一种基于Deep DPCA-SVM的故障检测方法技术

本发明专利技术公开了一种基于Deep DPCA‑SVM的故障检测方法，首先在工业生产系统正常工况和M个不同类型故障工况下获取若干采样时刻的测量数据向量，然后生成每种工况对应的动态样本矩阵并进行标准化，采用正常工况标准化的动态样本矩阵对预选构建好的Deep DPCA模型进行训练，然后将每种工况标准化的动态样本矩阵输入训练好的Deep DPCA模型，计算每个工况对应的比例向量作为SVM模型的训练样本集，再对SVM模型进行训练，在工业生产系统运行过程中，采用相同方法获取当前采样时刻的比例向量，通过训练好的SVM模型实现故障检测。本发明专利技术构造多层DPCA模型形成Deep DPCA模型提取样本中的动态特征，结合SVM模型实现故障检测，可以有效提升故障检测效果。

A fault detection method based on deep dpca-svm

【技术实现步骤摘要】
一种基于DeepDPCA-SVM的故障检测方法
本专利技术属于工业生产系统故障检测
，更为具体地讲，涉及一种基于DeepDPCA-SVM的故障检测方法。
技术介绍
现代工业生产已越来越规模化、复杂化，若生产过程出现故障，不仅影响产品质量，更容易对人的生命安全造成威胁。因此常常采用故障检测技术来监控工业生产状况。由于复杂的工业生产系统的生产过程难以采用精确的机理建模方法，因而使用数据驱动技术进行故障检测的方法得到了广泛关注。数据驱动技术的思想是使用历史过程数据中的内在信息来判断当前生产过程的状况，从而实现故障的检测与诊断。数据驱动技术包括主成分分析(PrincipalComponentAnalysis，PCA)方法、支持向量机(SupportVectorMachines，SVM)方法等。PCA方法的思想是利用正交变换提取出样本中线性无关的特征分量，从而实现特征提取与数据降维。SVM方法是将样本特征投影到高维空间，并在高维空间求取分类超平面，从而实现样本分类。因而使用PCA进行特征提取，再使用SVM对特征进行分类的PCA-SVM故障检测方法得到了广泛的研究。PCA方法通过样本特征的协方差矩阵获得了正交变换的变换矩阵，但该协方差矩阵的计算会受到样本中存在的离群值和噪声的影响，因而不能充分利用协方差矩阵的信息，导致特征提取效果降低，从而使基于SVM方法检测故障的效果难以提高。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于DeepDPCA-SVM的故障检测方法，通过结合DeepDPCA模型和SVM模型，提升故障检测效果。为了实现以上专利技术目的，本专利技术基于DeepDPCA-SVM的故障检测方法包括以下步骤：S1：在工业生产系统正常工况和M个不同类型故障工况下，由预先设置的若干测量设备对工业生产系统的工作信号进行测量，得到不同工况下若干采样时刻的K维测量数据向量，K表示每次测量所得到的测量数据数量；对于第m种工况，其中m＝0表示正常工况，m＝1,2,…,M表示故障工况，记其所得到的测量数据向量数量为Rm，将Rm个测量数据向量按照采样时刻进行升序排列，记其第r个测量数据向量为xm(im,r)，im,r表示第m种工况下第r个测量数据向量对应的采样时刻，r＝1,2,…,Rm；S2：对于测量数据向量xm(im,r)，如果在对应采样时刻im,r之前存在D个连续采样时刻的测量数据向量xm(im,r-d)，d＝1,2,…,D，则将测量数据向量xm(im,r)与D个测量数据向量xm(im,r-d)，拼接为一个长度为K(D+1)的向量，d＝1,2,…,D，将该向量作为一个动态样本ym(im,r)，如果不存在D个连续采样时刻的测量数据向量xm(im,r-d)，则不作任何操作；记第m种工况下所得到的动态样本数量为Nm，将各个动态样本作为行向量，组合得到动态样本矩阵Ym：其中，ym(n)表示动态样本矩阵Ym中第n个动态样本，n＝1,2,…,Nm；S3：分别对各个工况下的动态样本矩阵Ym进行标准化，得到标准化的动态样本矩阵S4：构建DeepDPCA模型，包括H层DPCA结构，DPCA表示动态主元分析，第s层共有2s-1个DPCA模型，s＝1,2,…,H；记第s层中第t个DPCA模型的输入为矩阵Xs,t，t＝1,2,…,2s-1，DPCA模型采用下式对输入矩阵Xs,t进行分解：其中，Ps,t和Es,t分别表示输入矩阵Xs,t的承载矩阵和残差矩阵，承载矩阵Ps,t通过输入矩阵Xs,t的协方差矩阵Ss,t进行特征值分解得到，如下式所示：矩阵Λs,t是由协方差矩阵Ss,t的特征值按从大到小的顺序沿对角线排列得到的对角矩阵，矩阵Vs,t则由特征值对应的特征向量组成；从特征向量矩阵Vs,t选择前若干列特征向量，即可组成承载矩阵Ps,t；将作为第s+1层中第2t-1个DPCA模型的输入Xs+1,2t-1，将Es,t作为第s+1层中第2t个DPCA模型的输入Xs+1,2t；S5：将正常工况下对应的标准化的动态样本矩阵作为DeepDPCA模型中第1层DPCA模型的输入矩阵X1,1，依次进行分解，得到DeepDPCA模型中各个DPCA模型的承载矩阵Ps,t，以及特征值对角矩阵Λs,t；S6：将各个工况标准化后的动态样本矩阵分别作为DeepDPCA模型的输入，由DeepDPCA模型进行分解计算，在分解过程中各个DPCA模型的承载矩阵Ps,t以及特征值对角矩阵Λs,t均采用步骤S5得到的结果；对于动态样本矩阵将DeepDPCA模型分解过程中第H层中2H-1个DPCA模型各自的输入矩阵记为t＝1,2,…,2H-1，然后计算每个输入矩阵的T2统计量和Q统计量，其计算公式分别如下：其中，表示输入矩阵的第n个行向量，PH,t表示第H层中第t个DPCA模型的承载矩阵，表示第H层中第t个DPCA模型的特征值对角矩阵，上标-1表示求取逆矩阵。分别将Nm个行向量的两个统计量进行组合，得到如下两个统计量向量：S7：分别估计正常工况对应的N0组统计量向量的概率密度函数fT2,t(x)和fQ,t(x)，按照如下公式计算N0组概率密度函数的控制限UT2,t和UQ,t：其中，α表示预设的置信水平；S8：对于各个工况，采用如下公式计算得到输入矩阵中Nm个行向量的比例向量：其中，G＝2H-1；S9：将正常工况对应的N0个比例向量作为无故障样本，设置标签为-1，将M个故障工况的个比例向量作为故障样本，设置标签为+1，从而得到SVM模型的训练样本集；S10：采用步骤S9得到的训练样本集对SVM模型进行训练，得到训练好的SVM模型；S11：在工业生产系统运行过程中，将某个采样时刻i′的测量数据向量与前D个连续采样时刻的测量数据向量，拼接成长度为K(D+1)的向量，作为采样时刻i′的动态样本y(i′)，将该动态样本y(i′)作为行向量，得到动态样本矩阵Y′，采用步骤S3中的相同标准化方法对动态样本矩阵Y′标准化，得到标准化后的动态样本矩阵将其输入训练好的DeepDPCA模型，并按照步骤S6中的方法计算得到统计量向量(T2)′H,t＝[(T2)′H,t(1)]、Q′H,t＝[Q′H,t(1)]；然后按照步骤S8中的方法计算得到比例向量v′H(1)：将该比例向量v′H(1)输入训练好的SVM模型中，得到采样时刻i′时工业生产系统是否处于故障工况的检测结果。本专利技术基于DeepDPCA-SVM的故障检测方法，首先在工业生产系统正常工况和M个不同类型故障工况下获取若干采样时刻的测量数据向量，然后生成每种工况对应的动态样本矩阵并进行标准化，采用正常工况标准化的动态样本矩阵对预选构建好的DeepDPCA模型进行训练，然后将每种工况标准化的动态样本矩阵输入训练好的DeepDPCA模型，计算每个工况对应的比例向量作本文档来自技高网...

【技术保护点】
1.一种基于Deep DPCA-SVM的故障检测方法，其特征在于，包括以下步骤：/nS1：在工业生产系统正常工况和M个不同类型故障工况下，由预先设置的若干测量设备对工业生产系统的工作信号进行测量，得到不同工况下若干采样时刻的K维测量数据向量，K表示每次测量所得到的测量数据数量；对于第m种工况，其中m＝0表示正常工况，m＝1,2,…,M表示故障工况，记其所得到的测量数据向量数量为R

【技术特征摘要】
1.一种基于DeepDPCA-SVM的故障检测方法，其特征在于，包括以下步骤：
S1：在工业生产系统正常工况和M个不同类型故障工况下，由预先设置的若干测量设备对工业生产系统的工作信号进行测量，得到不同工况下若干采样时刻的K维测量数据向量，K表示每次测量所得到的测量数据数量；对于第m种工况，其中m＝0表示正常工况，m＝1,2,…,M表示故障工况，记其所得到的测量数据向量数量为Rm，将Rm个测量数据向量按照采样时刻进行升序排列，记其第r个测量数据向量为xm(im,r)，im,r表示第m种工况下第r个测量数据向量对应的采样时刻，r＝1,2,…,Rm；
S2：对于测量数据向量xm(im,r)，如果在对应采样时刻im,r之前存在D个连续采样时刻的测量数据向量xm(im,r-d)，d＝1,2,…,D，则将测量数据向量xm(im,r)与D个测量数据向量xm(im,r-d)，拼接为一个长度为K(D+1)的向量，d＝1,2,…,D，将该向量作为一个动态样本ym(im,r)，如果不存在D个连续采样时刻的测量数据向量xm(im,r-d)，则不作任何操作；
记第m种工况下所得到的动态样本数量为Nm，将各个动态样本作为行向量，组合得到动态样本矩阵Ym：



其中，ym(n)表示动态样本矩阵Ym中第n个动态样本，n＝1,2,…,Nm；
S3：分别对各个工况下的动态样本矩阵Ym进行标准化，得到标准化的动态样本矩阵



S4：构建DeepDPCA模型，包括H层DPCA结构，第s层共有2s-1个DPCA模型，s＝1,2,…,H；记第s层中第t个DPCA模型的输入为矩阵Xs,t，t＝1,2,…,2s-1，DPCA模型采用下式对输入矩阵Xs,t进行分解：



其中，Ps,t和Es,t分别表示输入矩阵Xs,t的承载矩阵和残差矩阵，承载矩阵Ps,t通过输入矩阵Xs,t的协方差矩阵Ss,t进行特征值分解得到，如下式所示：



矩阵Λs,t是由协方差矩阵Ss,t的特征值按从大到小的顺序沿对角线排列得到的对角矩阵，矩阵Vs,t则由特征值对应的特征向量组成；从特征向量矩阵Vs,t选择前若干列特征向量，即可组成承载矩阵Ps,t；
将作为第s+1层中第2t-1个DPCA模型的输入Xs+1,2t-1，将Es,t作为第s+1层中第2t个DPCA模型的输入Xs+1,2t；
S5：将正常工况下对应的标准化的动态样本矩阵作为DeepDPCA模型中第1层DPCA模型的输入矩阵X1,1，依次进行分解，得到DeepDPCA模型中各个DPCA模型的承载矩阵Ps,t，以及特征值对角矩阵Λs,t；
S6：将各个工况标准化后的动态样本矩阵分别作为...

【专利技术属性】
技术研发人员：凡时财，张建，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51