CN116226648A - 基于因果推断的工业数据特征降维方法 - Google Patents
基于因果推断的工业数据特征降维方法 Download PDFInfo
- Publication number
- CN116226648A CN116226648A CN202310178391.5A CN202310178391A CN116226648A CN 116226648 A CN116226648 A CN 116226648A CN 202310178391 A CN202310178391 A CN 202310178391A CN 116226648 A CN116226648 A CN 116226648A
- Authority
- CN
- China
- Prior art keywords
- causal
- data
- matrix
- dimension reduction
- industrial
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000009467 reduction Effects 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于因果推断的工业数据特征降维方法，包括步骤：S1：获取工业系统监测数据集；S2：进行数据预处理操作；S3：使用PCMCI+因果关系推断方法，获得监测变量间的因果关系；S4：将因果关系转化为因果关系矩阵；S5：利用主成分分析对因果关系矩阵进行降维，提取因果关系矩阵中的关键信息；S6：将工业系统监测数据集与特征向量矩阵相乘，构建数据集X2；S7：利用自编码器将经过数据降维后的数据集X2进行故障检测。本发明的一种基于因果推断的工业数据特征降维方法，以便挖掘工业监测变量间的本质关系，提取出能够反映系统实际运行状态的信息，滤除无用的噪声，进而提高工业系统故障诊断的准确率并减小计算成本。
Description
技术领域
本发明涉及特征降维方法技术领域，尤其涉及一种基于因果推断的工业数据特征降维方法。
背景技术
故障检测是指利用设备模型或设备监测数据，对工业设备的健康状态进行评估，判断设备是否发生故障，以便进行及时的维护措施，避免因设备故障导致生产安全事故。故障检测技术对于降低生产成本以及保障生产过程安全具有重要意义。故障检测方法主要包括基于模型的方法和数据驱动的方法。随着现代工业生产流程的复杂化，构建精确的工业系统模型变得愈加困难。而随着智能传感器、工业物联网和数据存储技术的发展，制造企业可以从工业设备中获取大量的监测数据并将数据用于设备故障检测。同时，计算机运算速度的提升与机器学习算法的发展又简化了检测数据应用于故障检测的流程。因此，数据驱动的工业设备故障诊断成为了热门的研究课题。
然而，大量的监测数据也会带来计算量大、数据冗余、噪声污染等问题。随着工业监测数据维数的增大，故障监测计算负担呈指数级增长。原始数据中的噪声也会影响故障检测的准确率。因此，在故障检测前需要对原始工业监测数据进行数据降维处理，从原始数据中提取设备运行的关键信息。特征降维是指通过某种数据处理规则，将高维向量空间的数据映射到低维向量空间。特征降维包括特征选择与特征提取。特征选择是指从数据中选择出可以保留原数据大部分信息的特征子集。特征提取则是将原始数据中的有用信息合并成一些新的特征。传统的特征降维方法包括相关性排序、主成分分析、独立成分分析、线性判别分析、等距映射等，均为基于相关性的方法。近年来的研究和实践表明，基于相关性的特征降维方法存在可解释性差、性能不稳定以及对高耦合系统降维效果不好等问题。
目前，研究人员已经提出大量基于因果推断的特征选择方法，也称为马尔科夫边界发现算法。然而，特征选择忽略了特征子集以外特征所包含的信息，可能会导致信息的损失，进而影响工业系统故障检测的准确率。
发明内容
针对上述现有技术中的不足，本发明提供一种基于因果推断的工业数据特征降维方法，以便挖掘工业监测变量间的本质关系，提取出能够反映系统实际运行状态的信息，滤除无用的噪声，进而提高工业系统故障诊断的准确率并减小计算成本。
为了实现上述目的，本发明提供一种基于因果推断的工业数据特征降维方法，包括步骤：
S1：获取工业系统监测数据集X；
S2：对获取的所述工业系统监测数据集X进行数据预处理操作；
S3：使用PCMCI+因果关系推断方法，获得监测变量间的因果关系；
S4：将所述因果关系转化为因果关系矩阵；
S5：利用主成分分析对所述因果关系矩阵进行降维，提取所述因果关系矩阵中的关键信息，构成一特征向量矩阵V2；
S6：将所述工业系统监测数据集X与所述特征向量矩阵V2相乘，构建包含k个变量的数据集X2，X2＝XV2；
S7：利用自编码器将经过数据降维后的所述数据集X2进行故障检测。
优选地，所述S1步骤中，所述工业系统监测数据集X的表达式为：
其中，m表示数据中变量的数量，n表示每个变量的数据点数量，数据点xij表示第i个变量在第j时刻的监测值；其中i＝1,2,...,n，j＝1,2,...,m；数据集分为工业系统正常运行状态下收集的数据和发生故障时收集的数据。
优选地，所述S2步骤进一步包括步骤：
S21：对所述工业系统监测数据集X进行缺失值补全操作，防止数据集中的缺失值影响因果推断与故障检测操作结果的准确性；
S22：对所述工业系统监测数据集X进行线性归一化处理，防止检验结果被数量级较大的变量所支配，同时缓解因监测数据数量级差异过大导致的模型收敛速度放缓。
优选地，所述S3步骤中：
因果关系的表达式为(x(t-τ)i,xtj)；其中原因为x(t-τ)i，结果为xtj，因果关系的方向由x(t-τ)i指向xtj；因果关系具体包括因果关系的对象变量、方向、因果关系强度S(x(t-τ)i,xtj)以及因果关系的时间延迟τ；因果关系强度的取值范围为-1到1；因果关系的时间延迟为一个非负整数；t表示时间。
优选地，所述S4步骤中：
所述因果关系矩阵为m行m列的矩阵；对于所述因果关系矩阵的第i行和第j列中的元素，如果因果网络中的第i个特征变量和第j个特征变量之间存在因果关系，则所述因果关系矩阵中的元素aij与aji的值为所述因果关系强度S(x(t-τ)i,xtj)；如果两个变量间存在多个不同时间延迟的因果关系，则选取其中绝对值最大的所述因果关系强度值；所述因果关系矩阵的表达式为：
其中，
优选地，所述S5步骤中：
构造所述因果关系矩阵的协方差矩阵并对所述协方差矩阵进行特征值分解；选取前k个特征值最大的特征值或保留预设比例差异性的特征值，这些特征值对应的特征向量形成特征向量矩阵V2。
优选地，所述S6步骤中，所述故障检测步骤分为离线训练阶段和在线检测阶段；
S61：在所述离线训练阶段，使用经过步骤S1～S6降维后的工业系统正常运行状态下收集的数据进行训练；训练目标为所述自编码器的输入与输出之间的误差最小；在所述离线训练阶段确定故障检测的误差阈值；
S62：在所述在线检测阶段，将经过步骤S1～S6降维后的工业系统监测数据输入所述自编码器；如果输入与输出之间的误差大于步骤S61确定的所述误差阈值，则判定所述工业系统处于故障状态；如果所述误差小于所述误差阈值，则判定所述工业系统处于正常运行状态。
本发明由于采用了以上技术方案，使其具有以下有益效果：
与现有工业数据降维技术相比，本发明具有以下创新点：
1、针对当前基于相关性的数据降维方法可解释性弱、鲁棒性低等缺点，提出了一种基于因果推断的特征提取方法。
2、使用因果关系矩阵定量地表示变量之间的因果关系强度。
3、传统故障检测方法需要同时输入正常工况与故障状态下的数据集。然而，故障状态下的数据样本不易取得。本发明只需要在训练过程中输入工业正常运行状态下的数据，降低了获取监测数据的成本与难度。
与现有工业数据降维技术相比，本发明具有以下优点：
1、本发明提出的基于因果推断的工业数据特征降维方法，能够减小原始监测数据的维度，保留与系统运行状态相关的有用信息，去除无关噪声。该特征降维方法能够提高工业系统故障诊断的准确性，减小故障诊断的计算成本。
2、本发明提出的方法基于因果关系进行数据特征降维，相对于传统的基于相关性的因果降维方法具有可解释性强和鲁棒性高等优点。相对于特征选择方法具有尽可能保留有效信息的优点。
3、本发明提出的方法不需要行业专家的介入，仅需要工业系统监测数据即可完成数据特征降维的任务。
4、本发明提出的方法并不局限于工业系统故障检测这一应用场景，还可以用于各类数据分析任务中，例如气候变化原因分析、客户需求调研、辅助决策等，有助于相关行业人员挖掘与目标任务密切相关的特征信息，从而更高效的，更准确地进行数据分析、信息挖掘等操作。
附图说明
图1为本发明实施例的基于因果推断的工业数据特征降维方法的流程图；
图2为本发明实施例的原始数据集故障检测结果曲线图；
图3为本发明实施例的经主成分分析降维后的数据集故障检测结果曲线图；
图4为本发明实施例的经基于因果推断的降维方法降维后的数据集故障检测结果曲线图。
具体实施方式
下面根据附图图1～图4，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
本发明采用田纳西-伊斯曼数据集并采用python3进行编程。田纳西-伊斯曼(Tennessee Eastman，TE)数据集是美国伊士曼化工公司根据实际工业生产过程开发的化工过程仿真数据集。生成田纳西-伊斯曼数据集的仿真平台主要由连续搅拌式反应釜、冷凝器、气液分离塔、汽提塔和离心式压缩机等多个操作单元组成。进行生产过程仿真时，三种气体原料A、D和E和少量的惰性气体B进入反应釜。原料C和一定量的原料A则通过分凝器进入仿真过程。冷凝器冷却反应釜的产品流，将其送入气液分离塔进行分离。分离后的蒸汽通过压缩机的处理和再循环被送入反应釜。为了防止反应过程中惰性成分B和反应副产品的大量累积，需要进行不断排放与循环处理。从气液分离塔输出的冷凝成分经泵送至汽提塔处理。没有反应完的剩余原料将和再循环流相结合，参与后续的生产过程。最后，从汽提塔底部输出的产品G和H被送到下游过程。田纳西-伊斯曼数据集具有时变、强耦合和非线性特征，被广泛应用于测试复杂工业过程故障诊断方法的实际应用效果。田纳西-伊斯曼数据集共有52个变量，包括41个过程变量和11个控制变量。所有变量的采样间隔为3分钟。田纳西-伊斯曼数据集由训练集和测试集构成，训练集和测试集中各有22个数据样本。田纳西-伊斯曼仿真系统共有22种运行状态，包括1种正常运行状态和21种故障状态。每种运行状态分别对应训练集和测试集中的一个数据样本。训练集中正常运行数据样本的仿真时间为25小时，每个变量的数据点数量为500。训练集中带有故障的数据样本的仿真时间为24小时，每个变量的数据点数量为480，从仿真系统开始运行时即引入故障。测试集中数据样本的仿真时间均为48小时，每个变量的数据点数量为960。在测试集中，带有故障的数据样本从第161个数据点开始引入故障，即前160个数据点(前8小时)仿真系统处于正常运行状态，后800个数据点(后40小时)仿真系统处于故障状态。
请参阅图1～图4，本发明实施例的一种基于因果推断的工业数据特征降维方法，包括以下步骤：
步骤S1、采集田纳西-伊斯曼仿真过程的正常工况运行数据，即仿真过程正常运行时控制变量和过程变量的数据；
步骤S2、对于采集到的轴承数据进行数据预处理。由于田纳西-伊斯曼过程数据集不存在缺失值，故只进行归一化处理。数据的归一化处理是因果推断与故障检测的关键步骤之一，可以避免数量级的不同造成的量级较大的变量占主导地位并缓解数量级的不同导致的迭代收敛速度变慢。本发明采用线性归一化处理方法，其函数表达式为：
其中，数据点xij所在列的最大值记为max{xj}，数据点xij所在列的最小值记为min{xj}。
步骤S3、使用PCMCI+因果关系推断方法，获得正常运行状态下监测变量间的因果关系。PCMCI+的因果关系检验流程分为滞后因果关系检验阶段和瞬时因果关系检验阶段：PCMCI+是一种能够检测高维非线性数据中滞后和瞬时因果关系的因果推断算法。PCMCI+为一种两阶段方法，首先进行滞后因果关系的检测，再进行瞬时因果关系的检测以及因果关系是否为真的检验。
步骤S3.1、在滞后因果关系检验阶段，检测数据点xtj的滞后原因x(t-τ)i，其中τ为正整数。为了简化计算，常设置一个最大的时间延迟τmax并令τ不大于τmax。本发明取τmax＝60。
步骤S3.1.1、假设所有滞后于xtj的数据点是xtj的直接原因，即集合
中所有的初始点均为xtj的候选直接原因：
步骤S3.1.2、利用条件独立性测试
检验因果关系(x(t-τ)i,xtj)。
是一个数据点集合，其初始值为空集。如果xtj和x(t-τ)i条件独立，则滞后因果关系(x(t-τ)i,xtj)不成立，算法终止。如果xtj和x(t-τ)i条件相关，转到步骤S3.1.3；
步骤S3.1.3、向集合
中添加一个数据点，转到步骤S3.1.2继续迭代，直到没有数据点可以加入或/>
中的数据点数量大于某个预设阈值p。若xtj和x(t-τ)i仍然条件相关，则滞后因果关系(x(t-τ)i,xtj)成立，算法终止。
步骤S3.2、在瞬时因果关系检验阶段，检测数据点xtj的瞬时原因xti，并检验步骤3.1输出的滞后因果关系是否正确。具体方法为进行条件独立性测试CI(x(t-τ)i,xtj,Z)。其中，Z是集合
和/>
的并集。其中，集合/>
是集合{xti|i≠j}的所有元素个数为p的子集。输出的因果关系图如图2所示。
步骤S4、将因果关系转化为因果关系矩阵。因果关系矩阵为52行52列的矩阵。对于因果关系矩阵的第i行和第j列中的元素，如果因果网络中的第i个特征变量和第j个特征变量之间存在因果关系，则矩阵中的元素aij与aji的值为因果关系强度S(x(t-τ)i,xtj)。如果两个变量间存在多个不同时间延迟的因果关系，则选取其中绝对值最大的强度值。因果关系矩阵的表达式为：
其中，
步骤S5、利用主成分分析对因果关系矩阵进行降维，提取因果关系矩阵中的关键信息。构造因果关系矩阵的协方差矩阵并对协方差矩阵进行特征值分解。本发明选择保留原始因果关系矩阵99％差异性的特征值，重新合成了43个特征值，这些特征值对应的特征向量为V2为一个52行、43列的矩阵。
步骤S6、将监测数据集X与特征向量矩阵V2相乘，构建一个包含43个变量的数据集X2＝XV2。这里所提到的监测数据集包括正常工况下的训练集以及待检测数据集(测试集)。
步骤S7、利用自编码器将经过数据降维后的数据集X2进行故障检测。故障检测分为离线训练阶段和在线检测阶段：
步骤S7.0、在离线训练阶段，使用数据集X2进行训练。训练目标为自编码器的输入与输出之间的误差最小。在离线训练阶段确定故障检测的误差阈值。本发明采用平方预测误差(SPE)进行误差阈值的判定。记第i个变量的平方预测误差为：
其中，xi和
分别为数据集X2中第i个变量的输入与输出值。采用核密度估计方法预测平方预测误差的概率密度：
令
ε为预设阈值。本发明遵循大部分实际应用的做法，令ε＝0.01。令
求得平方预测误差的预警上限SPEthr。
步骤S7.1、在在线检测阶段，将待检测数据集X′乘以特征向量矩阵V2：
X′ 2＝X′V2
将数据降维处理后的待检测数据集X′ 2输入自编码器。如果输入与输出之间的平方预测误差SPEnew大于等于步骤7.0确定的故障报警上限阈值SPEthr，则判定工业系统处于故障状态。如果误差小于报警阈值则判定工业系统处于正常运行状态。
本发分别基于原始数据集、经过主成分分析降维后的数据以及经过本发明提出方法进行降维后的数据进行故障检测。图2～图4为这3种方法的预测结果。图中横坐标表示数据点，纵坐标表示自编码器输入数据与输出数据的平方预测误差。前160个数据点表示仿真系统正常工况下采集的数据点，后800个数据点表示故障情况下采集的数据点。黑色虚线为报警阈值SPEthr。图2为原始数据集的故障检测结果，平方预测误差在报警阈值附近波动，无法进行故障检测。图3为经主成分分析降维后数据的故障检测结果。从图3可以看出，前160个数据点的曲线在报警阈值附近波动，说明故障的误报率很高。图4为本发明提出方法进行降维后的数据的故障检测结果。从图4可以看出，系统正常运行时与故障时的平方预测误差存在很大区别，基本可以被报警阈值所区分。表1为三种数据集故障检测结果的比较，利用因果推断方法降维后数据进行故障预测同时取得了高召回率与高精确率：
表1三种数据集故障检测结果的比较表
| 原始数据 | 主成分分析降维后数据 | 因果推断方法降维后数据 | |
| 召回率 | 0.1820 | 0.9835 | 0.9425 |
| 精确率 | 0.9625 | 0.7560 | 0.9937 |
| F1-得分 | 0.3061 | 0.8548 | 0.9674 |
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (7)
1.一种基于因果推断的工业数据特征降维方法，包括步骤：
S1：获取工业系统监测数据集X；
S2：对获取的所述工业系统监测数据集X进行数据预处理操作；
S3：使用PCMCI+因果关系推断方法，获得监测变量间的因果关系；
S4：将所述因果关系转化为因果关系矩阵；
S5：利用主成分分析对所述因果关系矩阵进行降维，提取所述因果关系矩阵中的关键信息，构成一特征向量矩阵V2；
S6：将所述工业系统监测数据集X与所述特征向量矩阵V2相乘，构建包含k个变量的数据集X2，X2＝XV2；
S7：利用自编码器将经过数据降维后的所述数据集X2进行故障检测。
2.根据权利要求1所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S1步骤中，所述工业系统监测数据集X的表达式为：
其中，m表示数据中变量的数量，n表示每个变量的数据点数量，数据点xij表示第i个变量在第j时刻的监测值；其中i＝1，2，…，n，j＝1，2，…，m；数据集分为工业系统正常运行状态下收集的数据和发生故障时收集的数据。
3.根据权利要求2所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S2步骤进一步包括步骤：
S21：对所述工业系统监测数据集X进行缺失值补全操作；
S22：对所述工业系统监测数据集X进行线性归一化处理。
4.根据权利要求3所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S3步骤中：
因果关系的表达式为(x(t-τ)i，xtj)；其中原因为x(t-τ)i，结果为xtj，因果关系的方向由x(t-τ)i指向xtj；因果关系具体包括因果关系的对象变量、方向、因果关系强度S(x(t-τ)i，xtj)以及因果关系的时间延迟τ；因果关系强度的取值范围为-1到1；因果关系的时间延迟为一个非负整数；t表示时间。
5.根据权利要求4所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S4步骤中：
所述因果关系矩阵为m行m列的矩阵；对于所述因果关系矩阵的第i行和第j列中的元素，如果因果网络中的第i个特征变量和第j个特征变量之间存在因果关系，则所述因果关系矩阵中的元素aij与aji的值为所述因果关系强度S(x(t-τ)i，xtj)；如果两个变量间存在多个不同时间延迟的因果关系，则选取其中绝对值最大的所述因果关系强度值；所述因果关系矩阵的表达式为：
其中，
6.根据权利要求5所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S5步骤中：
构造所述因果关系矩阵的协方差矩阵并对所述协方差矩阵进行特征值分解；选取前k个特征值最大的特征值或保留预设比例差异性的特征值，这些特征值对应的特征向量形成特征向量矩阵V2。
7.根据权利要求6所述的基于因果推断的工业数据特征降维方法，其特征在于，所述S6步骤中，所述故障检测步骤分为离线训练阶段和在线检测阶段；
S61：在所述离线训练阶段，使用经过步骤S1～S6降维后的工业系统正常运行状态下收集的数据进行训练；训练目标为所述自编码器的输入与输出之间的误差最小；在所述离线训练阶段确定故障检测的误差阈值；
S62：在所述在线检测阶段，将经过步骤S1～S6降维后的工业系统监测数据输入所述自编码器；如果输入与输出之间的误差大于步骤S61确定的所述误差阈值，则判定所述工业系统处于故障状态；如果所述误差小于所述误差阈值，则判定所述工业系统处于正常运行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310178391.5A CN116226648A (zh) | 2023-02-28 | 2023-02-28 | 基于因果推断的工业数据特征降维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310178391.5A CN116226648A (zh) | 2023-02-28 | 2023-02-28 | 基于因果推断的工业数据特征降维方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116226648A true CN116226648A (zh) | 2023-06-06 |
Family
ID=86578292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310178391.5A Pending CN116226648A (zh) | 2023-02-28 | 2023-02-28 | 基于因果推断的工业数据特征降维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226648A (zh) |
-
2023
- 2023-02-28 CN CN202310178391.5A patent/CN116226648A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jang et al. | Adversarial autoencoder based feature learning for fault detection in industrial processes | |
| Lau et al. | Fault diagnosis of Tennessee Eastman process with multi-scale PCA and ANFIS | |
| CN107632592B (zh) | 基于高效递推核主元分析的非线性时变过程故障监测方法 | |
| CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| 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 | |
| Zhang et al. | Fault detection and diagnosis of chemical process using enhanced KECA | |
| US20050261837A1 (en) | Kernel-based system and method for estimation-based equipment condition monitoring | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
| CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
| CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
| CN111639304B (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
| Fazai et al. | Online fault detection and isolation of an AIR quality monitoring network based on machine learning and metaheuristic methods | |
| Tao et al. | Hierarchical latent variable extraction and multisegment probability density analysis method for incipient fault detection | |
| Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
| CN113157561A (zh) | 一种数控系统软件模块的缺陷预测方法 | |
| Zhang et al. | Improved incipient fault detection using Jensen-Shannon divergence and KPCA | |
| CN116048036A (zh) | 基于动态非平稳投影结构的故障检测方法 | |
| Dong et al. | Dynamic-inner canonical correlation analysis based process monitoring | |
| Zheng et al. | Between-class difference analysis based multidimensional RBC for multivariate fault isolation of industrial processes | |
| CN116226648A (zh) | 基于因果推断的工业数据特征降维方法 | |
| CN111897310B (zh) | 基于一维多头卷积网络的工业过程故障分类方法和系统 | |
| Apsemidis et al. | Support vector machines: A review and applications in statistical process monitoring |
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 |