The invention discloses a fault monitoring method based on correlation partitioning multivariable block PCA model, aiming at implementing distributed modeling on the basis of considering significant and insignificant correlation among measurement variables from the point of view of equal importance of variables, so as to improve the effect of traditional PCA algorithm for fault monitoring. The method firstly divides the original set of measurement variables into two variable sub-blocks with significant and insignificant correlation with each variable, then implements PCA-based modeling and fault monitoring for the two variable sub-blocks respectively, and finally approximates the fault monitoring results corresponding to all measurement variables. The rate forms are combined to facilitate the final decision of failure. Compared with the traditional method, the proposed method not only treats all the measured variables equally, but also takes advantage of the advantages of multi-model distributed modeling, and should achieve better fault detection effect.
【技术实现步骤摘要】
一种基于相关性划分多变量块PCA模型的故障监测方法
本专利技术涉及一种工业故障监测方法,尤其涉及一种基于相关性划分多变量块PCA模型的故障监测方法。
技术介绍
为保证生产安全与产品质量的稳定性,实时监测生产过程对象是否发生故障是非常重要的,同时也是整个生产自动化系统的重要组成部分。随着现代工业过程规模不断扩大,先进的仪表与计算机技术得到了广泛的应用。一方面,生产过程的机理模型越来越难以获取;另一方面,生产过程可以采集并存贮海量的数据信息。正是在这个背景下,传统基于机理模型的故障检测方法遇到了发展的瓶颈,而数据驱动的故障监测方法逐步得到了工业实践者和理论研究者的青睐。数据驱动的故障检测方法一般都是对正常工况下采集到的数据进行特征挖掘,从而建立能描述正常数据变化特征的单分类模型。作为数据驱动的故障监测方法的核心,主成分分析(PrincipalComponentAnalysis,PCA)算法在故障检测领域受到了极为广泛的研究与应用。从算法原理上讲,PCA旨在挖掘训练数据间的相关性特征,从而利用少数几个潜隐变量提取原训练数据绝大部分的方差信息。近年来,基于PCA的改进型故障监测方法如雨后春笋般不断涌现,解决了许多不同类型过程对象的故障监测问题。从PCA算法挖掘正常工况采样数据特征的过程中不难发现,PCA算法其实是通过投影变换将原始相互关联的数据变量转换成相互正交的主成分信息。从某种程度上讲,PCA模型中的这些投影变换向量可以看成是不同测量变量的权重系数。换句话说,在PCA实施投影变换的过程中,原来的测量变量按照不同系数得到了不同程度的加权。从故障监测的角度出发,所 ...
【技术保护点】
1.一种基于相关性划分多变量块PCA模型的故障监测方法,其特征在于,包括以下步骤:步骤(1):采集生产过程对象正常运行状态下的数据样本,组成训练数据集X∈R
【技术特征摘要】
1.一种基于相关性划分多变量块PCA模型的故障监测方法,其特征在于,包括以下步骤:步骤(1):采集生产过程对象正常运行状态下的数据样本,组成训练数据集X∈Rn×m,并对每个测量变量进行标准化处理,得到均值为0,标准差为1的新数据矩阵其中,n为训练样本数,m为过程测量变量数,R为实数集,Rn×m表示n×m维的实数矩阵,为第i个测量变量标准化后的采样数据,i=1,2,…,m为第i个测量变量的下标号;步骤(2):根据公式计算各测量变量间的相关性程度,并将矩阵W∈Rm×m中对角线上的元素全部强制变成0,即不考虑各测量变量自身与自身的相关性;步骤(3):计算矩阵W中各行向量的均值,从而得到均值向量μ=[μ1,μ2,…,μm];步骤(4):针对第i个测量变量实施相关性显著与不显著变量子块区分,需要判断是否满足条件:wij>μi且wij>μj?若是,则第i个与第j个变量相关性显著,并将第j个变量划分进入相关性显著变量子块;若否,则第i个与第j个变量相关性不显著,并将第j个变量划分进入相关性不显著变量子块,其中j=1,2,…m且j≠j;步骤(5):重复步骤(4)直至将所有m个变量区分成对应于第i个测量变量的相关性显著变量子块Φi与相关性不显著变量子块Θi;值得注意的是,第i个测量变量是直接进入相关性显著变量子块的,因为变量自身与自身的相关性肯定是最高的;步骤(6):根据变量子块Φi与Θi对应将数据矩阵分成两个矩阵X1与X2,即步骤(7):分别为X1与X2建立相应的主成分分析(PrincipalComponentAnalysis,PCA)模型,并保留相应PCA模型的投影变换矩阵P1与P2;步骤(8):将X1与X2对应的主成分矩阵T1=X1P1与T2=X2P2合并成一个主成分矩阵并将X1与X2对应的残差矩阵E1=X1-T1P1与E2=X2-T2P2合并成一个残差矩阵E=[E1,E2]∈Rn×m;步骤(9):根据公式D=diag(TΛ-1TT)与Q=diag(EET)分别计算正常数据的监测统计量D与Q,其中Λ=TTT/(n-1),上标号T表示矩阵或向量的转置,diag()表示将矩阵中对角线上的元素单独组成一个列向量;步骤(10):分别计算监测统计量D与Q的均值ζD与ζQ,以及方差δD与δQ;步骤(11):根据公式与分别计算监测统计量D与Q对应的控制上限Dlim与Qlim,其中gD=δD/(2ζD)、gQ...
【专利技术属性】
技术研发人员:厉鑫浩,童楚东,俞海珍,
申请(专利权)人:宁波大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。