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 ...
【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
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。