基于互信息的分布式動態(tài)過程故障檢測方法
【專利摘要】本發(fā)明涉及一種基于互信息的分布式動態(tài)過程故障檢測方法，該方法首先為過程每個測量變量引入延時測量值；其次，通過互信息定義的相關(guān)性指標，為過程每個測量變量區(qū)分出能體現(xiàn)在不同采樣時刻上的自相關(guān)性和交叉相關(guān)性；然后，對每個變量所對應(yīng)的數(shù)據(jù)集子塊都分別建立相應(yīng)的主元分析故障檢測模型；最后，實施在線監(jiān)測時，利用貝葉斯推理將不同故障檢測模型的結(jié)果融合成一個概率型監(jiān)測指標，以方便最終的故障決策。與現(xiàn)有方法相比，該發(fā)明充分考慮了體現(xiàn)在不同采樣時刻上的不同測量變量間的自相關(guān)性和交叉相關(guān)性，避免了丟失過程數(shù)據(jù)復(fù)雜動態(tài)特性可能隱藏的有用信息，使相應(yīng)的故障檢測結(jié)果更加可靠與精確。
【專利說明】
基于互信息的分布式動態(tài)過程故障檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及工業(yè)過程故障檢測方法，尤其是設(shè)及一種基于互信息的分布式動態(tài)過 程故障檢測方法。
【背景技術(shù)】
[0002] 近年來，數(shù)據(jù)驅(qū)動的故障檢測方法因其簡單通用性，已作為保障生產(chǎn)安全與保證 產(chǎn)品質(zhì)量穩(wěn)定性的重要技術(shù)手段而得到了研究者們的重視。針對W主元分析(PCA)為代表 的多變量統(tǒng)計過程監(jiān)測方法的研究已經(jīng)受到了工業(yè)界和學(xué)術(shù)界的廣泛關(guān)注，其基本思想都 是從工業(yè)過程采集的數(shù)據(jù)中挖掘出能反映過程運行狀況的潛在信息。運類方法能避免建立 精確的過程機理模型，因而很適合于監(jiān)測現(xiàn)代大型復(fù)雜化工業(yè)過程。
[0003] 通常來講，生產(chǎn)過程采集的數(shù)據(jù)因采樣間隔短而使過程數(shù)據(jù)無可避免地存在動態(tài) 性(或稱自相關(guān)性）。在現(xiàn)有方法中，動態(tài)PCA(DPCA)法與動態(tài)潛隱變量(DLV)法是兩種常見 的解決動態(tài)過程故障檢測問題的技術(shù)手段?？紤]到現(xiàn)代工業(yè)過程的大規(guī)模性與復(fù)雜性，過 程數(shù)據(jù)間的動態(tài)性比較復(fù)雜，不同測量變量會存在不同的自相關(guān)性，而且變量間的相互影 響（即交叉相關(guān)性)也會體現(xiàn)在不同的采樣時刻上。然而，DPCA與DLV等傳統(tǒng)的方法一般都假 設(shè)測量變量間的自相關(guān)性和交叉相關(guān)性在采樣時間上的一致性，忽略了過程數(shù)據(jù)復(fù)雜動態(tài) 特性可能隱藏的有用信息。若是在建立故障檢測模型的過程中，能從不同采樣時刻上體現(xiàn) 出不同測量變量間的自相關(guān)性和交叉相關(guān)性，將會獲得更加精確的故障檢測結(jié)果，大幅度 提升相應(yīng)故障檢測模型的可靠性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于互信息的分布式動態(tài)過程故障檢測方法，該發(fā)明 充分考慮了體現(xiàn)在不同采樣時刻上的不同測量變量間的自相關(guān)性和交叉相關(guān)性，避免了丟 失過程數(shù)據(jù)復(fù)雜動態(tài)特性可能隱藏的有用信息，使相應(yīng)的故障檢測結(jié)果更加可靠與精確。
[0005] 本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為:一種基于互信息的分布式動態(tài)過 程故障檢測方法，包括W下步驟：
[0006] (1)收集生產(chǎn)過程正常運行狀態(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， X2,…，Xn]T。其中，XGRnXm，n為訓(xùn)練樣本數(shù)，m為過程測量變量數(shù)，R為實數(shù)集，Rnxm表示nXm 維的實數(shù)矩陣，上標號T表示矩陣轉(zhuǎn)置。
[0007] 為數(shù)據(jù)矩陣X中每個測量變量引入其前1個時刻的測量值構(gòu)成如下所示增廣型數(shù) 據(jù)矩陣 XaGRfn-lWl+Um.
(1) 然后，對矩陣Xa進打稱準化處理，得剖均值刃0，稱準差為1的新數(shù)據(jù)矩陣文。。
[000引（3)針對第;[個測量變量義1，計算其與文。中各個變量巧'司的互信息值切=1^1，義'^)， 其中，i = l，2,…，m與j = l，2,…，m(l+l)分別為過程各測量變量與矩陣文。中各變量的上標 號，I (Xi，X叫表示計算變量Xi與X非司的互信息，具體的計算方式如下所示： (2) 其中，進緣概率P (與9 (
，W及聯(lián)合概率P (X叫是通過核密度估計方法來確定出 相應(yīng)的概率值。
[0009] (4)針對過程第i個測量變量xi，對得到的互信息值所組成的向量Cl,聲RixmU+U進 行降序排列后，選擇前k個最大值所對應(yīng)的變量并記錄變量標號。
[0010] (5)根據(jù)記錄的變量標號從數(shù)據(jù)矩陣文。中選擇相對應(yīng)的列組成訓(xùn)練數(shù)據(jù)集子塊 疋e民(。-'批。
[0011] (6)對數(shù)據(jù)集子塊文刑用PCA方法建立相應(yīng)的故障檢測模型，記錄相應(yīng)的模型參數(shù) 0擬備用。
[001 ^ (7)重復(fù)上述步驟(3)~（6)直至針對所有m個過程變量都有其相對應(yīng)的PCA故障檢 測模型。
[0013] (8)收集新的過程采樣數(shù)據(jù)xGRmxi，先對其中每個測量變量都引入前1個時刻的測 量值，得到新的數(shù)據(jù)Xa G RmU+llXl，后對Xa進行標準化處理得到兩。
[0014] (9)利用記錄的變量標號，將數(shù)據(jù)向量而分解成m個不同的向量子塊巧}；li。
[001引（10)利用第i個PCA故障檢測模型參數(shù)構(gòu)造對應(yīng)于向量子塊去,的礦和Qi統(tǒng)計量，即：
(3) (4) 其中，I I M表示計算向量的2-范數(shù)，并重復(fù)此步驟直至得到m組統(tǒng)計量。
[0016] (11)通過貝葉斯推理，將得到m個T2(或Q)統(tǒng)計量值進行概率融合，得到一個統(tǒng)一 的概率型監(jiān)測指標或BIq),并做出關(guān)于當前數(shù)據(jù)樣本是否正常的決策。
[0017] 進一步地，所述步驟(6)具體為:利用PCA方法為子塊文,建立故障檢測模型，并記錄 模型參I 。其中，d為保留的主元個數(shù)，PiGRkXd為PCA模型的投影 變換矩陣，八I = IV TE ' TfflLT r巧巧值組成的對角矩陣，對角線上的兀素為，a為計算統(tǒng)計 量控制限與時所采用的置信度。具體實現(xiàn)步驟如下所示： ① 計算不的協(xié)方差矩陣
，其中SGRkXk。 ② 設(shè)定參數(shù)d，求解矩陣S的前d個最大特征值A(chǔ)l>A2>…>Ad所對應(yīng)的特征向量P1， P2，…，pd。那么，對角矩陣Ai = diag{Al，A2，...，M，投影變換矩陣Pi=[Pl，P2，...，pd]。 ③ 設(shè)定置信度日，控制限巧1>"與a.耐分別為：
(5) (6) 其中，F(xiàn)d,n-1-d,a表示置信度為a、自由度分別為d與n-1-d的F分布所對應(yīng)的值，尤2，。表示 自由度為h、置信度為a為卡方分布所對應(yīng)的值，M和V分別為Q統(tǒng)計量的估計均值和估計方 差。
[0018] 進一步地，所述步驟（11)具體為:首先，利用貝葉斯推理將m個T2(或Q)統(tǒng)計量值進 行概率融合得到概率型監(jiān)測指標與Big。然后，將計算得到的與BIg指標的具體數(shù)值 與概率控制限1-a進行對比。若任何一個指標數(shù)值大于1-a，則決策新數(shù)據(jù)兩^為故障樣本； 反之，該數(shù)據(jù)馬W為正常樣本，進而對下一個新采樣得到的數(shù)據(jù)繼續(xù)進行故障檢測。貝葉斯 推理的具體實現(xiàn)步驟如下所示：
[0019] (A)對m個t2統(tǒng)計量進行融合： ① 按照下式計算新數(shù)據(jù)韋屬于故障的概率：
(7) 其C (8) 其中，財日F分別表示正常和故障工況，先驗概率W巧峰2(f)分別取值a和l-a，條件 概率氣:巧I AO和氣，巧I巧的計算方式如下：
(9) ② (10)
[0020] (B)對m個Q統(tǒng)計量進行融合 針對于Q統(tǒng)計量，首先計算新數(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BIq，與上述融合T2統(tǒng)計量的方式相同。
[0021 ]與現(xiàn)有方法相比，本發(fā)明的優(yōu)點與效果如下：
[0022] 1.本發(fā)明針對過程每個測量變量，在不同采樣時刻上，選取與之相關(guān)聯(lián)的測量值， 充分考慮到了現(xiàn)代工業(yè)過程數(shù)據(jù)間的復(fù)雜特性，即不同測量變量會存在不同的自相關(guān)性， 而且變量間的交叉相關(guān)性也會體現(xiàn)在不同的采樣時刻上。在此基礎(chǔ)上建立的分布式PCA故 障檢測模型能有效地避免丟失過程數(shù)據(jù)復(fù)雜動態(tài)特性可能隱藏的有用信息，極大地提升了 相應(yīng)故障檢測模型的可靠性。
[0023] 2.本發(fā)明利用數(shù)據(jù)間的互信息來度量變量在不同采樣時刻上的自相關(guān)性和交叉 相關(guān)性，在不需要依賴任何過程先驗知識的前提下，實現(xiàn)了對過程數(shù)據(jù)復(fù)雜的動態(tài)特性進 行了描述。同時，本發(fā)明還發(fā)揮了分布式建模方法的優(yōu)勢，通過建立多個PCA故障檢測模型 而降低了對過程數(shù)據(jù)分析的難度和復(fù)雜度。因此，相比于傳統(tǒng)的方法，本發(fā)明能有效地改善 故障檢測效果。
【附圖說明】
[0024] 圖1為本發(fā)明基于互信息的數(shù)據(jù)分塊方法示意圖。
[0025] 圖2為本發(fā)明方法、DPCA、DLV方法對TE過程故障16工況數(shù)據(jù)的故障檢測結(jié)果。
【具體實施方式】
[0026] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。
[0027] 如圖1所示，本發(fā)明公開了一種基于互信息的分布式動態(tài)過程故障檢測方法，該方 法針對現(xiàn)代工業(yè)過程的故障檢測問題，首先利用數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過程正常運行狀態(tài) 下的數(shù)據(jù)集。其次，為過程的每個測量變量引入其前1個時刻的延時測量值組成增廣型矩 陣。然后，利用互信息選取與每個測量變量相對應(yīng)的矩陣子塊，并建立PCA故障檢測模型。最 后，對新的采樣數(shù)據(jù)進行在線監(jiān)測，即構(gòu)建Wf;與BIq監(jiān)測指標，并決策當前監(jiān)測數(shù)據(jù)是否正 常。
[00%]本發(fā)明的具體實施步驟如下：
[0029] 步驟1:收集生產(chǎn)過程正常運行狀態(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，X2,…，Xn]T。其中，XGRnxm, n為訓(xùn)練樣本數(shù)，m為過程測量變量數(shù)，R為實數(shù)集，Rmxn表示m X n維的實數(shù)矩陣，上標號T表示矩陣轉(zhuǎn)置。
[0030] 步驟2:為數(shù)據(jù)矩陣X中每個測量變量引入其前1個時刻的測量值構(gòu)成如下所示增 廣型數(shù)據(jù)矩陣Xa G Rfn-lWl+Um:
(11) 然后，對矩陣Xa進行標準化處理，得到均值為0，標準差為1的新數(shù)據(jù)矩陣文。
[0031] 步驟3:針對第i個測量變量xS計算其與文。中各個變量X響的互信息值Cu = Kxi,
。其中，i = l，2,…，m與j = l，2,…，m(l+l)分別為過程各測量變量與矩陣文。中各變量的 上標號，T ( yi . yj )味H+貸巧音yi白yj巧的百倍烏.即. (12) 其甲，巧綠概準PUj;Uj;，W巧甘概準PUj，Xj)是通過核密度估計方法來確定出 相應(yīng)的概率值。
[00創(chuàng)步驟4:針對過程第i個巧慢變量xi，對得到的互信息值所組成的向量Ci,jERixm(i") 進行降序排列后，選擇前k個最大值所對應(yīng)的變量并記錄變量標號。
[0033] 步驟5:根據(jù)記錄的變量標號從數(shù)據(jù)矩陣文。中選擇相對應(yīng)的列組成訓(xùn)練數(shù)據(jù)集子 塊文,€ Rfn-O處。
[0034] 步驟6:對數(shù)據(jù)集子塊疋利用PCA方法建立相應(yīng)的故障檢測模型，記錄相應(yīng)的模型 參數(shù)備用。
[00對利用PCA方法為子塊文,建立故障檢巧時莫型，并記錄模型參數(shù)0,=枯/%4，a，巧。 其中，d為保留的主元個數(shù)，PiERkx<^PCA模型的投影變換矩陣，AiERdXd是一個由d個特征 值組成的對角矩陣，對角線上的元素為，Cl為計算統(tǒng)計量控制限7；5im與Qiaim時所采用的置信 度。具體實現(xiàn)步驟如下所示： ① 計算疋的協(xié)方差矩陣S=文,巧,/(M-/-1)，其中SERkXk。 ② 設(shè)定參數(shù)d，求解矩陣S的前d個最大特征值A(chǔ)l >A2 >…>^d所對應(yīng)的特征向量Pi， P2，...，Pd。那么，對角矩陣Ai = diag(Al，A2，...山}，投影變換矩陣Pi=[Pl，P2，…，Pd]。
③ 設(shè)定置信度a，控制限巧im與Qi, Hm分別為： (13) (14) 其中，F(xiàn)d,n-1-d,a表示置信度為a、自由度分別為d與n-1-d的F分布所對應(yīng)的值，義&2，。表示 自由度為h、置信度為a為卡方分布所對應(yīng)的值，M和V分別為Q統(tǒng)計量的估計均值和估計方 差。
[0036] 步驟7:重復(fù)上述步驟(3)~(6)直至針對所有m個過程變量都有其相對應(yīng)的PCA故 障檢測模型。
[0037] 步驟8:收集新的過程采樣數(shù)據(jù)xGRmxi，先對其中每個測量變量都引入前1個時刻 的測量值，得到新的數(shù)據(jù)Xa G rU+llXl，后對Xa進行標準化處理得到電。
[0038] 步驟9:利用記錄的變量標號，將數(shù)據(jù)向量馬分解成m個不同的向量子塊?(疋}；li。
[0039] 步驟10:利用第i個PCA故障檢測模型參數(shù)構(gòu)造對應(yīng)于向量子塊與的7;2和Qi統(tǒng)計量， 并重復(fù)此步驟直至得到m組統(tǒng)計量。構(gòu)造礦和Qi統(tǒng)計量的具體方式如下所示：
(15) (16)
[0040] 步驟11:通過貝葉斯推理，將得到m個T2(或Q)統(tǒng)計量值進行概率融合，得到一個統(tǒng) 一的概率型監(jiān)測指標或BIq),并做出關(guān)于當前數(shù)據(jù)樣本是否正常的決策。
[0041] 首先，利用貝葉斯推理將m個T2(或Q)統(tǒng)計量值進行概率融合得到概率型監(jiān)測指標 與Big。然后，將計算得到的^^與郵指標的具體數(shù)值與概率控制限1-a進行對比。若任 何一個指標數(shù)值大于1-0，則決策新數(shù)據(jù)而W為故障樣本;反之，該數(shù)據(jù)馬W為正常樣本，進而 對下一個新采樣得到的數(shù)據(jù)繼續(xù)進行故障檢測。貝葉斯推理的具體實現(xiàn)步驟如下所示：
[0042] (A)對m個T2統(tǒng)計量進行融合 ①按照下式計算新數(shù)據(jù)式屬于故障的概率： 其中，概率巧)的計算方式如下： (17) (18) 其中，N和F分別表示正常和故障工況，先驗概率戶r,2 (W巧峰,2 (/〇分別取值a和l-a，條件 概率吃巧I AO和氣:巧I巧的計算方式如下：
(19) ②通過如下公式計算得到最終的概率型指標:
(20)
[0043] (B)對m個Q統(tǒng)計量進行融合 針對于Q統(tǒng)計量，首先計算新數(shù)據(jù)而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BIq，與上述融合T2統(tǒng)計量的方式相同。
[0044] 下面結(jié)合一個具體的工業(yè)過程的例子來說明本發(fā)明相對于現(xiàn)有方法的優(yōu)越性與 可靠性。該過程數(shù)據(jù)來自于美國田納西-伊斯曼(TE)化工過程實驗，原型是伊斯曼化工生產(chǎn) 車間的一個實際工藝流程。目前，TE過程因其流程的復(fù)雜性，已作為一個標準實驗平臺被廣 泛用于故障檢測研究。整個TE過程包括22個測量變量、12個操作變量、和19個成分測量變 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)。而在運些 故障數(shù)據(jù)中，有16個是已知故障類型，如冷卻水入口溫度或進料成分的變化、閥口粘滯、反 應(yīng)動力學(xué)漂移等，還有5個故障類型是未知的。為了對該過程進行監(jiān)測，選取如表1所示的33 個過程變量，接下來結(jié)合該TE過程對本發(fā)明具體實施步驟進行詳細的闡述。
[0045] 1.采集正常工況下的過程數(shù)據(jù)，同時采集21中不同的故障數(shù)據(jù)，并選取960個正常 數(shù)據(jù)組成矩陣X G R9^X33O
[0046] 2.針對訓(xùn)練數(shù)據(jù)X，建立分布式的PCA故障檢測模型。 (1) 為數(shù)據(jù)矩陣X中每個測量變量引入其前1 = 2個時刻的測量值構(gòu)成增廣型數(shù)據(jù)矩陣 Xa e R958X"，并對其進行標準化處理得到均值為0，標準差為1的新數(shù)據(jù)矩陣文。。 (2) 針對第;[個測量變量義1，計算其與疋^中各個變量義^^間的互信息值(：^ = I(yi，，其 中，上標號i = l，2,…，33,上標號j = l，2,…，99。 (3) 對得到的互信息值所組成的向量Cl,進行降序排列后，選擇前k個最大值所 對應(yīng)的變量并記錄變量標號。 (4) 設(shè)置k = -10,根據(jù)記錄的變量標號從數(shù)據(jù)矩陣文。中選擇相對應(yīng)的列組成訓(xùn)練數(shù)據(jù) 集子塊式e R9誦。 (5) 利用PCA方法對訓(xùn)練數(shù)據(jù)集子塊不建立相應(yīng)的故障檢測模型，記錄相應(yīng)的模型參
備用 (6) 復(fù)上述步驟2~5直至針對所有33個過程變量都有其相對應(yīng)的PCA故障檢測模型。
[0047] 3.獲取新采樣數(shù)據(jù)，并對其引入前1 = 2個時刻的測量值得到新數(shù)據(jù)向量XaGRW Xi，然后對其進行標準化處理，最后計算3/,2與BIg概率型監(jiān)測指標。 (1) 利用記錄的變量標號，將數(shù)據(jù)向量兩分解成m個不同的向量子塊?{文,};3。 (2) 利用第i個PCA故障檢測模型參數(shù)構(gòu)造對應(yīng)于向量子塊式的T；2和化統(tǒng)計量，并重復(fù) 此步驟直至得到33組統(tǒng)計量。 (3) 通過貝葉斯推理，將得到33個T2(或Q)統(tǒng)計量值進行概率融合，得到一個統(tǒng)一的概 率型監(jiān)測指標或BIq)。
[004引表1: TE過程監(jiān)測變量。 LQQ49」4.在線故障檢測
根據(jù)當前計算得到的S/f:和BIq指標的具體值與控制限l-a = 0.Ol進行比較，判斷當前 數(shù)據(jù)是否正常。本發(fā)明方法、DPCA、W及DLV對TE過程故障16的故障檢測結(jié)果如圖2所示?？?W看到，本發(fā)明方法對該故障的檢測效果明顯優(yōu)越于DPCA與DLV方法。
[0050]上述實施例只用來解釋本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權(quán) 利要求的保護范圍內(nèi)，對本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護范圍內(nèi)。
【主權(quán)項】
1. 一種基于互信息的分布式動態(tài)過程故障檢測方法，其特征在于，包括以下步驟： (1) 收集生產(chǎn)過程正常運行狀態(tài)下的采樣數(shù)據(jù)，組成建模用的訓(xùn)練數(shù)據(jù)集Χ=[χι， χ2,…，Χη]τ，其中，XeRnXm， n為訓(xùn)練樣本數(shù)，m為過程測量變量數(shù)，R為實數(shù)集，RnXm表示nx m 維的實數(shù)矩陣，上標號T表示矩陣轉(zhuǎn)置； (2) 為數(shù)據(jù)矩陣X中每個測量變量引入其前1個時刻的測量值構(gòu)成如下所示增廣型數(shù)據(jù) 矩陣 XaeR(n-1)x(1+1)m:(1) 然后，對矩陣13進行標準化處理，得到均值為0,標準差為1的新數(shù)據(jù)矩陣足； (3) 針對第i個測量變量X1，計算其與足中各個變量V間的互信息值(^ = Ι(?)，其 中，i = l，2,…，m與j = l，2，···，m(l+l)分別為過程各測量變量與矩陣中各變量的上標號， I(xW)表示計算變量X1與V間的互信息，具體的計算方式如下所示：(2) 其中，邊緣概率P( V)與P( V )，以及聯(lián)合概率P(X W )是通過核密度估計方法來確定出 相應(yīng)的概率值； (4) 針對過程第i個測量變量X1，對得到的互信息值所組成的向量ClueR1Xm(1+1)進行降 序排列后，選擇前k個最大值所對應(yīng)的變量，并記錄變量標號； (5) 根據(jù)記錄的變量標號從數(shù)據(jù)矩陣又中選擇相對應(yīng)的列組成訓(xùn)練數(shù)據(jù)集子塊(6) 對數(shù)據(jù)集子塊叉利用PCA方法建立相應(yīng)的故障檢測模型，記錄相應(yīng)的模型參數(shù)?,以 備用； (7) 重復(fù)上述步驟(3)~(6)直至針對所有m個過程變量都有其相對應(yīng)的PCA故障檢測模 型； (8) 收集新的過程采樣數(shù)據(jù)xeRmX1，先對其中每個測量變量都引入前1個時刻的測量 值，得到新的數(shù)后對 Xa進行同樣的標準化處理得到元； (9) 利用記錄的變量標號，將數(shù)據(jù)向量元分解成m個不同的向量子塊 (10) 利用第i個PCA故障檢測模型參數(shù)構(gòu)造對應(yīng)于向量子塊&的1^2和Qi統(tǒng)計量，即：其中，I I I I表示計算向量的2-范數(shù)，并重復(fù)此步驟直至得到m組統(tǒng)計量； (11) 通過貝葉斯推理，將得到m個T2(或Q)統(tǒng)計量值進行概率融合，得到一個統(tǒng)一的概率 型監(jiān)測指標(或BI Q)，并做出關(guān)于當前數(shù)據(jù)樣本是否正常的決策。2. 根據(jù)權(quán)利要求1所述的基于互信息的分布式動態(tài)過程故障檢測方法，其特征在于，所述步 驟(6)具體為:利用PCA方法為子塊足建立故障檢測模型，并記錄模型參數(shù)Θ,· =·μ,冬4,?,7^，2娜}， 其中，d為保留的主元個數(shù)，PAR1^為PCA模型的投影變換矩陣JARW是一個由d個特征 值組成的對角矩陣，α為計算統(tǒng)計量控制限巧^與化^時所采用的置信度，具體實現(xiàn)步驟如 下所示： ① 計算兄的協(xié)方差矩陣》無;^/(?-/-1),其中SeRkxk; ② 設(shè)定參數(shù)d，求解矩陣S的前d個最大特征值…>Ad所對應(yīng)的特征向量Pl， P2，···，pd，那么，對角矩陣為Ai = diag{X1，A2，···山}，投影變換矩陣為Pi^pu〗，…，pd]; ③ 設(shè)定置信度α，控制限7；^與&, lim分別為：(5) (6) 其中，F(xiàn)d,n-1-d,a表不置信度為α、自由度分別為d與n-1-d的F分布所對應(yīng)的值，;^，^表不自 由度為h、置信度為a為卡方分布所對應(yīng)的值，Μ和V分別為Q統(tǒng)計量的估計均值和估計方差。3.根據(jù)權(quán)利要求1所述的基于互信息的分布式動態(tài)過程故障檢測方法，其特征在于，所 述步驟（11)具體為:首先，利用貝葉斯推理將m個Τ2(或Q)統(tǒng)計量值進行概率融合得到概率 型監(jiān)測指標&盧與則^然后，將計算得到的S/廣與則卩指標的具體數(shù)值與概率控制限l-α進行 對比，若任何一個指標數(shù)值大于Ι-a，則決策新數(shù)據(jù)I為故障樣本;反之，該數(shù)據(jù)^為正常 樣本，進而對下一個新采樣得到的數(shù)據(jù)繼續(xù)進行故障檢測；貝葉斯推理的具體實現(xiàn)步驟如 下所示： (A) 對m個T2統(tǒng)計量進行融合： ① 按照下式計算新數(shù)據(jù)七屬于故障的概率：(7) 其中，概率&沃)的計算方式如下： (8) '1 */ *1?/ */ 其中，N和F分別表示正常和故障工況，先驗概率&2 (#)和^;2 (F)分別取值a和l-a，條件 概率？^和I F)的計算方式如下：(9) ② 通過如下公式計算得到最終的概率型指標3^2:(10) (B) 對m個Q統(tǒng)計量進行融合 針對于Q統(tǒng)計量，首先計算新數(shù)據(jù)^屬于故障的概率、條件概率等，然后得到最終的概 率型指標BIq，與上述融合T2統(tǒng)計量的方式相同。
【文檔編號】G05B19/418GK105955219SQ201610389000
【公開日】2016年9月21日
【申請日】2016年5月30日
【發(fā)明人】童楚東, 史旭華
【申請人】寧波大學(xué)