一种具有可调整能力的多工况混合变量异常检测方法技术

本发明专利技术公开了一种具有可调整能力的多工况混合变量异常检测方法，属于故障检测领域，主要针对被连续变量和二值变量同时监测的多工况过程，且工况可能发生变化的情况，具体包括离线建模阶段、在线检测和更新阶段；其中，离线建模阶段利用历史工况数据进行模型的构建和训练，得到采样标签计算公式；在实际在线检测时，当有新采样到来时，利用采样标签计算公式进行故障的判断，当出现新工况到来或已有工况消失的情况时，更新先验概率，再进行故障判断。本发明专利技术与传统方法相比，考虑了多种工况的影响，且有新工况到来或者原有工况消失时模型具有扩展和更新能力，使其在多工况过程的异常检测能力更强。检测能力更强。检测能力更强。

【技术实现步骤摘要】
一种具有可调整能力的多工况混合变量异常检测方法


[0001]本专利技术属于故障诊断领域，具体涉及一种具有可调整能力的多工况混合变量异常检测方法。

技术介绍

[0002]现代工业过程受到原材料、生产策略、负载的影响不可避免的会出现多个工况。随着系统的不断运行，新的工况有可能出现，原有的工况也可能消失。而且复杂的工业过程监测变量往往同时包含连续变量和二值变量。而目前传统方法并未考虑多种工况的影响，异常检测能力有限。

技术实现思路

[0003]为了解决上述问题，针对被连续变量和二值变量同时监测的多工况过程，且工况可能随时发生变化的情况提出了一种具有可调整能力的多工况混合变量异常检测方法。
[0004]本专利技术的技术方案如下：
[0005]一种具有可调整能力的多工况混合变量异常检测方法，其特征在于，包括如下步骤：
[0006]步骤1：离线建模，具体包括如下步骤：
[0007]步骤1.1：采样历史工况构建训练数据集共包含N个样本，为第i个采样并包含d个样本，l
i
为x
i
对应的标签，i表示采样时间；记X
k
＝[X
kn
,X
kf
]为工况k的数据，其中和分别为工况k的正常和故障样本；总共包含K1个工况，记x
j
为第j个变量，二值变量和连续变量的集合分别记为和
[0008]步骤1.2：当x
j
∈X
c
时，假设其服从高斯分布
[0009]P
c
(x
j
|l＝γ；θ
j,γ
)＝N(x
j
|l＝γ；u
j,γ
,Σ
j,γ
)
ꢀꢀꢀ
(1)
[0010]其中，u
j,γ
,Σ
j,γ
为对应的均值和标准差；
[0011]步骤1.3：当x
j
∈X
b
时，假设其服从伯努利分布
[0012][0013]其中，δ
j,γ
为第j个变量在γ下的响应函数；
[0014]步骤1.4：计算条件概率
[0015][0016]其中，为标签变量，γ∈{1n,1f,
…
,K1n,K
f
n}，参数向量θ＝{θ
j,γ
,W
j,k
}，θ
j,γ
为第j个变量在类别γ下的参数，W
j,k
为第j个变量在工况k下的权值；
[0017]步骤1.5：如果x
j
＝{x
1j
,
…
,x
ij
,...,x
nj
}∈X
c
，构造二值变量x
′
j
＝{x
′
1j
,...,x
′
ij
,...,x
′
nj
}
[0018][0019]其中所有关于权值的计算都用构造的二值变量代替原始的连续变量进行计算；
[0020]步骤1.6：计算条件概率
[0021][0022]其中，φ(x
j
)为示性函数(如果x
j
＝1，φ(x
j
)＝1；否则φ(x
j
)＝0)，
[0023]步骤1.7：计算条件联合概率
[0024]P(x
j
,x
j
′
|k)＝P(x
j
′
|k){1
‑
φ(x
j
)+(2φ(x
j
)
‑
1)[φ(x
j
′
)η+(1
‑
φ(x
j
′
))η
′
][}
ꢀꢀ
(6)
[0025]其中，
[0026]步骤1.8：计算条件互信息
[0027][0028]步骤1.9：如果x
j
,x
j
′
∈X
c
，则按照下式进行修正
[0029][0030]步骤1.10：计算相关系数
[0031][0032]其中，M(x
j
,l|k)为条件互信息；
[0033]步骤1.11：计算特征权值
[0034][0035]其中,ξ
j,k
为相关系数；
[0036]步骤1.12：当x
j
∈X
b
时，计算响应函数
[0037][0038]其中,如果l
i
＝γ，Ξ
i,γ
＝1，否则Ξ
i,γ
＝0；步骤1.13：当x
j
∈X
c
时，计算均值
[0039][0040]其中
[0041]步骤1.14：当x
j
∈X
c
时，计算标准差
[0042][0043]步骤1.15：计算先验概率
[0044][0045]步骤1.16：计算条件概率
[0046][0047]步骤1.17：新来采样的标签为
[0048][0049]其中，P(l＝γ)为先验概率；
[0050]步骤2：在线检测和更新，具体包括如下步骤：
[0051]步骤2.1：当有新采样到来时，计算(16)式判断是否发生故障；
[0052]步骤2.3：当有新工况到来时，更新先验概率，补充新到来工况的对应参数；
[0053]步骤2.3：当有工况消失时，更新先验概率，删除模型中对应消失工况的参数；
[0054]若：预测标签与正常数据标签相同则认定为正常，预测标签与故障数据标签一致则认为发生故障。
[0055]本专利技术所带来的有益技术效果：
[0056]考虑了多种工况的影响，在有新工况到来或者原有工况消失时模型具有扩展和更新能力，使其在多工况过程的异常检测能力更强。
附图说明
[0057]图1为具有可调整能力的多工况混合变量异常检测方法的流程图；
[0058]图2为增量扩展仿真实验中对工况3的检测率(FDR)箱型结果图；
[0059]图3为工况消失时更新模型对工况1(M1)的故障误报率检测结果图；
[0060]图4为工况消失时更新模型对工况1(M1)的故障检测率检测结果图。
具体实施方式
[0061]下面结合附图以及具体实施方式对本专利技术作进一步详细说明：
[0062]如图1所示，一种具有可调整能力的多工况混合变量异常检测方法，包括如下步骤：
[0063]步骤1：离线建模，具体包括如下步骤：
[006本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有可调整能力的多工况混合变量异常检测方法，其特征在于，包括如下步骤：步骤1：离线建模，具体包括如下步骤：步骤1.1：采样历史工况构建训练数据集共包含N个样本，为第i个采样并包含d个样本，l
i
为x
i
对应的标签，i表示采样时间；记X
k
＝[X
kn
,X
kf
]为工况k的数据，其中和分别为工况k的正常和故障样本；总共包含K1个工况，记x
j
为第j个变量，二值变量和连续变量的集合分别记为和步骤1.2：当x
j
∈X
c
时，假设其服从高斯分布P
c
(x
j
|l＝γ；θ
j,γ
)＝N(x
j
|l＝γ；u
j,γ
,Σ
j,γ
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，u
j,γ
,Σ
j,γ
为对应的均值和标准差；步骤1.3：当x
j
∈X
b
时，假设其服从伯努利分布其中，δ
j,γ
为第j个变量在γ下的响应函数；步骤1.4：计算条件概率其中，为标签变量，γ∈{1n,1f,...,K1n,K
f
n}，参数向量θ＝{θ
j,γ
,W
j,k
}，θ
j,γ
为第j个变量在类别γ下的参数，W
j,k
为第j个变量在工况k下的权值；步骤1.5：如果x
j
＝{x
1j
,...,x
ij
,...,x
nj
}∈X
c
，构造二值变量x
′
j
＝{x
′
1j
,...,x
′
ij
,...,x
′
nj
}其中所有关于权值的计算都用构造的二值变量代替原始的连...

【专利技术属性】
技术研发人员：周东华，王敏，陈茂银，纪洪泉，王建东，钟麦英，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：