【技术实现步骤摘要】
一种基于双层分布式和集成贝叶斯推理的故障检测方法
[0001]本专利技术涉及工业系统故障检测
，具体涉及一种基于双层分布式和集成贝叶斯推理的故障检测方法
。
技术介绍
[0002]随着现代工业规模的不断扩大，日趋复杂化的工业系统更容易导致重大安全事故的发生
。
为了保障工业系统能够长期稳定运行，及时发现并精准检测故障是工业领域的研究难点
。
[0003]现有的主成分分析
(PCA)
方法，假定数据服从高斯分布，且假定不同时间的样本是独立的
。
然而，在实际工业中，并不一定满足上述假定
。
为此，动态
PCA(DPCA)
模型和慢特征分析被提出来解决动态相关性问题，独立分量分析
(ICA)、
动态独立分量分析
(DICA)
被提出来处理非高斯过程
。
然而上述集中式方法不能很好的处理大规模的工业数据，在最近的研究中，有学者用分布式方法来处理大规模数据，比如用分布式主成分分
【技术保护点】
【技术特征摘要】
1.
一种基于双层分布式和集成贝叶斯推理的故障检测方法，在工业系统重要节点处安装状态参数监测传感器，对状态参数进行采集和处理，得到包含
n
个样本和
m
个变量的样本集
X
＝
[x1,x2,...,x
m
]∈R
n
×
m
，所述样本集
X
既有正常样本也有故障样本，其特征在于，包括离线建模阶段和模型测试阶段；所述离线建模阶段包括如下步骤：
S11
：选择正常样本作为训练集，计算得到训练集中样本的列均值和列方差，并对训练集中的样本进行标准化处理；
S12
：第一层块划分方式：利用
Jarque
‑
Bera
检验对训练集中的样本进行第一层块划分得到训练集高斯块和非高斯块；所述高斯块包含高斯变量，所述非高斯块包含非高斯变量；
S13
：对
S12
得到的训练集高斯块和非高斯块进行增广，分别得到训练集增广高斯子块和增广非高斯子块
。S14
：第二层块划分方式：利用
K
‑
means
聚类分别对
S13
中训练集增广高斯子块和增广非高斯子块中的变量进行第二层块划分，得到若干个训练集高斯聚类子块和非高斯聚类子块；
S15
：对
S14
中训练集各高斯聚类子块运用
PCA
方法，得到训练集每个高斯聚类子块的控制限；同时，对
S14
中训练集各非高斯聚类子块运用
ICA
方法，得到训练集每个非高斯聚类子块的控制限；所述模型测试阶段包括如下步骤：
S21
：选择故障样本作为测试集，并对测试集中的样本进行归一化处理；所述归一化处理是将样本的每列值减去
S11
中训练集样本的列均值再除以
S11
中训练集样本的列方差；
S22
：利用离线建模阶段中的第一层块划分方式对归一化处理的测试集中的样本进行第一层块划分得到测试集高斯块和非高斯块；对测试集高斯块和非高斯块进行增广，分别得到测试集增广高斯子块和增广非高斯子块；对测试集增广高斯子块和增广非高斯子块中的变量利用离线建模阶段中的第二层块划分方式进行划分，得到若干个分别与
S14
中训练集高斯聚类子块和非高斯聚类子块对应的测试集高斯聚类子块和非高斯聚类子块；
S23
：对
S22
中测试集各高斯聚类子块运用
PCA
方法，得到测试集每个高斯聚类子块的监控统计量；对
S22
中测试集各非高斯聚类子块运用
ICA
方法，得到测试集每个非高斯聚类子块的监控统计量；
S24
：根据离线建模阶段
S15
中训练集高斯聚类子块的控制限和
S23
中得到的测试集高斯聚类子块的监控统计量，计算出
S22
中测试集每个高斯聚类子块的故障概率指标和样本检测准确率；并根据离线建模阶段
S15
中训练集非高斯聚类子块的控制限和
S23
中得到的测试集非高斯聚类子块的监控统计量，计算出
S22
中测试集每个非高斯聚类子块的故障概率指标和样本检测准确率；其次通过样本检测准确率计算
S22
中测试集高斯聚类子块和非高斯聚类子块的归一化权重，然后再进行贝叶斯推理，将归一化权重分配到对应测试集高斯聚类子块和非高斯聚类子块故障概率指标上，进而得到全局监控统计量；
S25
：判断
S24
所述全局监控统计量是否超过阈值，若是，说明检测到故障，离线建模阶段完成；若否，重新回到
S11
继续进行离线建模
。2.
根据权利要求1所述的基于双层分布式和集成贝叶斯推理的故障检测方法，其特征在于，所述标准化处理是指将训练集中每个样本的每列元素减去其所在列的均值，再除以所在列的标准差，从而使每列元素服从均值为0，标准差为1的正态分布
。
3.
根据权利要求1所述的基于双层分布式和集成贝叶斯推理的故障检测方法，其特征在于，
S13
和
S22
中所述增广通过在高斯块中和非高斯块中加入变量时间滞后值的方式进行
。4.
根据权利要求1‑3任一所述的基于双层分布式和集成贝叶斯推理的故障检测方法，其特征在于，
S15
所述训练集每个高斯聚类子块的控制限的计算，包括如下步骤：
S1511
：通过
PCA
将训练集第
i
个高斯聚类子块进行分解，公式如下：其中，
T∈R
n
×
k
，分别表示得分矩阵
、
载荷矩阵和残差矩阵，
k
代表主成分个数，通过计算累积方差百分比
(CPV)
得到；
n
表示样本个数；
m
i
表示训练集第
i
个高斯聚类子块中的变量个数；
(
·
)
T
表示转置运算；
S1512
：通过公式计算得到
T
i2
统计量和
SPE
i
统计量，所述公式如下：统计量，所述公式如下：其中，表示训练集第
i
个高斯聚类子块；表示载荷矩阵；
Λ
k
由主成分的协方差矩阵的前
k
个最大特征值组成；
I
表示单位矩阵；
(
·
)
T
表示转置运算；
S1513
：通过公式计算
S1512
中
T
i2
统计量和
SPE
i
统计量对应的训练集第
i
个高斯聚类子块控制限，所述公式如下：块控制限，所述公式如下：其中，
k
表示自由度；
n
表示样本个数；
F
k,n
‑
k,
α
表示第一自由度为
k
，第二自由度为
n
‑
k
的
F
分布；
α
表示显著性水平；
C
α
是对应于高斯分布的标准偏差
。5.
根据权利要求4所述的基于双层分布式和集成贝叶斯推理的故障检测方法，其特征在于，
S15
中所述训练集每个非高斯聚类子块的控制限的计算，包括如下步骤：
S1521
：通过
ICA
将训练集第
j
个非高斯聚类子块进行分解，公式如下：其中，
A∈R
n
×
d
，
E
分别表示混合矩阵
、
独立成分矩阵和残差矩阵；
n
表示样本个数；
m
j
表示训练集第
j
个非高斯聚类子块中的变量个数；
d
表示独立成分的数量；
S1522
：采用
FastICA
方法将分解为
【专利技术属性】
技术研发人员：韩冰，张祎芳，孙凯，韩敏，吴中岱，董胜利，陈宇航，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
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。