗Hb(k)和RESb(k)(b=1,2,…,B);
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;
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);
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;
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
表2每个单元涉及的变量
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:
3)分别以为输入,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和输出矩阵则残差矩阵为为将第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,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):
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)标准化得到和利用和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,
其中自适应阈值limita,h,b和limita,res,b为
其中λ>1,q为指数加权移动平均EWMA的窗宽,limith,g和limitres,g分别为和的阈值,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
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;
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,全局残差矩阵为全局SAE的输入矩阵,第i个样本对应的全局SAE的输入向量,为全局SAE的输出矩阵,为将输入全局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σres,g(k)标准化后表示为
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:
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分别为和的阈值,由核密度估计KDE计算,置信水平为0.99,表示Hg(k-q+i)对应的标准化后的最大奇异值,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:
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:
4)更新离线建模构建的滑动窗Hb(k)和RESb(k)(b=1,2,…,5);
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;
10)更新离线建模阶段中的滑动窗Hg(k)和RESg(k);
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;
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和均超过控制限,局部统计量Qw,1,Qw,2,Qw,3,Qw,4,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
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。
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,
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σres,b(k)标准化后表示为
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:
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:
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,
全局残差矩阵其中,为全局SAE的输入矩阵,第i个样本对应的全局SAE的输入向量,为全局SAE的输出矩阵,为将输入全局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σres,g(k)标准化后表示为
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:
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:
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:
4)更新离线建模阶段中的滑动窗Hb(k)和RESb(k)(b=1,2,…,B);
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;
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);
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;
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,
第l个AE的编码和解码过程分别表示如下,l=1,2,…,L,
其中,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,即为SAE的输入当l=L时,即为SAE的输出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,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:
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。
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)
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 |
-
2021
- 2021-12-08 CN CN202111494775.5A patent/CN114167729B/zh active Active
Patent Citations (11)
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)
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 |