基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè)方法。傳統(tǒng)的基于修正型獨(dú)立元分析的故障檢測(cè)方法需要選擇一個(gè)的非二次函數(shù)，以度量非高斯性大小。然而，不同的工業(yè)過(guò)程數(shù)據(jù)或?qū)ο髸?huì)造成實(shí)際應(yīng)用中難以獲取足夠多的經(jīng)驗(yàn)知識(shí)去指導(dǎo)非二次函數(shù)的選擇。對(duì)此，本發(fā)明方法首先針對(duì)不同的非二次函數(shù)，利用工業(yè)過(guò)程的正常數(shù)據(jù)訓(xùn)練得到不同的修正型獨(dú)立元模型；然后通過(guò)貝葉斯概率融合方法將這多個(gè)故障檢測(cè)模型的決策結(jié)果進(jìn)行集成，獲得最終的概率型監(jiān)測(cè)指標(biāo)。與現(xiàn)有方法相比，本發(fā)明能解決因非二次函數(shù)多樣性而引起的模型不確定問(wèn)題，充分考慮了多個(gè)模型可能性，在很大程度上增強(qiáng)了故障檢測(cè)模型的可靠性。
【專利說(shuō)明】
基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢 測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于工業(yè)過(guò)程控制領(lǐng)域，尤其涉及一種基于修正型獨(dú)立元分析和貝葉斯概 率融合的工業(yè)過(guò)程故障檢測(cè)方法。
【背景技術(shù)】
[0002] 日趨激烈的市場(chǎng)競(jìng)爭(zhēng)對(duì)現(xiàn)代工業(yè)過(guò)程的生產(chǎn)安全提出了更高的要求，及時(shí)而可靠 的故障檢測(cè)方法已成為整個(gè)生產(chǎn)系統(tǒng)中不可或缺的組成部分。由于現(xiàn)代工業(yè)過(guò)程復(fù)雜與大 型化趨勢(shì)，運(yùn)行過(guò)程中難免會(huì)出現(xiàn)不同種類的故障。若是無(wú)法及時(shí)的觸發(fā)故障警報(bào)，有可能 引發(fā)操作事故，嚴(yán)重影響產(chǎn)品的質(zhì)量，甚至造成生命和財(cái)產(chǎn)上難以估量的損失。因此，如何 建立更加可靠而有效的故障檢測(cè)模型，及時(shí)地甄別出生產(chǎn)過(guò)程出現(xiàn)的故障，一直以來(lái)都是 工業(yè)界和學(xué)術(shù)界高度重視的問(wèn)題之一。
[0003] 在現(xiàn)有的故障檢測(cè)方法體系中，數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法已經(jīng)發(fā)展成為主流技術(shù) 手段。其中，以主元分析(PCA)與獨(dú)立元分析(ICA)方法為代表，通過(guò)提取過(guò)程數(shù)據(jù)中潛藏的 有用信息來(lái)描述過(guò)程運(yùn)行的本質(zhì)，并在此基礎(chǔ)上監(jiān)測(cè)生產(chǎn)過(guò)程運(yùn)行狀態(tài)是否出現(xiàn)異常。相 比于PCA方法，ICA方法不再要求過(guò)程數(shù)據(jù)近似服從高斯分布，且利用了數(shù)據(jù)的高階統(tǒng)計(jì)信 息來(lái)提取過(guò)程數(shù)據(jù)的潛隱成分，更適合于處理非高斯工業(yè)過(guò)程數(shù)據(jù)建模與故障檢測(cè)問(wèn)題。 然而，傳統(tǒng)的ICA方法在建立故障檢測(cè)模型時(shí)存一些不可避免的問(wèn)題。首先，由于初始值的 隨機(jī)產(chǎn)生，導(dǎo)致了所建立模型的不確定性。其次，用來(lái)估計(jì)變量非高斯性程度的非二次函數(shù) 有三種可選形式，這也會(huì)造成所建模型的不確定性。雖然，修正型的獨(dú)立元分析法(MICA)能 較好的克服第一問(wèn)題，但是，由于非二次函數(shù)選擇的多樣性所導(dǎo)致的模型不確定性會(huì)降低 相應(yīng)故障檢測(cè)方法的準(zhǔn)確性與可靠性。而想找到一種適合各種故障類型的非二次函數(shù)是不 可能的。若是能將不同非二次函數(shù)所對(duì)應(yīng)的MICA模型的故障檢測(cè)結(jié)果進(jìn)行融合，即考慮所 有的模型可能性，這將大幅度提升MICA方法檢測(cè)故障的精確性與可靠性。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有方法的不足，本發(fā)明提供一種基于修正型獨(dú)立元分析和貝葉斯概率 融合的工業(yè)過(guò)程故障檢測(cè)方法。本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為:一種基于 修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè)方法，包括以下步驟：
[0005] (1)收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成建模用的訓(xùn)練數(shù)據(jù)集:X = [XI，XI，…，χη]τ，其中，X e RnXm，n為訓(xùn)練樣本數(shù)，m為過(guò)程測(cè)量變量數(shù)，R為實(shí)數(shù)集，RnXm表示η Xm維的實(shí)數(shù)矩陣，上標(biāo)號(hào)Τ表示矩陣轉(zhuǎn)置。
[0006] (2)對(duì)數(shù)據(jù)集X進(jìn)行標(biāo)準(zhǔn)化處理，使每個(gè)測(cè)量變量的均值為0,方差為1，得到新的數(shù) 據(jù)矩陣叉=閑為，…忑] T
[0007] (3)利用PCA方法對(duì)數(shù)據(jù)矩陣叉進(jìn)行白化處理得到數(shù)據(jù)矩陣ZeRnXM。其中，Μ彡m為 矩陣Z中變量個(gè)數(shù)。
[0008] (4)針對(duì)不同的非二次函數(shù)，調(diào)用MICA迭代算法建立不同的MICA故障檢測(cè)模型，總 計(jì)建立三個(gè)MICA模型；
[0009] (5)對(duì)訓(xùn)練數(shù)據(jù)構(gòu)造相應(yīng)的T2和Q統(tǒng)計(jì)量，并利用和密度估計(jì)(KDE)法分別得到T 2和 Q統(tǒng)計(jì)量在置信度α = 99%條件下所對(duì)應(yīng)的控制限；
[0010] (6)收集新的過(guò)程采樣數(shù)據(jù)Xmewerxl，并將其進(jìn)行標(biāo)準(zhǔn)化處理得到七
[0011] (7)分別采用不同的MICA模型對(duì)其進(jìn)行故障檢測(cè)，即建立統(tǒng)計(jì)量T2和Q，這樣3個(gè) MICA模型總計(jì)給出3組對(duì)應(yīng)于新樣本數(shù)據(jù)七^(guò)的監(jiān)測(cè)結(jié)果；
[0012] (8)通過(guò)貝葉斯推理，將得到的3組監(jiān)測(cè)結(jié)果以概率的形式融合在一起，即得到分 別對(duì)應(yīng)于T 2和Q統(tǒng)計(jì)量的概率型監(jiān)測(cè)指標(biāo)與BIQ，并做出關(guān)于新數(shù)據(jù)是否正常的決 策。
[0013] 與現(xiàn)有方法相比，本發(fā)明的優(yōu)點(diǎn)在于:本發(fā)明利用每個(gè)非二次函數(shù)分別建立相應(yīng) 的MICA模型。然后，引入貝葉斯推理方法對(duì)不同模型下的監(jiān)測(cè)結(jié)果進(jìn)行集成與概率融合，以 獲得最后的綜合性監(jiān)測(cè)指標(biāo)。相比于現(xiàn)有方法，本發(fā)明能解決因非二次函數(shù)多樣性而引起 的模型不確定問(wèn)題，增加了故障檢測(cè)模型的可靠性與穩(wěn)定性。因此，本發(fā)明可以在很大程度 上降低MICA方法對(duì)先驗(yàn)知識(shí)的依賴性，增強(qiáng)故障檢測(cè)模型的可靠性，從而更加有利于工業(yè) 自動(dòng)化的實(shí)施。
【附圖說(shuō)明】
[0014] 圖1是本發(fā)明所涉及方法的實(shí)施流程圖。 具體實(shí)施方法
[0015] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的說(shuō)明。
[0016] 如圖1所示，本發(fā)明公開(kāi)了一種基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè) 過(guò)程故障檢測(cè)方法。針對(duì)工業(yè)過(guò)程故障檢測(cè)問(wèn)題，首先利用數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過(guò)程正 常運(yùn)行狀態(tài)下的數(shù)據(jù)集，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化。其次，針對(duì)不同的非二次函數(shù)建立相應(yīng)的MICA 故障檢測(cè)模型，并把模型參數(shù)保存以備用。然后，對(duì)新的采樣數(shù)據(jù)計(jì)算出三組不同的監(jiān)測(cè)統(tǒng) 計(jì)量T 2和Q，并利用貝葉斯概率融合方法將不同監(jiān)測(cè)結(jié)果集成為概率指標(biāo)。最后，根據(jù)概率 監(jiān)測(cè)指標(biāo)與BIQ具體值是否超限做出新數(shù)據(jù)是否正常的決策。本發(fā)明具體實(shí)施步驟如 下：
[0017]第一步:收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成建模用的訓(xùn)練數(shù)據(jù)集:X
[X1，X1，.··，Xn ] 〇
[0018] 第二步:對(duì)數(shù)據(jù)集X進(jìn)行標(biāo)準(zhǔn)化處理，使每個(gè)測(cè)量變量的均值為0，方差為1，得到新 的數(shù)據(jù)矩陣叉=因忑，…忑]e R"xm。
[0019] 第三步:利用PCA方法對(duì)數(shù)據(jù)矩陣無(wú)進(jìn)行白化處理得到數(shù)據(jù)矩陣Z e RnXM，具體操作 步驟如下所示： (1) 計(jì)算X的協(xié)方差矩陣沒(méi)=-1)，其中S e RmXm; (2) 計(jì)算矩陣S的所有特征值和特征向量，并剔除小于0.0001的特征值及其對(duì)應(yīng)的特征 向量，得到特征向量矩陣Ρ = [ρι，Ρ2,…，pm] eRmXM以及特征值對(duì)角矩陣0 = ，λ2，···， AM)eRMXM; (3)對(duì)x進(jìn)行白化處理，得到z =叉pzr1/2 e/rw。
[0020] 第四步:從三種非二次函數(shù)中選擇第k個(gè)非二次函數(shù)Gk后，調(diào)用MICA迭代算法求取 與Gk相對(duì)應(yīng)的MICA故障檢測(cè)模型，重復(fù)此操作直至建立三個(gè)MICA模型，其中，k= 1，2，3分別 為三種不同的非二次函數(shù)的標(biāo)號(hào)。
[0021 ]調(diào)用MICA迭代算法建立故障檢測(cè)模型的步驟如下： (1) 設(shè)定需要提取的獨(dú)立元個(gè)數(shù)d，以及所選用的非二次函數(shù)61{沽=1，2,3，其中非二次 函數(shù)有如下三種可選形式： Gi(u) = log cosh(u)，G2(u) = exp(_u2/2)，G3(u) =u4 (1) 其中，u為函數(shù)Gk的自變量。 (2) 當(dāng)提取第i(i = l，2, ···，d)個(gè)獨(dú)立元時(shí)，選取MXM維單位矩陣中的第i列做為向量ci 的初始值； (3) 按照下式更新向量c1: ci^E{Zg(ciTZ)}-E{g/(ciTZ)}ci (2) 其中，g和g'分別是函數(shù)G的一階和二階導(dǎo)數(shù)，E{}表示求取期望值； (4) 對(duì)更新后的向量(^依次按照下式進(jìn)行正交標(biāo)準(zhǔn)化處理：
Ci-Ci/ I I Ci I I (4) (5) 重復(fù)步驟(3)~(4)直至向量ci收斂，并保存向量ci; (6) 設(shè)置i = i+l，重復(fù)上述步驟(2)~（5)直至得到所有d個(gè)向量C=[C1，C2，~，Cd]eR M Xd ο (7) 計(jì)算對(duì)應(yīng)于非二次函數(shù)Gk的MICA模型的混合矩陣AkeRmXd和分離矩陣W keRdXm，如 下： Ak = PD1/2C (5) Wk = CTD-1/2PT (6)
[0022] 第五步:對(duì)訓(xùn)練數(shù)據(jù)構(gòu)造相應(yīng)的Τ2和Q統(tǒng)計(jì)量，并利用和密度估計(jì)(KDE)法分別得 到T2和Q統(tǒng)計(jì)量在置信度α = 99 %為99 %條件下所對(duì)應(yīng)的控制限:C和Qlim;
[0023] 第六步:收集新的過(guò)程采樣數(shù)據(jù)xnewe ΓΧ1，并將其進(jìn)行標(biāo)準(zhǔn)化處理得到^;
[0024]第七步：分別采用不同的MICA模型對(duì)其進(jìn)行故障檢測(cè)，即按照下式分別建立統(tǒng)計(jì) 量和Qk，這樣3個(gè)MICA模型總計(jì)給出3組對(duì)應(yīng)于新樣本數(shù)據(jù)毛w的監(jiān)測(cè)結(jié)果；
其中，II II表示計(jì)算向量的2-范數(shù)。
[0025]第八步:通過(guò)貝葉斯推理，將得到的3組監(jiān)測(cè)結(jié)果以概率的形式融合在一起，即得 到分別對(duì)應(yīng)于T2和Q統(tǒng)計(jì)量的概率型監(jiān)測(cè)指標(biāo)，并做出關(guān)于新數(shù)據(jù)^是否正常的 決策。具體的實(shí)施細(xì)節(jié)進(jìn)一步介紹如下：
[0026]首先，進(jìn)行貝葉斯概率融合： (A)對(duì)三組T2統(tǒng)計(jì)量進(jìn)行融合： (1) 按照下式計(jì)算新數(shù)據(jù)4屬于故障的概率：
其中，N和F分別表示正常和故障工況，先驗(yàn)概率4 (#)和4 (F)分別取值α和l-α，條件 概率(元J Λ〇和/^ (' | F)的計(jì)算方式如下：
(2) 通過(guò)如下公式計(jì)算得到最終的概率型指標(biāo)夂& :
(B)對(duì)三組Q統(tǒng)計(jì)量進(jìn)行融合 針對(duì)于Q統(tǒng)計(jì)量，首先計(jì)算新數(shù)據(jù)毛~屬于故障的概率、條件概率等，然后得到最終的 概率型指標(biāo)BIq，與上述融合T2統(tǒng)計(jì)量的方式相同。
[0027] 其次，進(jìn)行故障決策： 將計(jì)算得到的與BUS標(biāo)的具體數(shù)值與概率控制限l-α進(jìn)行對(duì)比。若任何一個(gè)指標(biāo) 數(shù)值大于l-α，則決策新數(shù)據(jù)為故障樣本;反之，該數(shù)據(jù)元w為正常樣本，進(jìn)而對(duì)下一個(gè)新 采樣得到的數(shù)據(jù)繼續(xù)進(jìn)行故障檢測(cè)。
[0028] 下面結(jié)合一個(gè)具體的工業(yè)過(guò)程的例子來(lái)說(shuō)明本發(fā)明相對(duì)于現(xiàn)有方法的優(yōu)越性與 可靠性。該過(guò)程數(shù)據(jù)來(lái)自于美國(guó)田納西-伊斯曼(TE)化工過(guò)程實(shí)驗(yàn)，原型是伊斯曼化工生產(chǎn) 車間的一個(gè)實(shí)際工藝流程。目前，TE過(guò)程因其流程的復(fù)雜性，已作為一個(gè)標(biāo)準(zhǔn)實(shí)驗(yàn)平臺(tái)被廣 泛用于故障檢測(cè)研究。整個(gè)TE過(guò)程包括22個(gè)測(cè)量變量、12個(gè)操作變量、和19個(gè)成分測(cè)量變 量。所采集的數(shù)據(jù)分為22組，其中包括1組正常工況下的數(shù)據(jù)集與21組故障數(shù)據(jù)。而在這些 故障數(shù)據(jù)中，有16個(gè)是已知故障類型，如冷卻水入口溫度或進(jìn)料成分的變化、閥門(mén)粘滯、反 應(yīng)動(dòng)力學(xué)漂移等，還有5個(gè)故障類型是未知的。為了對(duì)該過(guò)程進(jìn)行監(jiān)測(cè)，選取如表1所示的33 個(gè)過(guò)程變量，接下來(lái)結(jié)合該TE過(guò)程對(duì)本發(fā)明具體實(shí)施步驟進(jìn)行詳細(xì)的闡述。
[0029] 1.采集正常工況下的過(guò)程數(shù)據(jù)，同時(shí)采集21中不同的故障數(shù)據(jù)，并選取960個(gè)正常 數(shù)據(jù)組成矩陣X e R96()X33，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。
[0030] 2.利用PCA方法對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)X e R96Qx33進(jìn)行白化處理得到z e R96QX31。
[0031] 3.設(shè)置保留的獨(dú)立元個(gè)數(shù)d = 9,置信度α = 99%，選用不同非二次函數(shù)進(jìn)行MICA模 型建立： 1) 選用非二次函數(shù)61進(jìn)行MICA建模，得到相應(yīng)的混合矩陣^ e R33X9和分離矩陣％ e R9 X33。然后構(gòu)造T2和Q統(tǒng)計(jì)量，并用KDE方法確定其相應(yīng)的控制限 2) 選用非二次函數(shù)62進(jìn)行MICA建模，得到相應(yīng)的混合矩陣知e R33X9和分離矩陣W2 e R9 X33。然后構(gòu)造T2和Q統(tǒng)計(jì)量，并用KDE方法確定其相應(yīng)的控制限：ζ|?π^ρρ 2,ηη; 3)選用非二次函數(shù)G3進(jìn)行MICA建模，得到相應(yīng)的混合矩陣A3 e R33X9和分離矩陣W3 e R9 X33。然后構(gòu)造T2和Q統(tǒng)計(jì)量，并用KDE方法確定其相應(yīng)的控制限
[0032] 4.獲取當(dāng)前新采樣數(shù)據(jù)，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理得到^
[0033] 為了驗(yàn)證本發(fā)明相對(duì)于現(xiàn)有方法的優(yōu)越性，選取21種故障進(jìn)行測(cè)試，同樣對(duì)采樣 數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。
[0034] 5.實(shí)施在線監(jiān)測(cè)過(guò)程 1) 利用三種不同的MICA故障檢測(cè)模型對(duì)新數(shù)據(jù)進(jìn)行監(jiān)測(cè)，構(gòu)造相應(yīng)模型下的統(tǒng)計(jì)量7；2 和Qk; 2) 利用貝葉斯概率融合計(jì)算得到概率型監(jiān)測(cè)指標(biāo)與BIQ，并將具體值與概率控制限 l-α進(jìn)行對(duì)比，決策當(dāng)前數(shù)據(jù)是否正常。
[0035] 表1:ΤΕ過(guò)程監(jiān)測(cè)變量。
[0036]選取18個(gè)典型故障（除去故障3、故障9、和故障15)進(jìn)行監(jiān)測(cè)，將平均故障檢測(cè)率對(duì) 比結(jié)果列于表2中。結(jié)果顯示本發(fā)明方法明顯提升了故障檢測(cè)率，改善了故障檢測(cè)效果。 [0037]表2:不同方法對(duì)ΤΕ過(guò)程18中故障類型的平均故障檢測(cè)率。
[0038]上述實(shí)施案例只用來(lái)解釋說(shuō)明本發(fā)明的具體實(shí)施，而不是對(duì)本發(fā)明進(jìn)行限制。在 本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改，都落入本發(fā)明的保護(hù) 范圍。
【主權(quán)項(xiàng)】
1. 一種基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè)方法，其特征在 于:所述方法包括W下步驟： (1) 收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成建模用的訓(xùn)練數(shù)據(jù)集:X= [XI， χι，···，χη]τ，其中，XeRnxm，n為訓(xùn)練樣本數(shù)，m為過(guò)程測(cè)量變量數(shù)，R為實(shí)數(shù)集，RDXm表示nXm 維的實(shí)數(shù)矩陣，上標(biāo)號(hào)T表示矩陣轉(zhuǎn)置； (2) 對(duì)數(shù)據(jù)集X進(jìn)行標(biāo)準(zhǔn)化處理，使每個(gè)測(cè)量變量的均值為0,方差為1，得到新的數(shù)據(jù)矩 陣(3) 利用PCA方法對(duì)數(shù)據(jù)矩陣文進(jìn)行白化處理得到數(shù)據(jù)矩陣ZERnxM，其中，為矩陣Z 中變量個(gè)數(shù)，具體實(shí)現(xiàn)方式如下所示： ① 計(jì)算玄的協(xié)方差矩陣S=文巧/(η - 1)，其中S E Rmxm; ② 計(jì)算矩陣S的所有特征值和特征向量，并剔除小于0.0001的特征值及其對(duì)應(yīng)的特征 向量，得到特征向量矩陣P=[Pl，P2，…，PM]eRmX?及特征值對(duì)角矩陣D = diag(λl，λ2，···， ③ 對(duì)克進(jìn)行白化處理，得至I(4) 從Ξ種非二次函數(shù)中選擇第k個(gè)非二次函數(shù)Gk后，調(diào)用MICA迭代算法求取與Gk相對(duì) 應(yīng)的MICA故障檢測(cè)模型，重復(fù)此操作直至建立立個(gè)11〔4模型，其中，k= 1，2，3分別為立種不 同的非二次函數(shù)的標(biāo)號(hào)； (5) 對(duì)訓(xùn)練數(shù)據(jù)構(gòu)造相應(yīng)的T2和Q統(tǒng)計(jì)量，并利用和密度估計(jì)化DE)法分別得到T2和Q統(tǒng) 計(jì)量在置信度α = 99%條件下所對(duì)應(yīng)的控制限； (6) 收集新的過(guò)程采樣數(shù)據(jù)xnewerxi，并將其進(jìn)行標(biāo)準(zhǔn)化處理得到而 (7) 分別采用不同的MICA模型對(duì)其進(jìn)行故障檢測(cè)，即構(gòu)造如下所示的統(tǒng)計(jì)量磚和Qk，運(yùn) 樣3個(gè)MICA模型總計(jì)給出3組對(duì)應(yīng)于新樣本數(shù)據(jù)的監(jiān)測(cè)結(jié)果：其中，11II表示計(jì)算向量的2-范數(shù)； (8) 通過(guò)貝葉斯推理，將得到的3組監(jiān)測(cè)結(jié)果W概率的形式融合在一起，即得到概率型 監(jiān)測(cè)指標(biāo)與Big,并做出關(guān)于新數(shù)據(jù)有W是否正常的決策。2. 根據(jù)權(quán)利要求1所述基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè) 方法，其特征在于，所述步驟(4)具體為：首先，從如下Ξ種可選形式中選擇非二次函數(shù)Gk， 即： Gi(u) = log cosh(u)，G2(u) = exp(-u^2)，G3(u) =u4 (3) 其中，u為函數(shù)G的自變量;其次，針對(duì)不同的非二次函數(shù)Gk，調(diào)用MICA迭代算法建立故障 檢測(cè)模型的步驟如下： ① 設(shè)定需要提取的獨(dú)立元個(gè)數(shù)d，W及所選用的非二次函數(shù)Gk; ② 當(dāng)提取第i(i = l，2,…，d)個(gè)獨(dú)立元時(shí)，選取MXM維單位矩陣中的第i列做為向量ci的 初始值； ③ 按照下式更新向量Ci :其中，g和g/分別是函數(shù)Gk的一階和二階導(dǎo)數(shù)，ΕΠ 表示求取期望值； ④ 對(duì)更新后的向量Cl依次按照下式進(jìn)行正交標(biāo)準(zhǔn)化處理：⑤ 重復(fù)步驟③~④直至向量Ci收斂，并保存向量Ci ; ⑥ 設(shè)置i = i+1，重復(fù)上述步驟②~⑤直至得到所有d個(gè)向量C= [Cl，C2，…，Cd] e RMxd. ⑦ 計(jì)算對(duì)應(yīng)于非二次函數(shù)Gk的MICA模型的混合矩陣Ak e Rmx哺分離矩陣Wk e Rdxm，如下： Ak=P〇i/2c (7) Wk=cT 擴(kuò) ι/2ρτ (8) 并保存矩陣Ak與WkW備用。3.根據(jù)權(quán)利要求1所述基于修正型獨(dú)立元分析和貝葉斯概率融合的工業(yè)過(guò)程故障檢測(cè) 方法，其特征在于，所述步驟(8)具體為： 首先，進(jìn)行貝葉斯概率融合： (A)對(duì)Ξ組T2統(tǒng)計(jì)量進(jìn)行融合： ①按照下式計(jì)算新數(shù)據(jù)而W屬于故障的概率：其中，N和F分別表示正常和故障工況，先驗(yàn)概率和分別取值α和1-0,條件 概率氣:保J ^〇和氣:保J巧的計(jì)算方式如下：(Β)對(duì)Ξ組Q統(tǒng)計(jì)量進(jìn)行融合 針對(duì)于Q統(tǒng)計(jì)量，首先計(jì)算新數(shù)據(jù)兩W屬于故障的概率、條件概率等，然后得到最終的概 率型指標(biāo)BIq，與上述融合Τ2統(tǒng)計(jì)量的方式相同； 其次，進(jìn)行故障決策： 將計(jì)算得到的與Big指標(biāo)的具體數(shù)值與概率控制限1-α進(jìn)行對(duì)比，若任何一個(gè)指標(biāo) 數(shù)值大于1-α，則決策新數(shù)據(jù)而W為故障樣本;反之，該數(shù)據(jù)兩W為正常樣本，進(jìn)而對(duì)下一個(gè)新 采樣得到的數(shù)據(jù)繼續(xù)進(jìn)行故障檢測(cè)。
【文檔編號(hào)】G01M99/00GK106092625SQ201610388999
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年5月30日 公開(kāi)號(hào)201610388999.0, CN 106092625 A, CN 106092625A, CN 201610388999, CN-A-106092625, CN106092625 A, CN106092625A, CN201610388999, CN201610388999.0
【發(fā)明人】童楚東, 史旭華
【申請(qǐng)人】寧波大學(xué)