基于深度OSA的关键性能指标故障检测方法、系统和设备技术方案

本发明专利技术公开了基于深度OSA的关键性能指标故障检测方法、系统和设备，利用OSA提取完整、准确的KPI相关子空间数据集和输入相关子空间数据集；基于KPI相关子空间数据集和输入相关子空间数据集计算相关矩阵，以便准确地描述输入与KPI之间的相关性；通过对相关矩阵的深度奇异值分解将KPI相关子空间数据集划分为多个子空间数据集，对KPI相关子空间数据集进行深度分离，并挖掘数据的微小特征，能够提高微小故障检测的准确性。故障检测的准确性。故障检测的准确性。

【技术实现步骤摘要】
基于深度OSA的关键性能指标故障检测方法、系统和设备


[0001]本专利技术涉及工业过程的关键性能指标
，具体是基于深度正交子空间分析的关键性能指标故障检测方法、系统和设备。

技术介绍

[0002]随着工业4.0的正式落地，现代工业逐步提高了其智能程度。与此同时，工业过程的设备单元众多、运行机理复杂，以致故障频发。关键性能指标(Key performance indicators,KPI)是指在工业生产期间与最终产品质量、工业经济效益等有显著联系的重要指标。工业生产过程的连续性使得一些关键性能指标相关的故障易引起非计划性的停机维修以致经济损失巨大，更甚者，造成人员伤亡。因此，亟需研究复杂工业过程的故障检测方法，实时监测工业过程的运行状态，及时地发现故障并判断故障对KPI的影响。
[0003]在实际工业过程中，KPI会有一定的延迟，导致实时采集困难。对此，多元回归方法利用输入变量来检测KPI的状态。在多元回归领域，正交子空间分析(Orthonormal subspace analysis,OSA)是一种新型且有效的算法。虽然该方法可以及时准确地检测出工业运行过程的故障，并正确地判断故障与KPI之间的关系。但是，实际工业过程中的KPI故障多是缓慢发展逐渐形成的，以致微小故障时常发生。微小故障的特征并不明显，与之对应的变量也不会出现明显的变化。对此，由于OSA并没有充分地挖掘数据的深层信息，以致不同空间的负载难以充分反映各个变量的有效方向、早期故障信息难以提取，进而导致检测效果可能不尽如人意。
专利技术内容
[0004]为解决现有技术中的不足，本专利技术提供基于深度正交子空间分析的关键性能指标故障检测方法和系统。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：
[0006]根据本专利技术的一方面，提供一种基于深度OSA的关键性能指标故障检测方法：包括以下步骤：
[0007]S1、采集工业运行过程的离线历史正常数据，包括输入数据集和KPI数据集(即输出数据集)；
[0008]S2、分别对输入数据集和输出数据集进行规范及标准化处理；
[0009]S3、利用OSA将输入数据集划分为KPI相关子空间数据集和KPI不相关子空间数据集，将KPI数据集划分为输入相关子空间数据集和输入不相关子空间数据集；
[0010]S4、计算KPI相关子空间数据集和输入相关子空间数据集之间的相关矩阵(即CM,Correlation matrix)；
[0011]S5、对相关矩阵进行深度奇异值分解，获取不同方向的KPI相关数据集；
[0012]S6、利用主元分析将KPI不相关子空间数据集和输入不相关子空间数据集均分别划分为主元空间数据集和残差空间数据集；
[0013]S7、建立深度OSA模型；
[0014]S8、利用深度OSA模型，在线检测工业运行状态。
[0015]进一步的，S5中对相关矩阵进行深度奇异值分解，获取不同方向的KPI相关数据集，包括：
[0016]S5.1、一阶分解：对相关矩阵进行奇异值分解，将其划分为两个互相正交的子空间，进而得到两个子空间的映射矩阵；
[0017]S5.2、二阶分解：对S5.1中的两个子空间中的相关矩阵分别进行奇异值分解，进而将各相关矩阵划分为两个互相正交的子空间，最终得到四个空间的映射矩阵；
[0018]S5.3、l阶分解：按照S5.1和S5.2的方法依次对各空间中的相关矩阵进行奇异值分解，通过l阶分解可以将相关矩阵划分为2
l
个子空间，进而得到2
l
个子空间的映射矩阵；
[0019]S5.4、将KPI相关子空间数据集映射到分解后的2
l
个子空间的投影矩阵中，进而将KPI相关子空间数据集划分为2
l
个子空间数据集。
[0020]进一步的，根据S5.4和S6，建立最终的深度OSA模型：将输入数据集表示为其2
l
个KPI相关子空间数据集、KPI不相关子空间的主元空间数据集和KPI不相关子空间的残差空间数据集之和，将输出数据集表示为其输入相关子空间的数据集、输入不相关子空间的主元空间数据集和输入不相关子空间的残差空间数据集之和。
[0021]进一步的，S8利用深度OSA模型，在线检测工业运行状态，具体包括：
[0022]S8.1：在线采集工业运行过程的输入数据和输出数据
[0023]S8.2：对在线获取的输入数据和KPI数据进行规范及标准化；
[0024]S8.3：计算在线获取的输入数据在2
l
个KPI相关子空间中的霍特林统计量、KPI不相关子空间的主元空间中的霍特林统计量、KPI不相关子空间的残差空间中的SPE统计量，计算在线获取的KPI数据在输入不相关子空间的主元空间中的霍特林统计量、在输入不相关子空间的残差空间中的SPE统计量；
[0025]S8.4：判断工业运行状态：若在线获取的输入数据在2
l
个KPI相关子空间中的霍特林统计量中至少有一个统计量高于其相应的置信限，则认为发生了KPI相关的故障；否者执行S8.5；
[0026]S8.5：若在线获取的输入数据在KPI不相关子空间的主元空间中的霍特林统计量、在线获取的输入数据在KPI不相关子空间的残差空间中的SPE统计量中至少有一个统计量高于其相应的置信限，则认为发生了KPI不相关的故障；否者执行S8.6；
[0027]S8.6：若在线获取的KPI数据在输入不相关子空间的主元空间中的霍特林统计量、在线获取的KPI数据在输入不相关子空间的残差空间中的SPE统计量中至少有一个统计量高于其相应的置信限，则认为发生了输入不相关的故障。否则继续在线获取下一时刻的输入数据和KPI数据，返回S8.1。
[0028]其中，预设置信限通过核密度估计计算得到。
[0029]根据本专利技术的另一方面，提供基于深度OSA的关键性能指标故障检测系统，包括：
[0030]数据采集模块，用于采集工业运行过程的离线历史正常数据，包括输入数据集和KPI数据集；
[0031]数据处理模块，用于分别对输入数据集和KPI数据集进行规范及标准化处理；
[0032]第一数据划分模块，用于通过OSA将输入数据集划分为KPI相关子空间数据集和
KPI不相关子空间数据集，将输出数据集划分为输入相关子空间数据集和输入不相关子空间数据集；
[0033]数据计算模块，用于计算KPI相关子空间数据集和输入相关子空间数据集之间的相关矩阵；
[0034]数据分解模块，用于对相关矩阵进行深度奇异值分解，获取不同方向的KPI相关数据集；
[0035]第二数据划分模块，用于利用主元分析将KPI不相关子空间数据集和输入不相关子空间数据集分别划分为主元空间数据集和残差空间数据集；
[0036]模型建立模块，用于建立深度OSA模型；
[0037]检测模块，用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度OSA的关键性能指标故障检测方法，其特征在于，包括以下步骤：S1、采集工业运行过程的离线历史正常数据，包括输入数据集和KPI数据集；S2、分别对输入数据集和KPI数据集进行规范及标准化处理；S3、利用OSA将输入数据集划分为KPI相关子空间数据集和KPI不相关子空间数据集，将KPI数据集划分为输入相关子空间数据集和输入不相关子空间数据集；S4、计算KPI相关子空间数据集和输入相关子空间数据集之间的相关矩阵；S5、对相关矩阵进行深度奇异值分解，获取不同方向的KPI相关数据集；S6、利用主元分析将KPI不相关子空间数据集和输入不相关子空间数据集均分别划分为主元空间数据集和残差空间数据集；S7、建立深度OSA模型；S8、利用深度OSA模型，在线检测工业运行状态。2.根据权利要求1所述的基于深度OSA的关键性能指标故障检测方法，其特征在于，S5中对相关矩阵进行深度奇异值分解，获取不同方向的KPI相关数据集，包括：S5.1、一阶分解：对相关矩阵进行奇异值分解，将其划分为两个互相正交的子空间，进而得到两个子空间的映射矩阵；S5.2、二阶分解：对S5.1中的两个子空间中的相关矩阵分别进行奇异值分解，进而将各相关矩阵划分为两个互相正交的子空间，最终得到四个空间的映射矩阵；S5.3、l阶分解：按照S5.1和S5.2的方法依次对各空间中的相关矩阵进行奇异值分解，通过l阶分解可以将相关矩阵划分为2
l
个子空间，进而得到2
l
个子空间的映射矩阵；S5.4、将KPI相关子空间数据集映射到分解后的2
l
个子空间的投影矩阵中，进而将KPI相关子空间数据集划分为2
l
个子空间数据集。3.根据权利要求2所述的基于深度OSA的关键性能指标故障检测方法，其特征在于，据S5.4和S6，建立最终的深度OSA模型：将输入数据集表示为其2
l
个KPI相关子空间数据集、KPI不相关子空间的主元空间数据集和KPI不相关子空间的残差空间数据集之和，将KPI数据集表示为其输入相关子空间的数据集、输入不相关子空间的主元空间数据集和输入不相关子空间的残差空间数据集之和。4.根据权利要求1所述的基于深度OSA的关键性能指标故障检测方法，其特征在于，S8利用深度OSA模型，在线检测工业运行状态，具体包括：S8.1：在线采集工业运行过程的输入数据和KPI数据；S8.2：对在线获取的输入数据和KPI数据进行规范及标准化；S8.3：计算在线获取的输入数据在2
l
个KPI相关子空间中的霍特林统计量、KPI不相关子空间的主元空间中的霍特林统计量、KPI不相关子空间的残差空间中的SPE统计量，计算在线获取的KPI数据在输入不相关子空间的主元空间中的霍特林统计量、在输入不相关子空间的残差空间中的SPE统计量；S8.4：判断工业运行状态：若在线获取的输入数据在2
l
个KPI相关子空间中的霍特林统计量中至少有一个统计量高于其相应的置信限，则...

【专利技术属性】
技术研发人员：孙荣荣，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：