CN116627116A - 一种流程工业故障定位方法、系统及电子设备 - Google Patents
一种流程工业故障定位方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116627116A CN116627116A CN202310918957.3A CN202310918957A CN116627116A CN 116627116 A CN116627116 A CN 116627116A CN 202310918957 A CN202310918957 A CN 202310918957A CN 116627116 A CN116627116 A CN 116627116A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- model
- ridge regression
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 133
- 230000008569 process Effects 0.000 title claims abstract description 67
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000005259 measurement Methods 0.000 description 20
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- TYAQXZHDAGZOEO-KXQOOQHDSA-N 1-myristoyl-2-stearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC TYAQXZHDAGZOEO-KXQOOQHDSA-N 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 208000014446 corneal intraepithelial dyskeratosis-palmoplantar hyperkeratosis-laryngeal dyskeratosis syndrome Diseases 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Abstract
本发明公开一种流程工业故障定位方法、系统及电子设备，涉及工业故障定位技术领域。本发明提供的流程工业故障定位方法，采用主成分分析模型基于构建的数据组确定霍特林统计量，当霍特林统计量超过阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；采用构建好的包括：岭回归模型组、平方预测误差贡献图模型和T2贡献图模型的集成学习分类器基于故障样本生成故障定位结果，以生成故障报警信号，从而更好的完成流程工业系统中故障检测工作。
Description
技术领域
本发明涉及工业故障定位技术领域，特别是涉及一种基于集成学习的流程工业故障定位方法、系统及电子设备。
背景技术
流程工业也称为过程工业，通常指生产制造流程性产品的现代制造业，主要处理以连续和间歇物料流、能量流为主的产品。流程工业系统一旦发生故障，将会造成重大的经济损失甚至人员伤亡。因此有效的故障检测诊断（Fault Detection Diagnosis，FDD）是必不可少的。近年来，随着数据采集和存储设备快速发展，并在工业过程中广泛应用，使得海量的过程数据得以获取和保存，包括正常数据以及各种故障数据。使得基于数据驱动的故障检测方法迅速发展并且被广泛应用于现代工业的过程监控和故障检测中。
其中，多变量统计过程控制(Multivariate Statistical Process Control，MSPC)作为一种常用的基于数据驱动FDD方法被广泛的应用于流程工业现场。在MSPC研究领域中，目前常用的工具有主成分分析（Principal Component Analysis，PCA）、主成分回归（Principle Component Regression，PCR）、偏最小二乘（Partial Least Squares，PLS）、典型相关分析（Canonical Correlation Analysis，CCA）、费希尔判别分析（FisherDiscriminant Analysis，FDA）及隐马尔可夫模型（Hidden Markov Model，HMM）等。其中PCA、PCR、PLS和CCA都属于基于投影的统计降维技术，常用于故障检测，而FDA和HMM都是统计模式识别技术，可用于故障的诊断。PCA是一种应用广泛的多元统计分析方法，最早由Pearson于1901年提出，随后大量的文献对其作了深入的研究，使其理论逐步完善。在过程监控领域相比其它方法具有适应性强、更易实现等优点。使用PCA进行系统检测，观测系统内是否存在故障效果较好，但现有技术还无法使用PCA直接进行系统故障定位，以寻找故障发生的具体测量点。
发明内容
为解决现有技术存在的上述问题，本发明的目的是提供一种基于集成学习的流程工业故障定位方法、系统及电子设备。
为实现上述目的，本发明提供了如下方案：
一种流程工业故障定位方法，包括：
获取实时数据，并对所述实时数据进行预处理得到预处理数据；
建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；
采用主成分分析模型基于所述数据组确定霍特林统计量；
设定阈值，并确定所述霍特林统计量是否超过所述阈值；
当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；
采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组；
当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障。
可选地，采用阶跃函数对所述实时数据进行预处理得到预处理数据。
可选地，集成学习分类器的构建过程包括：
构建多个故障定位模型；多个所述故障定位模型为岭回归模型组、平方预测误差贡献图模型和T2贡献图模型；
采用硬投票方法基于离线数据集学习多个所述故障定位模型得到硬投票分类器组；所述硬投票分类器组用于汇总每一所述故障定位模型的分类结果，并进行分类结果个数统计，将统计个数最多的分类结果作为集成学习分类器的输出结果。
可选地，所述岭回归模型组的构建过程包括：
以一个测量点的测量值为因变量，以剩余n-1测量点的测量值为自变量构建n个测量点的岭回归模型；
获取离线数据，并对所述离线数据进行预处理；
采用预处理后的所述离线数据分别对n个测量点的岭回归模型进行训练得到训练好的岭回归模型；
采用预处理后的所述离线数据确定训练好的岭回归模型的R平方值；
保留R平方值大于预设值的训练好的岭回归模型，以形成所述岭回归模型组。
可选地，所述平方预测误差贡献图模型中采用的平方预测误差贡献图的确定公式为：
；
式中，SPE为平方预测误差，为第/>个变量对平方预测误差SPE的贡献值，n为变量的个数。
可选地，所述T2贡献图模型中的T2贡献图的确定公式为：
；
；
其中，T2表示霍特林统计量，表示第/>个变量对霍特林统计量T2的贡献值，表示单位矩阵/>的第/>列，/>表示经过标准化的样本矩阵/>的向量，/>表示/>的转置向量，/>为负载矩阵，/>为/>的转置矩阵，/>对角阵，/>表示单位矩阵/>的第/>列的转置。
根据本发明上述提供的内容，本发明公开了以下技术效果：
本发明提供的流程工业故障定位方法，采用主成分分析模型基于构建的数据组确定霍特林统计量，当霍特林统计量超过阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；采用构建好的包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组的集成学习分类器基于故障样本生成故障定位结果，以生成故障报警信号，从而更好的完成流程工业系统中故障检测工作。
进一步，本发明还提供了一种流程工业故障定位系统，以应用于上述提供的流程工业故障定位方法；所述系统包括：
数据获取模块，用于获取实时数据，并对所述实时数据进行预处理得到预处理数据；
数据组建立模块，用于建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；
霍特林统计量确定模块，用于采用主成分分析模型基于所述数据组确定霍特林统计量；
判断模块，用于设定阈值，并确定所述霍特林统计量是否超过所述阈值；
故障确定模块，用于当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；
故障定位模块，用于采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组；
无故障确定模块，用于当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障。
一种电子设备，包括：
存储器，存储有计算机程序；
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的流程工业故障定位方法。
因本发明上述提供的两种结构实现的技术效果与本发明提供的方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的流程工业故障定位方法的流程图；
图2为本发明提供的岭回归模型组构建流程图；
图3为本发明提供的平方预测误差贡献图模型的构建和数据处理流程图；
图4为本发明提供的T2贡献图模型的构建和数据处理流程图；
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。
本发明的目的是提供一种流程工业故障定位方法、系统及电子设备，通过硬投票的方法得到故障定位结果，辅助PCA进行定位，从而能够更好的完成故障检测工作。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
流程工业现场一般存在多个传感器或仪表，可将不同节点的温度、压力、液位、流量等信息返回到分布式控制系统（Distributed Control System，DCS）中。不同测量点的数据存在着线性关系以及非线性关系。当线性关系或者非线性关系被打破往往预示着系统整体出现故障。PCA经过降维处理，可以良好的反映出系统中各个测量点之间的非线性关系，从而识别出系统是否出现故障。而对于故障的定位，直接使用PCA定位比较困难，为解决这一问题，本发明提供了一种流程工业故障定位方法，该方法的技术构思为：使用建立岭回归模型组的方法并结合传统的SPE贡献图法及T2贡献图法，进行集成学习，通过硬投票的方式得到故障定位结果，对流程工业现场的故障进行定位。
基于此，如图1所示，本发明提供的流程工业故障定位方法，包括：
步骤100：获取实时数据，并对实时数据进行预处理得到预处理数据。
其中，在实际应用过程中，可以通过DCS获取流程工业现场数据，并将各节点数据按照时间顺序存储在SQLite数据库中。
进一步，因流程工业现场在非作业条件下，一些节点数据在零值附近跳变，如果将此部分数据也用于模型建立，会影响模型精度。所以，在该步骤100中对实时数据进行预处理，以剔除零点附近小幅度跳变的数据。其中，对于流程工业现场所采集的数据（即实时数据），先分为训练集和测试集，训练集中共有n个测量点位，按照每1分钟采集一次数据，共采集m分钟，所有的样本数据用表示。/>是一个向量，表示一个采样样本，共计m个采样样本；/>表示第i个样本的第k个特征点，每个样本具有n个特征点，即特征值。
在实际应用过程中，采用阶跃函数剔除实时数据中的小幅跳变数据。剔除后的样本的计算方式如下：
（1）；
式中，为阶跃函数，/>为阈值系数，例如/>取0.005，/>为软阈值，S为各测量点的满量程，符号/>表示当/>时则等于/>，当/>时则等于0。对于不同的测量点有：
（2）；
式中，为第一个测量点的满量程，/>为第q个测量点的满量程，/>。
步骤101：建立滑动窗口，并采用滑动窗口按时间顺序对预处理数据进行数据采集，得到数据组。
其中，为了可以实时的对故障进行定位，需要建立滑动窗口对数据进行处理，设定滑窗大小为。按照时间顺序每分钟采集一组数组，经过/>分钟，取得/>组数据/>用于实时检测。
步骤102：采用主成分分析模型基于数据组确定霍特林统计量。即，使用步骤101中取得的组数据/>，带入PCA模型计算霍特林统计量（T-squared，T2）。
步骤103：设定阈值，并确定霍特林统计量是否超过阈值。
步骤104：当霍特林统计量超过阈值时，确定流程工业系统故障，获取流程工业系统的故障样本。即，如果T2超过阈值，则代表检测到系统故障，并将故障样本输出，完成系统故障检测工作。便于后面进行故障定位工作。
步骤105：采用构建好的集成学习分类器基于故障样本生成故障定位结果，并基于故障定位结果生成故障报警信号。集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组。
在该步骤中，为了使故障定位更加准确有效，本发明采用集成学习的方法提高故障定位精度，其中，使用离线数据建立了多种故障定位模型，其中第一种故障定位模型是通过建立岭回归模型组而进行故障定位的方法。如图2所示，该方法的实施过程为：
步骤11：离线数据采集及数据预处理。
为了最终将岭回归模型应用在实时在线系统中，故在建立岭回归模型时采用了与步骤100相同的数据采集及处理方法。不同的是从数据库中取出的数据并非实时数据，而是系统训练所用的离线数据。
步骤12：建立岭回归模型组。
在流程工业现场中，当各测量点之间的线性关系被打破时，预示着系统出现了故障，当某一测量点与其它测量点之间的线性关系变化时，则预示着此测量点出现了故障。为了反映各个测量点之间的线性关系。本发明提出了建立岭回归模型组的方法，以表示各个测量点之间的线性关系，进而通过线性关系对故障进行定位。
其中，岭回归模型是一种常用的表示系统间的线性关系的模型，有着适应性好、参数求解快等特点。步骤100中共有n个测量点，从而形成了n个特征值。每个样本与系统间其它样本可能存在着关联关系。为了表示这种关联关系，需要建立n个测量点的模型。以每个测量点的测量值为因变量，其余n-1个测量点的测量值为自变量，构建n个测量点的岭回归模型，形成岭回归模型组。岭回归模型组可以表示为：
(3)；
式中，，/>为第e个岭回归模型解决方案，/>为用于训练模型样本的向量，，当/>时，X1，X2，X3，...，Xe，...，Xn为用于训练模型的样本，/>为模型参数向量，/>分别为模型参数矩阵，/>为未知量，需要使用岭回归求解，其余为已知量。
对n个测量点的岭回归模型分别进行训练，带入采集的数据，使用岭回归对模型进行求解，得到。以/>求解过程为例，这一求解过程如下：
( 4 )；
其中，/>中的/>。
有：
(5)；
定义为第i个样本，/>为第i个样本中第一个测量点的测量值，则损失函数为：
( 6 )；
为了使数据拟合的最准确，需要找到一组令/>的代价函数最小。其中：
。
将向量表达式转化为矩阵表达式，有：
( 7 )；
其中，为/>的矩阵表达方式。
对公式（7）求偏导，得到：
( 8 )；
令，则有：/>( 9 )；
式中，为矩阵/>的转置。
为了解决各测量点之间的多重共线性问题，向上述公式（7）中加入正则化系数，进行岭回归，有：
(10)；
式中，是正则化系数，/>代表测量点。经过上述求解，可得到岭回归模型组。
步骤13：使用R平方（R-squared，R2）评价得到的岭回归模型组。
具体的，在使用训练好的模型前，需要对n个测量点的岭回归模型进行评价，只有评价良好的岭回归模型才能用于故障定位中。在评价岭回归模型的优劣中，常用的方法有均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squarde Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、R平方（R-squared，R2）等。由于此岭回归模型中并未对所有采集的数据进行归一化操作，所以MSE、RMSE、MAE等评估方法会受到量纲的影响，故本发明中使用了R2作为评价指标进行岭回归模型的评价。在R2指标中，R2最大值为1，R2越大代表模型越好。基于此，在步骤12中得到了由n个测量点的岭回归模型组成的岭回归模型组G，使用训练数据分别计算每个岭回归模型的R2值，为：
(11)；
式中，为岭回归模型组G的R2值，/>为第一个岭回归模型的R2值，依次类推，/>为第m个岭回归模型的R2值，/>为/>均值，/>为/>均值，依次类推，/>为/>均值。
步骤14：筛选岭回归模型，形成新的岭回归模型组。
如果一个岭回归模型的R2值偏小，表明无法使用该岭回归模型对数据进行良好拟合，故剔除此类模型。基于此，本发明最终保留R2大于0.92的岭回归模型作为判别模型，形成判别模型组。
(12)；
其中，为阶跃函数，/>为判别模型的阈值系数，本发明中/>可以取0.92，符号表示当/>时则等于/>，当/>时则等于0。
步骤15：建立判别模型组中岭回归模型与测量点对应关系矩阵。
每个岭回归模型都是根据不同测量点而建立的，其中公式（1）中因变量所对应的测量点即为该测量点的判别模型，故有模型对应关系矩阵，为：
( 13 )；
其中，=1,2,..,n，/>代表判别模型组/>中的第/>个模型所对应的测量点编号。
进一步，采用准确率较高的平方预测误差(Squared Prediction Error，SPE)贡献图法的流程如图3所示，包括：
步骤21：离线数据采集及数据预处理。
离线数据采集及数据预处理同步骤11的方法一样。使用m个采样样本，每个样本具有n个特征点，即n个特征值。
步骤22：计算平方预测误差（SPE）。
使用表示原始数据矩阵，将原始数据矩阵/>进行标准化，使其成为零均值矩阵/>，其中零均值矩阵/>可以分解为：
( 14 )；
式中，为得分矩阵，/>为负载矩阵，/>为负载矩阵，/>为主元个数，/>为m行/>列实数矩阵，/>为m行n列实数矩阵，/>为转置。
将向量a投影到主元子空间上的表达式为：
( 15 )；
式中，为主元子空间向量投影，/>为负载矩阵，/>为负载矩阵的转置，/>为投影到主元子空间上投影矩阵。
投影到残差子空间的表达式为：
( 16 )；
其中，为残差子空间向量投影，I是单位矩阵，/>是投影到残差子空间的投影矩阵。
在建立PCA模型后，通常使用SPE指标来对故障数据进行检测。SPE指标使用向量投影到残差子空间获得，可以表示为：
( 17 )；
式中，SPE为平方预测误差（Square prediction error）。
步骤23：计算SPE贡献图，并返回故障定位结果。
直接使用SPE可以有效的对系统是否出现故障进行监测，而对于故障定位来说，使用SPE贡献图会更加有效。SPE贡献图的原理是假设对SPE产生最大影响的变量更有可能是故障变量，通过这种假设来进行故障定位，基于此，本发明采用的贡献图的确定公式可以表示为：
( 18 )；
其中，SPE指标被分解成为n个元素，是第/>个变量对SPE的贡献值。对于：
( 19 )；
即表示第个变量可能出现故障，其中，/>为SPE贡献值阈值。
进一步，采用较常用的T2贡献图法的过程，如图4所示，包括：
步骤31：离线数据采集及数据预处理。
离线数据采集及数据预处理同步骤11的方法一样。使用m个采样样本，每个样本具有n个特征点，即n个特征值。
步骤32：计算T2。
使用表示原始数据矩阵，则该样本的协方差矩阵/>可表示为：
( 20 )；
式中，A为经过标准化的样本矩阵，AT为A的转置矩阵。
可将协方差矩阵进行特征值分解为：
( 21 )；
式中，为对角阵，/>为正交阵。设协方差矩阵/>可逆且定义为：
( 22 )；
则霍特林模型(Hotelling model)的T2统计量有：
( 23 )；
步骤33：计算T2贡献图，并返回故障定位结果。
对于T2贡献图的确定公式可定义为：
(24)；
( 25 )；
式中T2表示霍特林统计量，表示第/>个变量对霍特林统计量T2的贡献值，表示单位矩阵/>的第/>列，/>表示经过标准化的样本矩阵/>的向量，/>表示/>的转置向量，/>为负载矩阵，/>为/>的转置矩阵，/>对角阵，/>表示单位矩阵/>的第/>列的转置。
其中，T2指标被分解成为n个元素，是第/>个变量对T2的贡献值。对于：
( 26 )；
即表示第个变量可能出现故障，其中/>为T2贡献值阈值。
进一步，对于通过步骤11-步骤15、步骤21-步骤23以及步骤31-步骤33给出的这三种故障定位模型给出的故障定位结果。对于每个测量点是否为故障点，可以抽象为一个分类问题。即该测量点是故障测量点，对其数据打上标签1，该测量点是正常测量点，对其数据打上标签0。使用硬投票的方法对三个故障定位模型进行学习，最终得出集成学习的硬投票分类器组，用于故障定位中。例如，采用简单的“一人一票”机制，硬投票分类器组汇总每一种故障定位模型的分类结果，并进行个数统计，最终输出个数最多的一种分类结果，作为多个故障定位模型进行投票综合决策的分类结果，以作为集成学习分类器的输出结果。
基于上述过程，在获得故障定位结果并故障报警的过程中，将上述所得到的集成学习结果对照具体的故障点位进行报警。
步骤106：当霍特林统计量不超过阈值时，确定流程工业系统无故障。
基于上述描述，相对于现有技术，本发明提供的流程工业故障定位方法还具有以下优点：
1、现有直接使用PCA进行故障定位是有一定难度的，而本发明可以辅助PCA更好的进行定位，并且具有良好的适应性以及更优良的泛化性能。该优点得益于岭回归算法有着良好的可解释性，可以代表系统内各节点的关联关系。不需要人为设置参数，进行参数调整。岭回归的目标函数在一般的线性回归的基础上加入了正则项，在保证最佳拟合误差的同时，使得参数尽可能的“简单”，使得模型的泛化能力大大增强。流程工业系统中各个测量值之间存在着大量了多重共线性问题，使用岭回归算法可以有效的解决多重共线性问题。
2、本发明使用集成学习可以发挥不同模型各自的优势，扬长避短。集成是一种经过验证的方法，可以提高模型的准确性，适应性强。并且集成学习使模型更加稳健和稳定，从而确保在大多数情况下的定位结果有良好的性能。
进一步，本发明还提供了以下两种实施结构以实施上述提供的流程工业故障定位方法。
其中，一种是流程工业故障定位系统，系统包括：
数据获取模块，用于获取实时数据，并对实时数据进行预处理得到预处理数据。
数据组建立模块，用于建立滑动窗口，并采用滑动窗口按时间顺序对预处理数据进行数据采集，得到数据组。
霍特林统计量确定模块，用于采用主成分分析模型基于数据组确定霍特林统计量。
判断模块，用于设定阈值，并确定霍特林统计量是否超过阈值。
故障确定模块，用于当霍特林统计量超过阈值时，确定流程工业系统故障，获取流程工业系统的故障样本。
故障定位模块，用于采用构建好的集成学习分类器基于故障样本生成故障定位结果，并基于故障定位结果生成故障报警信号。集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组。
无故障确定模块，用于当霍特林统计量不超过阈值时，确定流程工业系统无故障。
另一种是电子设备，该电子设备包括：
存储器，存储有计算机程序。
处理器，与存储器连接，用于调取并执行计算机程序，以实施上述提供的流程工业故障定位方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种流程工业故障定位方法，其特征在于，包括：
获取实时数据，并对所述实时数据进行预处理得到预处理数据；具体地，采用阶跃函数对所述实时数据进行预处理得到预处理数据；
建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；
采用主成分分析模型基于所述数据组确定霍特林统计量；
设定阈值，并确定所述霍特林统计量是否超过所述阈值；
当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；
采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组；
当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障；
集成学习分类器的构建过程包括：
构建多个故障定位模型；多个所述故障定位模型为岭回归模型组、平方预测误差贡献图模型和T2贡献图模型；
采用硬投票方法基于离线数据集学习多个所述故障定位模型得到硬投票分类器组；所述硬投票分类器组用于汇总每一所述故障定位模型的分类结果，并进行分类结果个数统计，将统计个数最多的分类结果作为集成学习分类器的输出结果。
2.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述岭回归模型组的构建过程包括：
以一个测量点的测量值为因变量，以剩余n-1测量点的测量值为自变量构建n个测量点的岭回归模型；
获取离线数据，并对所述离线数据进行预处理；
采用预处理后的所述离线数据分别对n个测量点的岭回归模型进行训练得到训练好的岭回归模型；
采用预处理后的所述离线数据确定训练好的岭回归模型的R平方值；
保留R平方值大于预设值的训练好的岭回归模型，以形成所述岭回归模型组。
3.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述平方预测误差贡献图模型中采用的平方预测误差贡献图的确定公式为：
；
式中，SPE为平方预测误差，为第/>个变量对平方预测误差SPE的贡献值，n为变量的个数。
4.根据权利要求1所述的流程工业故障定位方法，其特征在于，所述T2贡献图模型中的T2贡献图的确定公式为：
；
；
其中，T2表示霍特林统计量，表示第/>个变量对霍特林统计量T2的贡献值，/>表示单位矩阵/>的第/>列，/>表示经过标准化的样本矩阵/>的向量，/>表示/>的转置向量，/>为负载矩阵，/>为/>的转置矩阵，/>对角阵，/>表示单位矩阵/>的第/>列的转置。
5.一种流程工业故障定位系统，其特征在于，应用于如权利要求1-4任意一项所述的流程工业故障定位方法；所述系统包括：
数据获取模块，用于获取实时数据，并对所述实时数据进行预处理得到预处理数据；具体地，采用阶跃函数对所述实时数据进行预处理得到预处理数据；
数据组建立模块，用于建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；
霍特林统计量确定模块，用于采用主成分分析模型基于所述数据组确定霍特林统计量；
判断模块，用于设定阈值，并确定所述霍特林统计量是否超过所述阈值；
故障确定模块，用于当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；
故障定位模块，用于采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T2贡献图模型和硬投票分类器组；
无故障确定模块，用于当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障；
集成学习分类器的构建过程包括：
构建多个故障定位模型；多个所述故障定位模型为岭回归模型组、平方预测误差贡献图模型和T2贡献图模型；
采用硬投票方法基于离线数据集学习多个所述故障定位模型得到硬投票分类器组；所述硬投票分类器组用于汇总每一所述故障定位模型的分类结果，并进行分类结果个数统计，将统计个数最多的分类结果作为集成学习分类器的输出结果。
6.一种电子设备，其特征在于，包括：
存储器，存储有计算机程序；
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施如权利要求1-4任意一项所述的流程工业故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310918957.3A CN116627116B (zh) | 2023-07-26 | 2023-07-26 | 一种流程工业故障定位方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310918957.3A CN116627116B (zh) | 2023-07-26 | 2023-07-26 | 一种流程工业故障定位方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116627116A true CN116627116A (zh) | 2023-08-22 |
| CN116627116B CN116627116B (zh) | 2023-10-20 |
Family
ID=87610292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310918957.3A Active CN116627116B (zh) | 2023-07-26 | 2023-07-26 | 一种流程工业故障定位方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116627116B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169804A (zh) * | 2023-11-02 | 2023-12-05 | 华中科技大学 | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN111294248A (zh) * | 2018-12-06 | 2020-06-16 | 中国移动通信集团福建有限公司 | 网元故障质检方法、装置、设备及介质 |
| CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
| CN113093695A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种数据驱动的sdn控制器故障诊断系统 |
| CN113721002A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于硬投票集成学习的变压器故障诊断的方法 |
| CN113793077A (zh) * | 2021-11-17 | 2021-12-14 | 广东电网有限责任公司佛山供电局 | 一种配电网用户故障停电影响分析方法和系统 |
| CN115130564A (zh) * | 2022-06-15 | 2022-09-30 | 东南大学 | 一种基于并行gmm-lcksvd的高压加热器在线监测方法 |
| CN115146727A (zh) * | 2022-07-29 | 2022-10-04 | 温州大学 | 一种智能用电系统故障检测方法及系统 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
-
2023
- 2023-07-26 CN CN202310918957.3A patent/CN116627116B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN111294248A (zh) * | 2018-12-06 | 2020-06-16 | 中国移动通信集团福建有限公司 | 网元故障质检方法、装置、设备及介质 |
| CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
| CN113093695A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种数据驱动的sdn控制器故障诊断系统 |
| CN113721002A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于硬投票集成学习的变压器故障诊断的方法 |
| CN113793077A (zh) * | 2021-11-17 | 2021-12-14 | 广东电网有限责任公司佛山供电局 | 一种配电网用户故障停电影响分析方法和系统 |
| CN115130564A (zh) * | 2022-06-15 | 2022-09-30 | 东南大学 | 一种基于并行gmm-lcksvd的高压加热器在线监测方法 |
| CN115146727A (zh) * | 2022-07-29 | 2022-10-04 | 温州大学 | 一种智能用电系统故障检测方法及系统 |
| CN116087787A (zh) * | 2023-01-18 | 2023-05-09 | 华能新能源股份有限公司山西分公司 | 一种基于主成分分析法的电池故障判断方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169804A (zh) * | 2023-11-02 | 2023-12-05 | 华中科技大学 | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 |
| CN117169804B (zh) * | 2023-11-02 | 2024-01-12 | 华中科技大学 | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116627116B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Harmouche et al. | Incipient fault detection and diagnosis based on Kullback–Leibler divergence using principal component analysis: Part I | |
| CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
| 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 | |
| EP1416348B1 (en) | Methodology for temporal fault event isolation and identification | |
| CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
| CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
| US20210397175A1 (en) | Abnormality detection device, abnormality detection method, and program | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| Li et al. | False alarm reducing in PCA method for sensor fault detection in a nuclear power plant | |
| CN113642754A (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 | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
| 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 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
| CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
| Dwiputranto et al. | Machinery equipment early fault detection using Artificial Neural Network based Autoencoder | |
| Humberstone et al. | Differentiating between expanded and fault conditions using principal component analysis | |
| Chen et al. | $\textsf {S}^ 3T $: An Efficient Score-Statistic for Spatio-Temporal Surveillance | |
| CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| 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 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| Zhu et al. | Generic process visualization using parametric t-SNE |
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 |