CN114967640A - 流程工业的故障检测与隔离方法和装置 - Google Patents
流程工业的故障检测与隔离方法和装置 Download PDFInfo
- Publication number
- CN114967640A CN114967640A CN202210439362.5A CN202210439362A CN114967640A CN 114967640 A CN114967640 A CN 114967640A CN 202210439362 A CN202210439362 A CN 202210439362A CN 114967640 A CN114967640 A CN 114967640A
- Authority
- CN
- China
- Prior art keywords
- window sample
- fault
- data
- window
- isolation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 230000008569 process Effects 0.000 title claims abstract description 120
- 238000002955 isolation Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000000513 principal component analysis Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 6
- 238000013079 data visualisation Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000009466 transformation Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种流程工业的故障检测与隔离方法和装置，其中，所述方法包括以下步骤：获取待测流程工业的变量数据；预处理变量数据得到训练数据，其中，训练数据无异常值且无缺失值；构建训练数据的窗口样本集；根据窗口样本集得到窗口样本图像和窗口样本标签；特征处理窗口样本图像；根据特征处理后的窗口样本图像与窗口样本标签对待测流程工业进行故障检测与隔离。本发明能够以图像框的形式输出待测流程工业的故障检测与隔离结果，从而能够实现故障检测与隔离的协同，此外，还能够保留完整数据信息，从而能够实现窗口范围内的特征提取，避免出现现有数据可视化机制下过程信息的丢失及浪费存储空间的问题。
Description
技术领域
本发明涉及流程工业技术领域，具体涉及一种流程工业的故障检测与隔离方法和一种流程工业的故障检测与隔离装置。
背景技术
流程工业故障检测与隔离技术是一种通过利用生产过程的易测数据，挖掘数据隐藏信息，建立过程模型及评判指标，实现在线对被检测过程定性、定量快速检测的分析方法，具有实时性高、检测成本低、可迁移性强、对生产工艺背景及过程机理需求较低等常规检测方法无法比拟的优点。经过多年的技术发展与完善，该技术已在石油、化工、钢铁、建材、医药、食品等国家支柱产业领域得到广泛应用。随着我国市场经济的飞速发展及生产过程信息化、智能化水平的不断提升，以统计分析方法为主的传统数据驱动过程模型因其两步式(检测——隔离)的监测机制，已无法满足企业在新时代下对生产过程信息更新实时性需求，借助机器视觉及神经网络技术，用可视化数据代替传统数据流动形式的过程模型能实现对故障检测与隔离的协同。但是，复杂生产过程的易测数据一般维数较高，且存在一定的相关性，而现有基于可视化数据流的过程建模方法具有以下缺点：
(1)易测过程数据的可视化机制存在局限性。现有易测过程变量可视化机制基本建立在直接利用单变量波形图基础之上，对于多维变量，特别是标准化数据下的多维过程变量波形图，无法建立相应的检测模型。具体表现为对于重叠区间，非顶层波形会被顶层波形图像覆盖，导致过程信息丢失。除此之外，对无波形区域的保留，也浪费了图像的存储空间，间接提高了检测成本。
(2)故障检测与隔离的协同高度依赖训练数据形式。尽管利用图像数据的建模方法改进了传统数据驱动模型先检测后隔离的分析方法，能实现二者的协同分析，但训练样本需人工标注故障范围与故障来源，对操作人员相关工艺背景知识、标注范围的准确性要求较高。同时，面对大量样本的标注工作需要额外付出更多的人工成本。
发明内容
本发明为解决上述技术问题，提供了一种流程工业的故障检测与隔离方法，通过对变量数据进行图像化处理，将窗口样本图像作为输入进行特征提取，结合对应故障信息标记，实现故障检测与隔离的协同，从而能够提高图像样本故障标注效率，以及降低人工标注成本，并能够提高监测过程实时性和有效性，此外，还能够保留完整数据信息，从而能够实现窗口范围内的特征提取，避免出现现有数据可视化机制下过程信息的丢失及浪费存储空间的问题。
本发明采用的技术方案如下：
一种流程工业的故障检测与隔离方法，包括以下步骤：获取待测流程工业的变量数据；预处理所述变量数据得到训练数据，其中，所述训练数据无异常值且无缺失值；构建所述训练数据的窗口样本集；根据所述窗口样本集得到窗口样本图像和窗口样本标签；特征处理所述窗口样本图像；根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离。
根据本发明的一个实施例，所述预处理所述变量数据得到训练数据，具体包括以下步骤：采用分段3σ原则预处理所述变量数据得到所述训练数据。
根据本发明的一个实施例，所述构建所述训练数据的窗口样本集，具体包括以下步骤：获取所述训练数据中的对应无故障过程的数据；构建所述无故障过程数据的主成分分析模型；根据所述主成分分析模型构建T2监控指标控制限；根据所述T2监控指标控制限构建所述训练数据在滚动窗口机制下的窗口样本集。
根据本发明的一个实施例，所述根据所述窗口样本集得到窗口样本图像和窗口样本标签，具体包括以下步骤：根据所述主成分分析模型和所述T2监控指标控制限判断所述窗口样本集中是否存在对应故障过程数据的窗口样本；若是，则分析所述对应故障过程数据的窗口样本的故障贡献度，并根据所述故障贡献度构建故障隔离模型；根据所述故障隔离模型获取每个所述窗口样本的故障贡献率；判断每个所述窗口样本的故障贡献率是否超过故障贡献率阈值；若是，则记录对应窗口样本的故障区间范围；根据所述故障区间范围构建所述窗口样本集的窗口样本标签；构建图像转化模型；根据所述图像转化模型将每个所述窗口样本内的数据点转化为对应像素参数数值，以得到所述窗口样本集得到窗口样本图像。
根据本发明的一个实施例，所述根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离，具体包括以下步骤：采用全连接神经网络建立特征处理后的所述窗口样本图像与所述窗口样本标签之间的映射关系；根据所述映射关系得到所述待测流程工业的故障检测与隔离结果。
一种流程工业的故障检测与隔离装置，包括：获取模块，所述获取模块用于获取待测流程工业的变量数据；预处理模块，所述预处理模块用于预处理所述变量数据得到训练数据，其中，所述训练数据无异常值且无缺失值；数据构建模块，所述数据构建模块用于构建所述训练数据的窗口样本集；数据转换标记模块，所述数据转换标记模块用于根据所述窗口样本集得到窗口样本图像和窗口样本标签；特征提取模块，所述特征提取模块用于特征处理所述窗口样本图像；故障检测隔离模块，所述故障检测隔离模块用于根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离。
根据本发明的一个实施例，所述预处理模块具体用于采用分段3σ原则预处理所述变量数据得到所述训练数据。
根据本发明的一个实施例，所述数据构建模块具体用于获取所述训练数据中的对应无故障过程的数据，构建所述无故障过程数据的主成分分析模型，根据所述主成分分析模型构建T2监控指标控制限，根据所述T2监控指标控制限构建所述训练数据在滚动窗口机制下的窗口样本集。
根据本发明的一个实施例，所述数据转换标记模块具体用于：根据所述主成分分析模型和所述T2监控指标控制限判断所述窗口样本集中是否存在对应故障过程数据的窗口样本；若是，则分析所述对应故障过程数据的窗口样本的故障贡献度，并根据所述故障贡献度构建故障隔离模型；根据所述故障隔离模型获取每个所述窗口样本的故障贡献率；判断每个所述窗口样本的故障贡献率是否超过故障贡献率阈值；若是，则记录对应窗口样本的故障区间范围；根据所述故障区间范围构建所述窗口样本集的窗口样本标签；构建图像转化模型；根据所述图像转化模型将每个所述窗口样本内的数据点转化为对应像素参数数值，以得到所述窗口样本集得到窗口样本图像。
根据本发明的一个实施例，所述故障检测隔离模块具体用于采用全连接神经网络建立特征处理后的所述窗口样本图像与所述窗口样本标签之间的映射关系，根据所述映射关系得到所述待测流程工业的故障检测与隔离结果。
本发明的有益效果如下：
1)、本发明通过将待测流程工业的变量数据转换为图像数据，能够以图像框的形式输出待测流程工业的故障检测与隔离结果，从而能够实现故障检测与隔离的协同；
2)、本发明通过将待测流程工业的变量数据转换为图像像素值，能够保留完整数据信息，从而能够实现窗口范围内的特征提取，避免出现现有数据可视化机制下过程信息的丢失及浪费存储空间的问题；
3)、本发明通过主成分分析法构建窗口样本标签，从而能够保证标注精确度，并能够降低标记工作的人工成本，此外，采用主成分分析法，当生产过程出现新工况或工况点发生缓慢漂移，仅需利用协方差等效原理在原有固定参数维度基础上加入新数据即可达到更新效果，便于模型后续的维护与更新。
附图说明
图1为本发明实施例的流程工业的故障检测与隔离方法的流程图；
图2为本发明一个具体实施例的流程工业的故障检测与隔离过程示意图；
图3为本发明实施例的流程工业的故障检测与隔离装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的流程工业的故障检测与隔离方法的流程图。
如图1所示，本发明实施例的流程工业的故障检测与隔离方法，包括以下步骤：
S1，获取待测流程工业的变量数据。
具体地，可通过待测流程工业的集散控制系统获取其变量数据，即待测流程工业过程数据。其中，需要说明的是，变量数据，即待测流程工业过程数据可为在线数据。
S2，预处理变量数据得到训练数据，其中，训练数据无异常值且无缺失值。
具体地，可采用分段3σ原则预处理变量数据得到训练数据。当然，预处理的方式并不唯一，例如在本发明的其他实施例中，还可通过人工筛选的方式预处理变量数据得到训练数据。
S3，构建训练数据的窗口样本集。
具体地，可先获取训练数据中的对应无故障过程的数据，然后可构建无故障过程数据的主成分分析模型，并可根据主成分分析模型构建T2监控指标控制限，进而可根据T2监控指标控制限构建训练数据在滚动窗口机制下的窗口样本集。
更具体地，可通过专家系统从训练数据中挑选出对应无故障过程的数据集XNF(其中，专家系统是指将专家经验融合至信息系统中，由计算机代替人工完成无故障数据集挑选的工作)，然后可对数据集XNF构建主成分分析模型：
XNF＝TPT+E
其中，T、P、E分别表示数据集XNF在主成分分析中的得分矩阵、载荷矩阵和残差矩阵。
进一步地，可根据主成分分析模块可构建T2监控指标控制限：
其中，q表示得分矩阵的秩，α表示置信度。
进一步地，在获取T2监控指标控制限后，可构建训练数据在滚动窗口机制下的窗口样本集：
XMW＝{X1，X2，X3，…，XN}
其中，N表示窗口样本集内数据的数量。
S4，根据窗口样本集得到窗口样本图像和窗口样本标签。
具体地，可根据主成分分析模型和T2监控指标控制限判断窗口样本集中是否存在对应故障过程数据的窗口样本，若是，则分析对应故障过程数据的窗口样本的故障贡献度，并根据故障贡献度构建故障隔离模型，然后可根据故障隔离模型获取每个窗口样本的故障贡献率，并判断每个窗口样本的故障贡献率是否超过故障贡献率阈值，若是，则记录对应窗口样本的故障区间范围，进而可根据故障区间范围构建窗口样本集的窗口样本标签，并构建图像转化模型，然后可根据图像转化模型将每个窗口样本内的数据点转化为对应像素参数数值，以得到窗口样本集得到窗口样本图像。
更具体地，根据窗口样本集得到窗口样本标签的过程，可包括以下步骤：
首先，可通过主成分分析模型和T2监控指标控制限对窗口样本集中的每个窗口样本进行故障分析判别：
其中，n表示滚动窗口长度，l＝1,2,...,N。
进一步地，对存在超过T2监控指标控制限的窗口样本集中的窗口样本数据xj(j＝1,2,3,…)，可基于贡献度分析构建故障隔离模型：
其中，m表示窗口样本维度，
表示第i个元素为1、其余元素均为0的m维行向量。
进一步地，根据故障隔离模型获取每个窗口样本的故障贡献率，并对故障贡献率超过故障贡献阈值λ的对应窗口样本记录故障区间范围，并构建窗口样本集的窗口样本标签：
yk＝[(yk,1,yk,a1,yk,b1)(yk,2,yk,a2,yk,b2)…(yk,m,yk,am,yk,bm)](k＝1…N)
其中，yk表示第k个窗口样本标签，yk,1、yk,2…yk,m为窗口样本1、窗口样本2…窗口样本m的指代变量，(yk,a1,yk,b1)、(yk,a2,yk,b2)…(yk,am，yk,bm)为对应变量故障区间，对于无故障窗口，窗口样本标签为(0,0,0)，从而获得N个窗口样本标签。
更具体地，根据窗口样本集得到窗口样本图像的过程，可包括以下步骤：
首先，可针对每个窗口样本集内的数据点xu,v(u＝1…n,v＝1…m)，通过数值区间匹配构建图像转化模型，即三原色(RGB)图像转化模型：
其中，(a*b*)为变量v变化范围中的某区间段，
为xu,v转化成图像时所对应像素(u,v)中的红、绿、蓝参数数值。
进一步地，可根据图像转化模型，即三原色(RGB)图像转化模型，对第v行窗口图像两端各插入一行白色像素获得N个n×(1+2)m×3维的窗口样本图像。
S5，特征处理窗口样本图像。
具体地，可采用卷积神经网络对获得的N个n×(1+2)m×3维的窗口样本图像进行图像特征提取，例如可经过LC层“卷积——池化”运算，获得N个窗口样本图像的特征向量。
S6，根据特征处理后的窗口样本图像与窗口样本标签对待测流程工业进行故障检测与隔离。
具体地，可采用全连接神经网络建立特征处理后的窗口样本图像与窗口样本标签之间的映射关系，并可根据映射关系得到待测流程工业的故障检测与隔离结果。
举例而言，可将获得的N个窗口样本图像的特征向量作为全连接神经网络的输入，经过LF层全连接运算，构建N个窗口样本图像的特征向量与对应N个窗口样本标签的映射关系，从而能够以图像框的形式输出待测流程工业的故障检测与隔离结果。
下面将结合图2，进一步阐述本发明实施例的流程工业的故障检测与隔离方法的实际应用过程。
如图2所示，可获取待测流程工业的变量数据，然后可根据变量数据得到窗口样本集，并可对窗口样本集进行主成分分析、控制限、故障贡献度分析以得到窗口样本标签，此外还可对窗口样本集进行图像转化得到窗口样本图像。
进一步地，如图2所示，将窗口样本图像输入卷积神经网络进行特征提取可得到窗口样本图像的特征向量，并可采用全连接神经网络建立窗口样本图像的特征向量与窗口样本标签之间的映射关系，从而实现待测流程工业的故障检测与隔离协同。
本发明的有益效果如下：
1)、本发明通过将待测流程工业的变量数据转换为图像数据，能够以图像框的形式输出待测流程工业的故障检测与隔离结果，从而能够实现故障检测与隔离的协同；
2)、本发明通过将待测流程工业的变量数据转换为图像像素值，能够保留完整数据信息，从而能够实现窗口范围内的特征提取，避免出现现有数据可视化机制下过程信息的丢失及浪费存储空间的问题；
3)、本发明通过主成分分析法构建窗口样本标签，从而能够保证标注精确度，并能够降低标记工作的人工成本，此外，采用主成分分析法，当生产过程出现新工况或工况点发生缓慢漂移，仅需利用协方差等效原理在原有固定参数维度基础上加入新数据即可达到更新效果，便于模型后续的维护与更新。
对应上述实施例提出的流程工业的故障检测与隔离方法，本发明还提出了一种流程工业的故障检测与隔离装置。
如图3所示，本发明实施例的流程工业的故障检测与隔离装置，包括获取模块10、预处理模块20、数据构建模块30、数据转换标记模块40、特征提取模块50和故障检测隔离模块60。其中，获取模块10用于获取待测流程工业的变量数据；预处理模块20用于预处理变量数据得到训练数据，其中，训练数据无异常值且无缺失值；数据构建模块30用于构建训练数据的窗口样本集；数据转换标记模块40用于根据窗口样本集得到窗口样本图像和窗口样本标签；特征提取模块50用于特征处理窗口样本图像；故障检测隔离模块60用于根据特征处理后的窗口样本图像与窗口样本标签对待测流程工业进行故障检测与隔离。
在本发明的一个实施例中，获取模块10可通过待测流程工业的集散控制系统获取其变量数据，即待测流程工业过程数据。其中，需要说明的是，变量数据，即待测流程工业过程数据可为在线数据。
在本发明的一个实施例中，预处理模块20可采用分段3σ原则预处理变量数据得到训练数据。当然，预处理的方式并不唯一，例如在本发明的其他实施例中，还可通过人工筛选的方式预处理变量数据得到训练数据。
在本发明的一个实施例中，数据构建模块30可先获取训练数据中的对应无故障过程的数据，然后可构建无故障过程数据的主成分分析模型，并可根据主成分分析模型构建T2监控指标控制限，进而可根据T2监控指标控制限构建训练数据在滚动窗口机制下的窗口样本集。
更具体地，可通过专家系统从训练数据中挑选出对应无故障过程的数据集XNF(其中，专家系统是指将专家经验融合至信息系统中，由计算机代替人工完成无故障数据集挑选的工作)，然后可对数据集XNF构建主成分分析模型：
XNF＝TPT+E
其中，T、P、E分别表示数据集XNF在主成分分析中的得分矩阵、载荷矩阵和残差矩阵。
进一步地，可根据主成分分析模块可构建T2监控指标控制限：
其中，q表示得分矩阵的秩，α表示置信度。
进一步地，在获取T2监控指标控制限后，可构建训练数据在滚动窗口机制下的窗口样本集：
XMW＝{X1，X2，X3，…，XN}
其中，N表示窗口样本集内数据的数量。
在本发明的一个实施例中，数据转换标记模块40可根据主成分分析模型和T2监控指标控制限判断窗口样本集中是否存在对应故障过程数据的窗口样本，若是，则分析对应故障过程数据的窗口样本的故障贡献度，并根据故障贡献度构建故障隔离模型，然后可根据故障隔离模型获取每个窗口样本的故障贡献率，并判断每个窗口样本的故障贡献率是否超过故障贡献率阈值，若是，则记录对应窗口样本的故障区间范围，进而可根据故障区间范围构建窗口样本集的窗口样本标签，并构建图像转化模型，然后可根据图像转化模型将每个窗口样本内的数据点转化为对应像素参数数值，以得到窗口样本集得到窗口样本图像。
更具体地，根据窗口样本集得到窗口样本标签的过程，可包括以下步骤：
首先，可通过主成分分析模型和T2监控指标控制限对窗口样本集中的每个窗口样本进行故障分析判别：
其中，n表示滚动窗口长度，l＝1,2,...,N。
进一步地，对存在超过T2监控指标控制限的窗口样本集中的窗口样本数据xj(j＝1,2,3,…)，可基于贡献度分析构建故障隔离模型：
其中，m表示窗口样本维度，
表示第i个元素为1、其余元素均为0的m维行向量。
进一步地，根据故障隔离模型获取每个窗口样本的故障贡献率，并对故障贡献率超过故障贡献阈值λ的对应窗口样本记录故障区间范围，并构建窗口样本集的窗口样本标签：
yk＝[(yk,1,yk,a1,yk,b1)(yk,2,yk,a2,yk,b2)…(yk,m,yk,am,yk,bm)](k＝1…N)
其中，yk表示第k个窗口样本标签，yk,1、yk,2…yk,m为窗口样本1、窗口样本2…窗口样本m的指代变量，(yk,a1,yk,b1)、(yk,a2,yk,b2)…(yk,am，yk,bm)为对应变量故障区间，对于无故障窗口，窗口样本标签为(0,0,0)，从而获得N个窗口样本标签。
更具体地，根据窗口样本集得到窗口样本图像的过程，可包括以下步骤：
首先，可针对每个窗口样本集内的数据点xu,v(u＝1…n,v＝1…m)，通过数值区间匹配构建图像转化模型，即三原色(RGB)图像转化模型：
其中，(a*b*)为变量v变化范围中的某区间段，
为xu,v转化成图像时所对应像素(u,v)中的红、绿、蓝参数数值。
进一步地，可根据图像转化模型，即三原色(RGB)图像转化模型，对第v行窗口图像两端各插入一行白色像素获得N个n×(1+2)m×3维的窗口样本图像。
在本发明的一个实施例中，特征提取模块50可采用卷积神经网络对获得的N个n×(1+2)m×3维的窗口样本图像进行图像特征提取，例如可经过LC层“卷积——池化”运算，获得N个窗口样本图像的特征向量。
在本发明的一个实施例中，故障检测隔离模块60可采用全连接神经网络建立特征处理后的窗口样本图像与窗口样本标签之间的映射关系，并可根据映射关系得到待测流程工业的故障检测与隔离结果。
举例而言，可将获得的N个窗口样本图像的特征向量作为全连接神经网络的输入，经过LF层全连接运算，构建N个窗口样本图像的特征向量与对应N个窗口样本标签的映射关系，从而能够以图像框的形式输出待测流程工业的故障检测与隔离结果。
下面将结合图2，进一步阐述本发明实施例的流程工业的故障检测与隔离装置的实际应用过程。
如图2所示，可获取待测流程工业的变量数据，然后可根据变量数据得到窗口样本集，并可对窗口样本集进行主成分分析、控制限、故障贡献度分析以得到窗口样本标签，此外还可对窗口样本集进行图像转化得到窗口样本图像。
进一步地，如图2所示，将窗口样本图像输入卷积神经网络进行特征提取可得到窗口样本图像的特征向量，并可采用全连接神经网络建立窗口样本图像的特征向量与窗口样本标签之间的映射关系，从而实现待测流程工业的故障检测与隔离协同。
本发明的有益效果如下：
1)、本发明通过将待测流程工业的变量数据转换为图像数据，能够以图像框的形式输出待测流程工业的故障检测与隔离结果，从而能够实现故障检测与隔离的协同；
2)、本发明通过将待测流程工业的变量数据转换为图像像素值，能够保留完整数据信息，从而能够实现窗口范围内的特征提取，避免出现现有数据可视化机制下过程信息的丢失及浪费存储空间的问题；
3)、本发明通过主成分分析法构建窗口样本标签，从而能够保证标注精确度，并能够降低标记工作的人工成本，此外，采用主成分分析法，当生产过程出现新工况或工况点发生缓慢漂移，仅需利用协方差等效原理在原有固定参数维度基础上加入新数据即可达到更新效果，便于模型后续的维护与更新。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
Claims (10)
1.一种流程工业的故障检测与隔离方法，其特征在于，包括以下步骤：
获取待测流程工业的变量数据；
预处理所述变量数据得到训练数据，其中，所述训练数据无异常值且无缺失值；
构建所述训练数据的窗口样本集；
根据所述窗口样本集得到窗口样本图像和窗口样本标签；
特征处理所述窗口样本图像；
根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离。
2.根据权利要求1所述的流程工业的故障检测与隔离方法，其特征在于，所述预处理所述变量数据得到训练数据，具体包括以下步骤：
采用分段3σ原则预处理所述变量数据得到所述训练数据。
3.根据权利要求1所述的流程工业的故障检测与隔离方法，其特征在于，所述构建所述训练数据的窗口样本集，具体包括以下步骤：
获取所述训练数据中的对应无故障过程的数据；
构建所述无故障过程数据的主成分分析模型；
根据所述主成分分析模型构建T2监控指标控制限；
根据所述T2监控指标控制限构建所述训练数据在滚动窗口机制下的窗口样本集。
4.根据权利要求3所述的流程工业的故障检测与隔离方法，其特征在于，所述根据所述窗口样本集得到窗口样本图像和窗口样本标签，具体包括以下步骤：
根据所述主成分分析模型和所述T2监控指标控制限判断所述窗口样本集中是否存在对应故障过程数据的窗口样本；
若是，则分析所述对应故障过程数据的窗口样本的故障贡献度，并根据所述故障贡献度构建故障隔离模型；
根据所述故障隔离模型获取每个所述窗口样本的故障贡献率；
判断每个所述窗口样本的故障贡献率是否超过故障贡献率阈值；
若是，则记录对应窗口样本的故障区间范围；
根据所述故障区间范围构建所述窗口样本集的窗口样本标签；
构建图像转化模型；
根据所述图像转化模型将每个所述窗口样本内的数据点转化为对应像素参数数值，以得到所述窗口样本集得到窗口样本图像。
5.根据权利要求4所述的流程工业的故障检测与隔离方法，其特征在于，所述根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离，具体包括以下步骤：
采用全连接神经网络建立特征处理后的所述窗口样本图像与所述窗口样本标签之间的映射关系；
根据所述映射关系得到所述待测流程工业的故障检测与隔离结果。
6.一种流程工业的故障检测与隔离装置，其特征在于，包括：
获取模块，所述获取模块用于获取待测流程工业的变量数据；
预处理模块，所述预处理模块用于预处理所述变量数据得到训练数据，其中，所述训练数据无异常值且无缺失值；
数据构建模块，所述数据构建模块用于构建所述训练数据的窗口样本集；
数据转换标记模块，所述数据转换标记模块用于根据所述窗口样本集得到窗口样本图像和窗口样本标签；
特征提取模块，所述特征提取模块用于特征处理所述窗口样本图像；
故障检测隔离模块，所述故障检测隔离模块用于根据特征处理后的所述窗口样本图像与所述窗口样本标签对所述待测流程工业进行故障检测与隔离。
7.根据权利要求6所述的流程工业的故障检测与隔离装置，其特征在于，所述预处理模块具体用于采用分段3σ原则预处理所述变量数据得到所述训练数据。
8.根据权利要求6所述的流程工业的故障检测与隔离装置，其特征在于，所述数据构建模块具体用于获取所述训练数据中的对应无故障过程的数据，构建所述无故障过程数据的主成分分析模型，根据所述主成分分析模型构建T2监控指标控制限，根据所述T2监控指标控制限构建所述训练数据在滚动窗口机制下的窗口样本集。
9.根据权利要求8所述的流程工业的故障检测与隔离装置，其特征在于，所述数据转换标记模块具体用于：
根据所述主成分分析模型和所述T2监控指标控制限判断所述窗口样本集中是否存在对应故障过程数据的窗口样本；
若是，则分析所述对应故障过程数据的窗口样本的故障贡献度，并根据所述故障贡献度构建故障隔离模型；
根据所述故障隔离模型获取每个所述窗口样本的故障贡献率；
判断每个所述窗口样本的故障贡献率是否超过故障贡献率阈值；
若是，则记录对应窗口样本的故障区间范围；
根据所述故障区间范围构建所述窗口样本集的窗口样本标签；
构建图像转化模型；
根据所述图像转化模型将每个所述窗口样本内的数据点转化为对应像素参数数值，以得到所述窗口样本集得到窗口样本图像。
10.根据权利要求9所述的流程工业的故障检测与隔离装置，其特征在于，所述故障检测隔离模块具体用于采用全连接神经网络建立特征处理后的所述窗口样本图像与所述窗口样本标签之间的映射关系，根据所述映射关系得到所述待测流程工业的故障检测与隔离结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210439362.5A CN114967640A (zh) | 2022-04-25 | 2022-04-25 | 流程工业的故障检测与隔离方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210439362.5A CN114967640A (zh) | 2022-04-25 | 2022-04-25 | 流程工业的故障检测与隔离方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114967640A true CN114967640A (zh) | 2022-08-30 |
Family
ID=82979688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210439362.5A Pending CN114967640A (zh) | 2022-04-25 | 2022-04-25 | 流程工业的故障检测与隔离方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967640A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204496A (zh) * | 2015-09-25 | 2015-12-30 | 清华大学 | 动车组空气制动控制系统传感器故障诊断的方法与系统 |
| US20170192411A1 (en) * | 2016-01-06 | 2017-07-06 | Kla-Tencor Corporation | Feature selection and automated process window monitoring through outlier detection |
| CN107165615A (zh) * | 2017-05-10 | 2017-09-15 | 东北大学 | 基于曲波变换和核稀疏的抽油井半监督故障诊断方法 |
| CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
| JP2019159729A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 故障予測システム |
| KR102383139B1 (ko) * | 2021-09-29 | 2022-04-08 | 가온플랫폼 주식회사 | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 |
-
2022
- 2022-04-25 CN CN202210439362.5A patent/CN114967640A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105204496A (zh) * | 2015-09-25 | 2015-12-30 | 清华大学 | 动车组空气制动控制系统传感器故障诊断的方法与系统 |
| US20170192411A1 (en) * | 2016-01-06 | 2017-07-06 | Kla-Tencor Corporation | Feature selection and automated process window monitoring through outlier detection |
| CN107165615A (zh) * | 2017-05-10 | 2017-09-15 | 东北大学 | 基于曲波变换和核稀疏的抽油井半监督故障诊断方法 |
| JP2019159729A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 故障予測システム |
| CN110110768A (zh) * | 2019-04-24 | 2019-08-09 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
| KR102383139B1 (ko) * | 2021-09-29 | 2022-04-08 | 가온플랫폼 주식회사 | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 凌弈秋: "基于泡沫纹理分布的硫浮选过程故障工况检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 05, 15 May 2014 (2014-05-15), pages 021 - 097 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN112950606B (zh) | 一种基于小样本的手机屏幕缺陷分割方法 | |
| CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
| CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
| CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
| CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
| CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
| CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
| CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN107610119A (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
| CN114529839A (zh) | 一种面向无人机巡检的输电线金具异常检测方法及系统 | |
| CN113255654A (zh) | 特征数据的图像化处理方法及其应用 | |
| CN111144749A (zh) | 电网图像智能标注众包平台及工作方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN111832569B (zh) | 基于高光谱分类与分割的壁画颜料层脱落病害标注方法 | |
| CN111369555A (zh) | 一种基于深度学习的视频质量诊断方法 | |
| WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN117723739B (zh) | 一种低碳润滑油的质量分析方法及系统 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN113191320A (zh) | 一种基于深度学习的食品安全指标监测方法 | |
| CN106250937B (zh) | 一种基于非相似度指标的故障分类诊断方法 | |
| CN117331802A (zh) | 一种基于工业互联网的中台数据监测分析系统 | |
| CN114967640A (zh) | 流程工业的故障检测与隔离方法和装置 |
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 |