一种基于多块典型相关分析模型的分布式故障检测方法技术

本发明专利技术公开一种基于多块典型相关分析模型的分布式故障检测方法，在多块故障模型建立过程中将各子块之间的相关性考虑进来，并在此基础上实施分布式的故障检测。具体来讲，本发明专利技术方法首先根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，针对每个变量子块，利用典型相关分析算法挖掘出该子块与其他子块之间最体现相关性特征的典型成分；最后，利用典型成分实施分布式的故障检测。相比于传统方法，由于本发明专利技术方法考虑了各子块与其他子块之间的相关性，理应具备更优秀的故障检测性能，是一种更为优选的分布式故障检测方法。

A distributed fault detection method based on multi block canonical correlation analysis model

The invention discloses a distributed fault detection method based on multi-block canonical correlation analysis model, which takes into account the correlation among sub-blocks in the process of establishing multi-block fault model, and implements distributed fault detection on this basis. Specifically, the method of the invention divides all measurement variables into multiple variable sub-blocks according to the attribution of measurement variables of each production unit; secondly, for each variable sub-block, the canonical correlation analysis algorithm is used to mine the most representative components of the correlation between the sub-block and other sub-blocks; lastly, the canonical correlation analysis algorithm is used to mine the most representative components of the correlation between the sub-block and other sub-blocks. A distributed fault detection system is implemented. Compared with the traditional method, because the method of the present invention considers the correlation between each sub-block and other sub-blocks, it should have better fault detection performance, and is a better distributed fault detection method.

【技术实现步骤摘要】
一种基于多块典型相关分析模型的分布式故障检测方法
本专利技术涉及一种数据驱动的故障检测，尤其涉及一种基于多块典型相关分析模型的分布式故障检测方法。
技术介绍
近年来，随着工业大规模化与“大数据”化建设的推进，生产过程中可以很容易地采集到大量的样本数据。在这种应用背景下，数据驱动的故障检测方法逐步得到重视与广泛的研究。故障检测的目的就是为了及时地发现过程对象在运行中出现的异常状态，从而保证生产的安全与产品质量的稳定性。在这一研究领域里，多变量统计分析方法，例如主成分分析(PrincipalComponentAnalysis，PCA)与独立成分分析(IndependentComponentAnalysis，ICA)算法，为最广泛应用于故障检测的方法。此外，还包括偏最小二乘、流形学习算法、典型相关分析(CanonicalCorrelationAnalysis，CCA)算法等等。这些算法的根本宗旨都是对数据进行特征挖掘，并利用挖掘出的特征成分与模型残差实施故障检测。以CCA算法为例，它可以用来分析两个数据集之间的相关性程度，所挖掘出的特征成分能最大化程度地表现出两数据集之间的相关性。近年来，分布式的故障检测方法得到了较多的研究与应用，这主要是因为现代工业过程对象通常有诸多生产子单元组成，直接对对象整体采用一个故障监测模型取得的监测性能往往差强人意。一般来讲，分布式的过程监测方法通过将过程对象分解成多个子块，然后对每个子块都建立一个局部的故障检测模型，最后通过信息融合策略决策故障发生与否。通常来讲，多块模型的故障检测效果会优越于单个模型。然而，在现有专利文件与科研文献中，建立多块模型时，鲜有考虑到块与块之间相互关系的建模思路。虽然可通过过程对象的组成或者采样数据的统计特性，将整个对象分成多个子块，但是各个子块之间其实同样存在关联的。若是不考虑块与块之间的相关性，那么这些分布式故障检测方法的性能还有待进一步的提升。
技术实现思路
本专利技术所要解决的主要技术问题是：如何建立多块CCA模型，将各子块之间的相关性考虑进来，并在此基础上实施分布式的故障检测。具体来讲，本专利技术方法首先根据各生产单元测量变量的归属，将所有测量变量划分成多个变量子块；其次，针对每个变量子块，利用CCA算法挖掘出该子块与其他子块之间能体现相关性特征的典型成分；最后，基于挖掘出的典型成分实施分布式的故障检测。本专利技术解决上述技术问题所采用的技术方案为：一种基于多块典型相关分析模型的分布式故障检测方法，包括以下步骤：(1)采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈Rn×m，计算X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，并按照如下所示公式对X中各行向量进行标准化处理得到新数据矩阵即：其中，n为训练样本总数，m为过程对象所有测量变量的个数，R为实数集，Rn×m表示n×m维的实数矩阵，x∈Rl×m表示矩阵X中任意一个行向量，为行向量x经标准化处理后的结果，均值行向量μ＝[μ1，μ2，…，μm]，ζ∈Rm×m为对角矩阵且对角线上的元素为标准差δ1，δ2，…，δm。(2)根据各测量变量的生产单元归属，将m个测量变量划分成C个不同的变量子块，C表示过程对象中生产单元的个数。值得注意的是，根据过程对象生产单元划分变量子块时，本专利技术方法不要求对各变量子块做精确的划分，但每个测量变量只能被选中一次。在某些测量变量归属的生产单元可有两个及以上时，可以随意划分该测量变量所属的生产单元。(3)依据C个不同的变量子块将矩阵对应地分成C个不同的子矩阵X1，X2，…，XC并初始化c＝1，其中c＝1，2，…，C，mc为第c个变量子块中变量个数且满足条件m1+m2+…+mC＝m。(4)将X1，X2，…，XC中除第c个矩阵子块Xc以外的矩阵子块合并成一个矩阵Zc＝[X1，X2，…，Xc-1，Xc+1，…，XC]，利用典型相关分析算法求解得到典型成分具体的实施过程如下所示：①根据如下所示公式分别计算得到相关性矩阵Φ1、Φ2、Φ3、和Φ4：其中，上标号T表示矩阵或向量的转置。②计算Θc＝Φ1-1Φ2Φ3-1Φ4的所有特征值及相应的特征向量此步骤中需要求所有特征向量都为单位长度。③根据公式Uc＝XcBc计算得到典型成分矩阵Uc，其中(5)根据公式Dc＝diag(UcΛc-1UcT)计算训练数据中第c个子块所有样本数据的监测统计指标组成向量Dc，并找出Dc中最大值记录为ξc，其中矩阵Λc＝UcUcT/(n-1)。(6)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(4)；若否，则保留矩阵Λ1，Λ2，…，AC、矩阵B1，B2，…，BC、以及各子块统计指标控制限ξ1，ξ2，…，ξC。上述步骤(1)至步骤(6)是本专利技术方法的离线建模阶段，主要涉及多块典型相关分析的建模过程，以及各个子块监测统计指标控制上限的确定。实施在线故障检测的具体过程包括如下所示步骤(7)至步骤(12)。(7)收集新采样时刻的数据样本y∈Rl×m，根据公式对数据向量y实施标准化处理得到新数据向量(8)根据步骤(2)中的C个不同的变量子块，对应地将数据向量对应地分成C个不同的子向量y1，y2，…，yC，并初始化c＝1。(9)根据公式uc＝ycBc计算第c个子块下的典型成分uc。(10)根据公式Dc＝ucΛc-1ucT计算第c个子块下的监测统计指标Dc。(11)判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(9)；若否，则依据贝叶斯概率融合将D1，D2，…，DC融合成一个概率型指标BIC。贝叶斯概率融合的具体实施过程包括如下所示步骤：①根据如下所示公式计算第c个子块下的数据属于故障的概率P(F|c)：其中，概率P(c)的计算公式如下所示：P(c)＝P(c|N)P(N)+P(c|F)P(F)(4)上式(3)与式(4)中，N与F分别表示正常与故障工况，先验概率P(N)与P(F)分别取值0.99与0.01，条件概率P(c|N)与P(c|F)的计算公式如下所示：②根据如下所示公式计算最终的概率型指标BIC：(12)判断是否满足条件：BIC≤0.01？若是，则当前监测时刻系统处于正常运行状态，返回步骤(7)继续对下一采样时刻的样本实施在线故障检测；若否，则当前采样数据来自故障工况。与传统方法相比，本专利技术方法的优势在于：首先，本专利技术方法对各个子块数据挖掘潜在特征成分时，考虑了该子块与其他子块之间的相关性，利用CCA算法挖掘出的典型成分充分地体现了与其他子块数据之间的相关性。相比之下，传统的多块建模方法，只是针对各子块分别进行潜在特征成分挖掘，未能充分地将块与块之间的相关性考虑进来。因此，本专利技术方法理应具备更优秀的故障检测性能，是一种更为优选的分布式故障检测方法。附图说明图1为本专利技术方法实施流程图。图2为TE过程结构流程图。图3为TE过程物料C进料温度变化的故障检测详情对比图。具体实施方式下面结合附图与具体的实施案例对本专利技术方法进行详细的说明。如图1所示，一种基于多块典型相关分析模型的分布式故障检测方法。下面结合一个具体的工业过程的例子来说明本专利技术方法的具体实施过程，以及相对于传统基于分布式PCA的过程监测方法的优越性。应用对象是来自于美国田纳西-伊斯曼(TE)化工过程本文档来自技高网...

【技术保护点】
1.一种基于多块典型相关分析模型的分布式故障检测方法，其特征在于：所述方法包括以下步骤：步骤(1)采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈R

【技术特征摘要】
1.一种基于多块典型相关分析模型的分布式故障检测方法，其特征在于：所述方法包括以下步骤：步骤(1)采集生产过程对象中所有生产单元正常运行状态下的样本数据，组成训练数据集X∈Rn×m，计算X中各列向量的均值μ1，μ2，…，μm以及标准差δ1，δ2，…，δm，并按照如下所示公式对X中各行向量进行标准化处理得到新数据矩阵即：其中，n为训练样本总数，m为过程对象所有测量变量的个数，R为实数集，Rn×m表示n×m维的实数矩阵，x∈R1×m表示矩阵X中任意一个行向量，为行向量x经标准化处理后的结果，均值行向量μ＝[μ1，μ2，…，μm]，ζ∈Rm×m为对角矩阵且对角线上的元素为标准差δ1，δ2，…，δm；步骤(2)根据各测量变量的生产单元归属，将m个测量变量划分成C个不同的变量子块，C表示过程对象中生产单元的个数；步骤(3)依据C个不同的变量子块将矩阵对应地分成C个不同的子矩阵X1，X2，…，XC并初始化c＝1，其中c＝1，2，…，C，mc为第c个变量子块中变量个数且满足条件m1+m2+…+mC＝m；步骤(4)将X1，X2，…，XC中除第c个矩阵子块Xc以外的矩阵子块合并成一个矩阵Zc，利用典型相关分析算法求解得到典型成分具体的实施过程如下所示：①根据如下所示公式分别计算得到相关性矩阵Φ1、Φ2、Φ3、和Φ4：其中，上标号T表示矩阵或向量的转置；②计算Θc＝Φ1-1Φ2Φ3-1Φ...

【专利技术属性】
技术研发人员：来赟冬，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