一种基于规范变量分析集成检测器的微小故障检测方法技术

本发明专利技术公开了一种基于规范变量分析集成检测器的微小故障检测方法，首先，确定抽样比例系数，对训练数据进行k次随机有放回采样得到k个子集，再建立k个CVA离线模型，并利用累计信息熵余度法确定主要规范变量个数。然后，在线采集样本数据，用离线过程中的k个CVA模型计算出在线数据的统计量，再与离线计算的最后w

【技术实现步骤摘要】
一种基于规范变量分析集成检测器的微小故障检测方法


[0001]本专利技术涉及数据驱动类工业过程故障检测
，尤其是一种基于规范变量分析集成检测器的微小故障检测方法。

技术介绍

[0002]现代化工过程系统趋于复杂化，具体表现为过程系统的多模态、非线性和易受干扰等特点，这对于保障安全高效的生产提出了巨大的挑战。目前，故障检测的方法大致可以分为三大类：基于解析模型的方法、基于定性经验的方法和基于数据驱动的方法，其中基于数据驱动的方法因具有不需要了解系统过程机理，只需依据采集的过程数据的特点进行传统算法的改进，备受广大学者的关注，并取得了丰厚的研究成果。
[0003]微小故障是指幅值较低，随着工业过程的运行易被噪声掩盖的一类故障。如果忽略微小故障，其容易随着时间的推移演变成严重的故障，轻则造成设备停机给企业带来经济损失，重则可能会产生连锁反应造成安全事故人员伤亡。规范变量分析(CVA)其目的是最大化历史数据和未来数据集之间的相关性，同时考虑了数据间的序列相关性，可以有效的检测显著故障，但对微小故障的检测效果较差。
[0004]专利CN 109739214 A公开了一种基于CVA的间歇过程故障检测方法，根据工业过程正常工况下的数据建立规范变量分析模型，得到规范变量并划分为主元空间和残差空间两部分，通过一个滑动窗口，对主元空间和残差空间的平均数据矩阵建立主元分析模型，给定显著性水平，计算故障检测指标的控制限。采集工业过程数据作为测试数据，利用建立的主元分析模型计算测试数据的故障检测指标，与控制限进行比较判断是否发生故障。此方法针对工业过程的显著故障具有较高的检测率和较低的误报率，但对于工业过程中的微小故障检测效果较差。
[0005]因此，迫切需要一种新的微小故障检测方法，使得该方法对微小故障具有较高的故障检测率。

技术实现思路

[0006]专利技术目的：本专利技术针对传统的基于数据驱动的故障检测方法对微小故障不敏感，故障检测率较低等问题，提出了一种基于规范变量分析集成检测器(CVAED，Canonical Variate Analysis
‑
Based Ensemble Detector)的化工过程微小故障检测方法，充分将多个弱学习器所学习的信息进行重组，结合为具有较强学习能力的集成检测器，使得用该方法进行微小故障检测时具有较高的故障检测率。
[0007]本专利技术采用的技术方案：一种基于规范变量分析集成检测器的微小故障检测方法，包括以下步骤：
[0008]一、离线设计过程
[0009]步骤S1、对TE过程的原始训练数据X进行k次随机采样，得到原始训练数据的k个子集；首先，确定采样次数k＝5；其次，确定随机放回抽样比例系数r＝0.95，通常0.5≤r≤1；
最后，根据公式(1)可以获得采样后的样本数据大小，得到5个大小为n
s
的样本
[0010][0011]步骤S2、对采样后的每个子集进行标准化处理；
[0012]步骤S3、对每个子集进行CVA建模获得与之对应的主元空间与残差空间；
[0013]步骤S301、构造过去信息向量和未来信息向量i表示当前样本时刻，p为过去观察窗口长度和f为未来观察窗口长度；
[0014]步骤S302、收集n
s
个观测样本后得到过去数据矩阵P＝[p
i
,p
i+1
,
…
p
i+n
‑1]T
和未来数据矩阵F＝[f
i
,f
i+1
,
…
f
i+n
‑1]T
；
[0015]步骤S303、利用公式(2)构建过去信息向量和未来信息向量的协方差矩阵与互方差矩阵,其中，S
pp
为P的协方差矩阵，S
ff
为F的协方差矩阵，S
pf
为P与F的互协方差矩；
[0016][0017][0018][0019]步骤S304、利用公式(3)进行奇异值分解；
[0020][0021]步骤S305、利用累计信息熵余度法来确定主元的个数l：利用公式(4)对H进行正则化处理，其中z
ij
为H中相应元素正则化处理的结果；然后，利用公式(5)计算概率矩阵R，利用公式(6)计算信息熵值，利用公式(7)计算信息熵余度，将信息熵余度由大到小排列；最后，根据公式(8)累计信息熵余度达到90％的准则确定主元的个数；
[0022][0023][0024][0025]b
j
＝1
‑
a
j
ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026][0027]步骤S306、利用公式(9)计算出训练数据子集的规范变量并分解为主元空间和残差空间；
[0028][0029][0030]步骤S4、利用公式(10)计算k个CVA检测器的T2统计量与Q统计量；
[0031][0032][0033]步骤S5、将每个检测器求得的统计量从左至右依次堆叠，组成统计量矩阵；
[0034]步骤S6、给定滑动窗口，窗口宽度设置为280，获得滑动窗口内的统计量矩阵T
q
与Q
q
；
[0035]步骤S7、对T
q
与Q
q
进行标准化处理得到与
[0036]步骤S8、采用加权平均的方法计算D
T
统计量与D
Q
统计量；
[0037]步骤S801、取与Q
q
第一个窗口内的统计量矩阵，利用公式(11)进行奇异值分解，得到奇异值矩阵和
[0038][0039][0040]步骤S802、利用公式(12)求各个奇异值的权重,利用公式(13)取前l个奇异值通过加权平均的方法求出D
T
统计量，同理利用公式(14)可求出D
Q
统计量；
[0041][0042][0043][0044]步骤S9、窗口向后滑动，重复执行步骤S6，计算第二个窗口内数据的D
T
统计量与D
Q
统计量，直至计算出所有统计量；
[0045]步骤S10、通过核密度估计的方法确定D
T
与D
Q
统计量的控制限；
[0046]二、在线监测过程
[0047]步骤S1、采集一个TE过程数据x
te
，并利用离线过程中分解的k个子集的均值和标准差进行归一化处理；
[0048]步骤S2、将x
te
输入到离线过程中的k个CVA检测器中计算统计量与Q
te
统计量；
[0049]步骤S201、构建在线数据的过去信息向量
[0050]步骤S202、利用离线过程中步骤S306构建的k个CVA模型计算在线样本的主元信息与残差信息；
[0051]步骤S2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规范变量分析集成检测器的微小故障检测方法，其特征在于：包括以下步骤：一、离线设计过程步骤S1、对TE过程的原始训练数据X进行k次随机采样，得到原始训练数据的k个子集；首先，确定采样次数k＝5；其次，确定随机放回抽样比例系数r＝0.95，通常0.5≤r≤1；最后，根据公式(1)可以获得采样后的样本数据大小，得到5个大小为n
s
的样本的样本步骤S2、对采样后的每个子集进行标准化处理；步骤S3、对每个子集进行CVA建模获得与之对应的主元空间与残差空间；步骤S301、构造过去信息向量和未来信息向量i表示当前样本时刻，p为过去观察窗口长度和f为未来观察窗口长度；步骤S302、收集n
s
个观测样本后得到过去数据矩阵P＝[p
i
,p
i+1
,
…
p
i+n
‑1]
T
和未来数据矩阵F＝[f
i
,f
i+1
,
…
f
i+n
‑1]
T
；步骤S303、利用公式(2)构建过去信息向量和未来信息向量的协方差矩阵与互方差矩阵,其中，S
pp
为P的协方差矩阵，S
ff
为F的协方差矩阵，S
pf
为P与F的互协方差矩；为P与F的互协方差矩；为P与F的互协方差矩；步骤S304、利用公式(3)进行奇异值分解；步骤S305、利用累计信息熵余度法来确定主元的个数l：利用公式(4)对H进行正则化处理，其中z
ij
为H中相应元素正则化处理的结果；然后，利用公式(5)计算概率矩阵R，利用公式(6)计算信息熵值，利用公式(7)计算信息熵余度，将信息熵余度由大到小排列；最后，根据公式(8)累计信息熵余度达到90％的准则确定主元的个数；公式(8)累计信息熵余度达到90％的准则确定主元的个数；
b
j
＝1
‑
a
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)步骤S306、利用公式(9)计算出训练数据子集的规范变量并分解为主元空间和残差空间；间；步骤S4、利用公式(10)计算k个CVA检测器的T2统计量与Q统计量；统计量与Q统计量；步骤S5、将每个检测器求得的统计量从左至右依次堆叠，组成统计量矩阵；步骤S6、给定滑动窗口，窗口宽度设置为280，获得滑动窗口内的统计量矩阵T
q
与Q
q
；步骤S7、对T
q
与Q
q
进行标准化处理得到与步骤S8、采用加权平均的方法计算D
T
统计量与D
Q
统计...

【专利技术属性】
技术研发人员：商亮亮，泮佳俊，顾银波，唐一鸣，傅怀梁，华亮，
申请(专利权)人：南通大学，
类型：发明
国别省市：