一种基于最小误差最小最大概率机的多工况故障检测方法技术

本发明专利技术公开了一种基于最小误差最小最大概率机的多工况故障检测方法，属于检测技术领域，包括以下步骤：获取正常历史多工况数据作为训练集，对训练集提取特征并进行最小

【技术实现步骤摘要】
一种基于最小误差最小最大概率机的多工况故障检测方法


[0001]本专利技术属于检测
，具体涉及一种基于最小误差最小最大概率机的多工况故障检测方法。

技术介绍

[0002]随着计算机、互联网、电子信息等科学技术的迅速发展，现代化工业系统的自动化程度日益提高，系统规模越来越大，一旦系统发生故障，如不能及时地检测和有效处理，轻则可能带来严重的经济损失，严重时甚至会威胁人民的生命安全。数据驱动的故障检测技术作为一种提高系统安全性以及可靠性的重要手段，经过几十年的发展，已经越来越多的应用于各种工业系统，如卫星系统、化工系统、风能转换系统等。一般来说，数据驱动的故障检测方法可大致分为基于多元统计的方法、信号处理的方法、机器学习方法、信息融合方法、粗糙集的方法。
[0003]最小误差最小最大概率机是一种基于概率框架表示的数据驱动方法。其无需假设过程变量的分布形式，在已知过程变量均值和方差的情况下，可以给出误分类数据的上界，近几年来，最小误差最小最大概率机及其扩展形式已经成功应用于故障检测领域。2019年IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY期刊，Jiang等人的论文“Dynamic Minimax Probability Machine
‑
Based Approach for Fault Diagnosis Using Pairwise Discriminate Analysis”提出了一种基于动态最小最大概率机的故障诊断方法,与传统诊断方法相比，动态最小最大概率机不需要对过程变量的分布形式做任何假设，并且具有从过程数据中获取动态信息的优越能力。2019年IEEE TRANSACTIONS ON SYSTEMS,MAN,AND CYBERNETICS:SYSTEMS期刊，Zhong等人的论文“Parity Space Vector Machine Approach to Robust Fault Detection for Linear Discrete
‑
Time Systems”将等价空间方法与最小误差最小最大概率机方法相结合，提出了一种等价向量机的故障检测方法，实现了误报率和故障检测率之间的最优权衡。但是，传统的最小误差最小最大概率机方法通常用于单一工况下的故障检测，实际工业过程中由于产品负荷、原料组分等因素的改变会导致生产工况发生变化，产生多工况过程。因此，如何将最小误差最小最大概率机方法应用于多工况工业过程仍然是一个开放性问题。
[0004]随着现代化系统自动化程度日益提高，对系统的安全性和可靠性要求也越来越高，数据驱动的故障检测技术作为一种提高系统安全性以及可靠性的重要手段，在各种工业系统广泛应用。最小误差最小最大概率机是一种无需假设变量概率分布的数据驱动分类方法，近几年来成功地应用于故障检测领域，但是现有的最小误差最小最大概率机方法通常用于单一工况下的故障检测，实际工业过程中由于产品负荷、原料组分等因素的改变会导致生产工况发生变化，产生多工况过程。

技术实现思路

[0005]针对现有技术中存在的上述技术问题，本专利技术提出了一种基于最小误差最小最大
概率机的多工况故障检测方法，设计合理，克服了现有技术的不足，具有良好的效果。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于最小误差最小最大概率机的多工况故障检测方法，包括以下步骤：
[0008]步骤1：获取正常历史多工况数据作为训练集，对训练集提取特征并进行最小
‑
最大规范化处理；
[0009]步骤2：基于密度的噪声应用空间聚类算法(Density
‑
Based Spatial Clustering of Applications with Noise,DBSCAN)进行工况划分；
[0010]步骤3：利用不同的正常工况数据和离线故障数据建立对应工况的L1
‑
最小误差最小最大概率机故障检测子系统；
[0011]步骤4：对待测数据提取相同的特征，并进行最小
‑
最大规范化处理；
[0012]步骤5：基于规范化后的数据与正常工况中心点之间的距离来判断当前数据所属工况；
[0013]步骤6：调用所属工况的故障检测子系统，去除冗余特征并判断系统是否发生故障。
[0014]优选地，在步骤1中，具体包括以下步骤：
[0015]步骤1.1：获取正常历史多工况数据作为训练集，对训练集数据提取时域特征；定义提取完时域特征后的特征数据集为其中x(i),i＝1,2
···
,n表示第i个正常数据样本，n代表正常数据样本的个数，m代表特征变量的个数；
[0016]步骤1.2：对特征数据集X进行最小
‑
最大规范化处理：
[0017][0018]其中，表示规范化后的数据，x
max
为特征数据x(k),k＝1,2
···
,n的各个变量的最大值，x
min
为特征数据x(k),k＝1,2
···
,n的各个变量的最小值。
[0019]优选地，在步骤2中，具体包括以下步骤：
[0020]步骤2.1：检测数据集中尚未检查过的样本z(k),k＝1,2,
···
,n，如果z(k)未被处理，则检查其eps邻域，若其中包含的样本数不小于minpts，建立新工况C
i
，将其eps邻域中所有其他样本加入C
i
，其中eps邻域代表半径大小为eps的区域，minpts代表判定一个样本是否属于当前工况最小点的个数；
[0021]步骤2.2对C
i
中所有尚未被处理的样本，检查其eps邻域，若其中至少包含minpts个对象样本，则将其邻域中未归入任何一个工况的样本加入C
i
；
[0022]步骤2.3重复步骤2.2，直到没有新的对象加入到当前工况；
[0023]步骤2.4重复步骤2.1～2.3，直到所有的样本都被处理。
[0024]优选地，在步骤3中，具体包括以下步骤：
[0025]步骤3.1：定义代表系统运行在第i个正常工况或者故障f
j
发生时，包含m个变量的特征数据在第k时刻的采样，其中j＝1,2
···
,p，p代表相关故障的个数；J
th
＝b
ij2
分别代表阈值和评价函数，其中是与阈值和评价函数设计相关的参数；基于以下逻辑判断系统是否发生故障：
[0026][0027]不失一般性，定义误报率和故障检测率如下所示：
[0028][0029]其中，f
j
(k)代表待检测的故障向量，Pr{
·
}表示{
·
}的概率；
[0030]因此，系统的误报率和故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最小误差最小最大概率机的多工况故障检测方法，其特征在于：包括以下步骤：步骤1：获取正常历史多工况数据作为训练集，对训练集提取特征并进行最小
‑
最大规范化处理；步骤2：基于密度的噪声应用空间聚类算法进行工况划分；步骤3：利用不同的正常工况数据和离线故障数据建立对应工况的L1
‑
最小误差最小最大概率机故障检测子系统；步骤4：对待测数据提取相同的特征，并进行最小
‑
最大规范化处理；步骤5：基于规范化后的数据与正常工况中心点之间的距离来判断当前数据所属工况；步骤6：调用所属工况的故障检测子系统，去除冗余特征并判断系统是否发生故障。2.根据权利要求1所述的基于最小误差最小最大概率机的多工况故障检测方法，其特征在于：在步骤1中，具体包括以下步骤：步骤1.1：获取正常历史多工况数据作为训练集，对训练集数据提取时域特征；定义提取完时域特征后的特征数据集为其中x(i),i＝1,2
···
,n表示第i个正常数据样本，n代表正常数据样本的个数，m代表特征变量的个数；步骤1.2：对特征数据集X进行最小
‑
最大规范化处理：其中，表示规范化后的数据，x
max
为特征数据x(k),k＝1,2
···
,n的各个变量的最大值，x
min
为特征数据x(k),k＝1,2
···
,n的各个变量的最小值。3.根据权利要求1所述的基于最小误差最小最大概率机的多工况故障检测方法，其特征在于：在步骤2中，具体包括以下步骤：步骤2.1：检测数据集中尚未检查过的样本z(k),k＝1,2,
···
,
n
，如果z(k)未被处理，则检查其eps邻域，若其中包含的样本数不小于minpts，建立新工况C
i
，将其eps邻域中所有其他样本加入C
i
，其中eps邻域代表半径大小为eps的区域，minpts代表判定一个样本是否属于当前工况最小点的个数；步骤2.2对C
i
中所有尚未被处理的样本，检查其eps邻域，若其中至少包含minpts个对象样本，则将其邻域中未归入任何一个工况的样本加入C
i
；步骤2.3重复步骤2.2，直到没有新的对象加入到当前工况；步骤2.4重复步骤2.1～2.3，直到所有的样本都被处理。4.根据权利要求1所述的基于最小误差最小最大概率机的多工况故障检测方法，其特征在于：在步骤3中，具体包括以下步骤：步骤3.1：定义代表系统运行在第i个正常工况或者故障f
j
发生时，包含m个变量的特征数据在第k时刻的采样，其中j＝1,2
···
,p，p代表相关故障的个数；J
th
＝b
ij2
分别代表阈值和评价函数，其中是分别与阈值和评价函数设计相关的参数；基于以下逻辑判断系统是否发生故障：
不失一般性，定义误报率和故障检测率如下所示：其中，f
j
(k)代表待检测的故障向量，Pr{
·
}表示{
·
}的概率；因此，系统的误报率和故障检测率为：步骤3.2：假设特征数据z(k)的概率分布难以估计，但是其正常数据的均值为0，协方差矩阵已知；为了使上述假设成立，对不同工况下提取完时域特征以后的数据进行以下z
‑
score标准化处理：其中，z(k)表示特征提取后的实时待测数据，表示正常工况下特征数据z(k),k＝1,2
···
,n的均值，E[
·
]表示[
·
]的期望；定义分别表示正常数据和故障数据集合；通过标准化数据的均值和协方差矩阵来表征这两个集合，即：来表征这两个集合，即：其中，和分别表示正常情况和故障情况下标准化数据的均值和协方差矩阵；为了保证实现误报率和故障检测率之间的最优权衡，同时去除特征之间的冗余信息，将上述问题表述成以下优化问题：将上述问题表述成以下优化问题：其中，n
l
代表惩罚参数，用以对权重w
ij
施加稀疏性，α
ij
,β
i...

【专利技术属性】
技术研发人员：钟麦英，周建义，薛婷，盖文东，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：