【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 ...
【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
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。