【技术实现步骤摘要】
一种基于分散式非线性动态关系模型的故障检测方法
本专利技术涉及一种数据驱动的故障检测方法，尤其涉及一种基于分散式非线性动态关系模型的故障检测方法。
技术介绍
在工业大数据潮流下，对工业大数据的利用程度体现出了工业管理的高水平程度。作为整个生产自动化的重要组成部分，故障检测系统占有着举足轻重的地位，其目标在于及时警报生产过程出现的故障状态，实现的技术手段已由基于机理模型的实施方法转变为数据驱动的策略。由于先进仪表技术的发展，采样时间间隔大为缩短，采样数据之间的时序自相关性是数据驱动的过程监测方法所必须考虑的一个问题，测量变量之间的相关关系不仅体现在不同测量变量之间，而且还体现在不同的采样时刻上。对于这类问题，被广泛使用的故障检测方法莫过于基于增广矩阵的动态主成分分析(DynamicPrincipalComponentAnalysis，DPCA)方法，其基本思想就是为各个训练样本数据引入延时测量值构成增广矩阵，从而使增广矩阵可以同时将样本数据时序自相关性与变量之间的交叉相关性考虑进来。除此之外，还有学者提出使用自回归模型来挖掘采样数据之间的序列自相关性，自回归模型的输...
【技术保护点】
1.一种基于分散式非线性动态关系模型的故障检测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并按照如下形式构造增广型矩阵Xa∈R(n‑d)×m(d+1)：
【技术特征摘要】
1.一种基于分散式非线性动态关系模型的故障检测方法，其特征在于，包括以下步骤：离线建模阶段的实施过程如下所示：步骤(1)：采集生产过程正常运行状态下的样本，组成训练数据集X∈Rn×m，并按照如下形式构造增广型矩阵Xa∈R(n-d)×m(d+1)：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，xi∈R1×m为第i个采样时刻的样本数据，下标号i＝1，2，…，n，d为引入的延时测量值的个数；步骤(2)：对增广型矩阵Xa中每列实施标准化处理，即将矩阵Xa中各列向量减去其均值后再除以其标准差，从而得到标准化后的矩阵Z∈R(n-d)×m(d+1)，并记Z＝[z1，z2，…，zd(m+1)]，其中zj∈RN×1为矩阵Z中的第j列，N＝n-d，j＝1，2，…，m(d+1)；步骤(3)：设置RBF神经网络隐层节点数γ，并初始化k＝1；步骤(4)：将矩阵Z中的第k列zk取出作为RBF神经网络的输出，RBF神经网络的输入Yk则如下所示：Yk＝[z1，z2，…，zk-1，zk+1，…，zd(m+1)](2)步骤(5)：利用输入Yk与输出zk训练RBF神经网络，从而得到对应于第k个测量变量的非线性动态关系模型：上式中，为RBF神经网络利用输入Yk得到的输出zk的估计值，函数f()为RBF神经网络拟合得到的非线性函数关系；步骤(6)：根据公式计算剔除非线性动态关系影响后的误差向量ek，并判断是否满足条件k＜m？若是，则置k＝k+1后返回步骤(4)；若否，则得到误差矩阵E＝[e1，e2，…，em]；步骤(7)：对误差矩阵E中的每列实施标准化处理，得到均值为0、标准差为1的新数据矩阵步骤(8)：利用主成分分析算法建立故障检测模型，保留模型参数集Θ＝{P，Λ，Dlim，Qlim}，其中P为投影变换矩阵、Λ为主成分的协方差矩阵、Dlim与Qlim分别为监测统计指标D与Q的控制上限；在线过程监测阶段的实施过程如下所示：步骤(9)：收收集新采样时刻的数据样本xt∈R1×m，引入其前d个采样时刻的样本得到增广向量xa＝[xt，xt-1，…，xt-d]，其中t表示当前采样时刻；步骤(10)：对xa实施与步骤(2)同样的标准化处理得到并记步骤(11)：将向量中的第k个元素取出，其余元素组成输入向量yk，并将向量yk输入进步骤(5)中得到的第k个测量变量的非线性动态关系模型中，从而计算得到输出估计值步骤(12)：重复步骤(11)直至得到所有的输出估计值并按照如下所示公式构造误差向量ε...
【专利技术属性】
技术研发人员：宋励嘉，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。