基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明涉及一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方法，該方法主要解決的是非高斯過(guò)程故障模型建立過(guò)程中不可避免的兩個(gè)問(wèn)題：其一是如何確定非二次函數(shù)以度量非高斯性大小，其二是如何選擇重要的獨(dú)立元成分建立模型。該發(fā)明首先利用所有的選擇可能性依次建立多個(gè)MICA故障檢測(cè)模型。其次，以這多個(gè)MICA模型監(jiān)測(cè)同一個(gè)過(guò)程數(shù)據(jù)。最后，利用雙層式貝葉斯概率融合的方法將不同的故障檢測(cè)結(jié)果集成為一，以方便最后的故障決策。該發(fā)明方法能將因選錯(cuò)非二次函數(shù)或排序準(zhǔn)則而引起的故障漏報(bào)率降到了最低，極大地提高了相應(yīng)故障檢測(cè)模型的可靠性與適用性。
【專(zhuān)利說(shuō)明】
基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種工業(yè)過(guò)程故障檢測(cè)方法，尤其是涉及一種基于修正型獨(dú)立元分析 的雙層集成式工業(yè)過(guò)程故障檢測(cè)方法。
【背景技術(shù)】
[0002] 保證工業(yè)過(guò)程的生產(chǎn)安全與產(chǎn)品質(zhì)量的穩(wěn)定性是提高企業(yè)盈利能力的必要手段， 因此可靠而準(zhǔn)確的故障檢測(cè)方法是整個(gè)工業(yè)控制系統(tǒng)中必不可少的組成部分。考慮到現(xiàn)代 工業(yè)過(guò)程的大型化與復(fù)雜化趨勢(shì)，數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法已逐步取代基于機(jī)理模型的故 障檢測(cè)方法，而成為當(dāng)前故障檢測(cè)研究領(lǐng)域里的主流技術(shù)手段。可是，現(xiàn)代工業(yè)過(guò)程所采集 的數(shù)據(jù)通常呈現(xiàn)出非高斯性，而有關(guān)過(guò)程數(shù)據(jù)以及可能故障種類(lèi)等的先驗(yàn)知識(shí)卻越來(lái)越難 以獲取。因此，如何建立可靠而有效的故障檢測(cè)模型，及時(shí)甄別出過(guò)程可能出現(xiàn)的所有故 障，一直以來(lái)都是該研究領(lǐng)域的核心問(wèn)題之一。
[0003] 在現(xiàn)有的處理非高斯過(guò)程數(shù)據(jù)的故障檢測(cè)方法中，修正型獨(dú)立元分析(MICA)方法 因其迭代求取的獨(dú)立元不會(huì)受到初始值的影響，而逐漸取代原始獨(dú)立元分析方法，成為主 流的非高斯故障檢測(cè)方法。MICA故障檢測(cè)方法的基本原理是通過(guò)利用數(shù)據(jù)的高階統(tǒng)計(jì)信息 來(lái)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。它能有效的應(yīng)對(duì)和處理非高斯工業(yè)過(guò)程數(shù)據(jù)建模與故障檢測(cè)問(wèn)題。 然而，現(xiàn)有的MICA方法在建立故障檢測(cè)模型時(shí)存在兩個(gè)問(wèn)題。首先，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，針對(duì)的是不同的非高斯種類(lèi)。以不同的非二次函數(shù)來(lái) 訓(xùn)練MICA模型會(huì)得到不同的結(jié)果，這必將導(dǎo)致故障檢測(cè)模型的不確定性。其次，已有的獨(dú)立 元重要性排序準(zhǔn)則有多個(gè)，但依據(jù)不同的獨(dú)立元組建的故障檢測(cè)模型之間會(huì)存在差異性。 由于MICA方法是一種無(wú)監(jiān)督型的單分類(lèi)建模方式，選擇不同的非二次函數(shù)或選擇不同獨(dú)立 元組建模型都能得到不同的故障檢測(cè)效果。然而，過(guò)程可能會(huì)發(fā)生的故障種類(lèi)是未知的，可 供參考的歷史數(shù)據(jù)也是非常有限的，如何確定非二次函數(shù)以及如何選擇重要的獨(dú)立元成分 是非高斯過(guò)程監(jiān)測(cè)領(lǐng)域兩個(gè)丞待解決的關(guān)鍵性問(wèn)題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于修正型獨(dú)立元分析的雙層集成式工 業(yè)過(guò)程故障檢測(cè)方法，該方法首先全面考慮上述兩個(gè)選擇問(wèn)題所造成的模型多樣性，以多 個(gè)可能的MICA模型監(jiān)測(cè)同一個(gè)過(guò)程對(duì)象。然后，利用雙層式貝葉斯概率融合的方法將不同 的故障檢測(cè)結(jié)果集成為一，以方便最后的故障決策。該發(fā)明方法巧妙地避免了選擇單一固 定的函數(shù)或準(zhǔn)則，考慮了幾乎所有的模型可能性，因而能獲得更加可靠和準(zhǔn)確的故障檢測(cè) 結(jié)果。
[0005] 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)立元分析的雙 層集成式工業(yè)過(guò)程故障檢測(cè)方法，包括以下步驟：
[0006] (1)利用過(guò)程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成訓(xùn) 練數(shù)據(jù)集XGRnXm，并對(duì)每個(gè)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為〇,標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣 X。其中，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nXm維的實(shí)數(shù)矩陣；
[0007] (2)對(duì)數(shù)據(jù)矩陣進(jìn)行白化處理，將叉轉(zhuǎn)換成標(biāo)準(zhǔn)正交化的新數(shù)據(jù)矩陣ZGRnXm。
[0008] (3)針對(duì)不同的非二次函數(shù)，調(diào)用MICA迭代算法求取其相應(yīng)的m個(gè)獨(dú)立元成分，總 計(jì)可得到3個(gè)獨(dú)立元集合，并保存相應(yīng)的模型參數(shù)以備用。
[0009] (4)設(shè)置需要保留的獨(dú)立元個(gè)數(shù)d，利用不同的排序準(zhǔn)則對(duì)上個(gè)步驟中的每個(gè)獨(dú)立 元集合進(jìn)行重要性排序，并選擇所需要的d個(gè)重要的獨(dú)立元成分建立起相應(yīng)的MICA故障檢 測(cè)模型，記錄模型參數(shù)以備在線故障檢測(cè)時(shí)調(diào)用。
[0010] (5)收集新的過(guò)程采樣數(shù)據(jù)XnewGRmX1，并將其進(jìn)行同樣的標(biāo)準(zhǔn)化處理得到^
[0011] (6)分別調(diào)用不同的MICA模型對(duì)其進(jìn)行故障檢測(cè)，即構(gòu)建相應(yīng)的監(jiān)測(cè)統(tǒng)計(jì)量。
[0012] (7)先利用貝葉斯概率融合方法進(jìn)行第一層的信息集成得到概率型監(jiān)測(cè)指標(biāo)5以 和5^，其中，k=l，2,3分別對(duì)應(yīng)于三種不同的非二次函數(shù)。
[0013] (8)再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和57^進(jìn)行第二層的 信息集成，得到最終的概率型監(jiān)測(cè)指標(biāo)和BIQ，并決策新數(shù)據(jù)是否正常。
[0014] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)與效果在于：
[0015] 1.本發(fā)明先針對(duì)每個(gè)非二次函數(shù)，后針對(duì)每個(gè)重要性排序準(zhǔn)則，都分別建立與之 相對(duì)應(yīng)的MICA模型。這種利用多個(gè)MICA故障檢測(cè)模型監(jiān)測(cè)同一個(gè)過(guò)程數(shù)據(jù)的手段全面地考 慮了所有的模型可能性，能將因選錯(cuò)非二次函數(shù)或排序準(zhǔn)則而引起的故障漏報(bào)率降到了最 低，所建立的故障檢測(cè)模型通用性較強(qiáng)。因此，本發(fā)明所述方法極大地提高了相應(yīng)故障檢測(cè) 模型的可靠性與適用性。
[0016] 2.本發(fā)明方法通過(guò)利用雙層信息集成的方法，先將不同排序準(zhǔn)則對(duì)應(yīng)的MICA故障 檢測(cè)模型給出的結(jié)果進(jìn)行貝葉斯概率融合，再進(jìn)行第二層信息集成將不同非二次函數(shù)所對(duì) 應(yīng)的模型結(jié)果融合為一。該方法進(jìn)行信息集成時(shí)，層次分明，模型的可解釋性變強(qiáng)。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明方法的流程示意圖。
【具體實(shí)施方式】
[0018] 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)說(shuō)明。
[0019] 如圖1所示，本發(fā)明涉及了一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故 障檢測(cè)方法，該方法針對(duì)非高斯過(guò)程故障模型建立過(guò)程中不可避免的兩個(gè)問(wèn)題：即如何確 定非二次函數(shù)以及如何選擇重要的獨(dú)立元成分，首先利用所有的選擇可能性建立依次建立 多個(gè)MICA故障檢測(cè)模型。其次，以這多個(gè)MICA模型監(jiān)測(cè)同一個(gè)過(guò)程對(duì)象。最后，利用雙層式 貝葉斯概率融合的方法將不同的故障檢測(cè)結(jié)果集成為一，以方便最后的故障決策。
[0020] 本發(fā)明的具體實(shí)施步驟如下：
[0021] 步驟1:利用過(guò)程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成 訓(xùn)練數(shù)據(jù)集X G RnXm，并對(duì)每個(gè)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為〇，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣 又。
[0022]步驟2:對(duì)數(shù)據(jù)矩陣進(jìn)行白化處理，將X轉(zhuǎn)換成標(biāo)準(zhǔn)正交化的新數(shù)據(jù)矩陣Z G RnXm; [0023] 步驟3:針對(duì)不同的非二次函數(shù)，調(diào)用MICA迭代算法求取其相應(yīng)的m個(gè)獨(dú)立元成分， 總計(jì)可得到3個(gè)獨(dú)立元集合，并保存相應(yīng)的模型參數(shù)以備用；
[0024]首先，從如下三種可選形式中選擇第k個(gè)非二次函數(shù)Gk，即： 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。然后，對(duì)矩陣Z調(diào)用MICA迭代算法求取與Gk相對(duì)應(yīng)的m個(gè)獨(dú) 立元成分，并建立相應(yīng)的MICA模型，如下所示：
上式中，AkGRmXm與WkGRmXm分別表示混合矩陣與分離矩陣，S kGRnXm為m個(gè)獨(dú)立元成分 組成的矩陣，上標(biāo)號(hào)T表示矩陣轉(zhuǎn)置。
[0025]步驟4:設(shè)置需要保留的獨(dú)立元個(gè)數(shù)d，利用不同的排序準(zhǔn)則對(duì)上個(gè)步驟中的每個(gè) 獨(dú)立元集合進(jìn)行重要性排序，并選擇所需要的d個(gè)重要的獨(dú)立元成分建立起相應(yīng)的MICA故 障檢測(cè)模型，記錄模型參數(shù)以備在線故障檢測(cè)時(shí)調(diào)用。
[0026]首先，針對(duì)第k個(gè)獨(dú)立元集合Sk，從如下四種重要性計(jì)算準(zhǔn)則中選擇選擇第j種準(zhǔn) 貝1J ^，用來(lái)計(jì)算Sk中的獨(dú)立元成分的重要性程度，即： Wi(i)= I |ffk(i,：) I |2,^2(i)= | | Si I |~ (3) W3(i) = [E{Gk(Sk(：a))}-E{Gk(v)}]2,W4(i)=| |Ak(：,i)| 12 其中，j = 1，2，3，4分別對(duì)應(yīng)四種排序準(zhǔn)則，i = 1，2，…，m對(duì)應(yīng)于過(guò)程第i個(gè)測(cè)量變量， (1:)與（：，1)分別表示選取相應(yīng)矩陣中的第1行與第1列，^為任一均值為〇，方差為1的正態(tài) 分布隨機(jī)變量，E{}表示計(jì)算均值，| | | |2與| | | |~分別表示計(jì)算向量的L2-范數(shù)與范數(shù)；
[0027] 其次，對(duì)獲取的重要性程度向量進(jìn)行降序排列，然后選擇前d個(gè)重要性程 度大的獨(dú)立元成分，并在矩陣Ak與Wk中選擇對(duì)應(yīng)于這d個(gè)獨(dú)立元的相應(yīng)列于行，組成新的混 合矩陣疋e 與分離矩陣承；e ;
[0028] 再次，利用矩陣與爐；建立起相應(yīng)的MICA故障檢測(cè)模型，并利用核密度估計(jì)法 計(jì)算出訓(xùn)練數(shù)據(jù)統(tǒng)計(jì)量0與0在置信度a = 99 %條件下所對(duì)應(yīng)的控制限與;
[0029] 最后，保存模型參數(shù)，并重復(fù)上述步驟直至所有4種重要 性準(zhǔn)則都被用來(lái)建立相應(yīng)的MICA故障檢測(cè)模型。
[0030] 步驟5:收集新的過(guò)程采樣數(shù)據(jù)XneweRmX1，并將其進(jìn)行同樣的標(biāo)準(zhǔn)化處理得到 ^new °
[0031 ]步驟6:分別調(diào)用不同的MICA模型參數(shù)為新數(shù)據(jù)足w建立相應(yīng)的監(jiān)測(cè)統(tǒng)計(jì)量' 與

其中，1111表示計(jì)算向量的長(zhǎng)度。
[0032] 步驟7:先利用貝葉斯概率融合方法進(jìn)行第一層的信息集成得到概率型監(jiān)測(cè)指標(biāo) 5/么和略
[0033] 首先，利用貝葉斯概率融合對(duì)監(jiān)測(cè)統(tǒng)計(jì)量I)；進(jìn)行第一層信息集成，具體的實(shí)施步 驟如下： ① 按照下式計(jì)算新數(shù)據(jù)元~屬于故障的概率：
其中，概率% (元eJ的計(jì)算方式如下：
其中，N和F分別表示正常和故障工況，先驗(yàn)概率&(W和&(杓分別取值a和1-a，條 件概率義(U A〇和義(U 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)5^ :
[0034] 其次，利用貝葉斯概率融合對(duì)監(jiān)測(cè)統(tǒng)計(jì)量0進(jìn)行第一層信息集成得到，具體 操作步驟與融合監(jiān)測(cè)統(tǒng)計(jì)量的步驟相似；
[0035] 最后，重復(fù)上述兩步驟直至得到3組概率型指標(biāo)(5^，。
[0036] 步驟8:再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和57^進(jìn)行第二層 的信息集成，得到最終的概率型監(jiān)測(cè)指標(biāo)BId和BI Q，并決策新數(shù)據(jù)是否正常。
[0037] 首先利用貝葉斯概率融合對(duì)概率型指標(biāo)進(jìn)行第二層信息集成，具體的實(shí)施步 驟如下： ①按照下式計(jì)算當(dāng)前監(jiān)測(cè)樣本屬于故障的概率：
其中，概率的計(jì)算方式如下：
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a和1-a，條 件概率| A〇和Pfl4(U F)的經(jīng)驗(yàn)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)BId:
[0038] 其次，利用貝葉斯概率融合對(duì)概率型監(jiān)測(cè)統(tǒng)計(jì)量進(jìn)行第二層信息集成得到 BIq，具體操作步驟與融合監(jiān)測(cè)統(tǒng)計(jì)量的步驟相似；
[0039] 最后，計(jì)算得到的BId與^(^指標(biāo)的具體數(shù)值與概率控制限l_a進(jìn)行對(duì)比。若任何一 個(gè)指標(biāo)數(shù)值大于l_a，則決策新數(shù)據(jù)為故障樣本;反之，該數(shù)據(jù)毛 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)。
[0040] 上述實(shí)施例僅是本發(fā)明的優(yōu)選實(shí)施方式，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)明做出的任何修改和改變，不應(yīng)排除在本發(fā)明的保護(hù)范圍之外。
【主權(quán)項(xiàng)】
1. 一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方法，其特征在于：該 方法包括以下步驟： (1) 利用過(guò)程的數(shù)據(jù)采集系統(tǒng)收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成訓(xùn)練數(shù) 據(jù)集X G RnX'并對(duì)每個(gè)變量進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為〇，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣X ,其 中，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nXm維的實(shí)數(shù)矩陣； (2) 對(duì)數(shù)據(jù)矩陣進(jìn)行白化處理，將叉轉(zhuǎn)換成標(biāo)準(zhǔn)正交化的新數(shù)據(jù)矩陣Z G RnXm; (3) 從三種非二次函數(shù)中選擇第k個(gè)非二次函數(shù)Gk，調(diào)用MICA迭代算法求取與Gk相對(duì)應(yīng) 的m個(gè)獨(dú)立元成分，重復(fù)此操作直至得到三個(gè)獨(dú)立元集合，并保存相應(yīng)的模型參數(shù)以備用， 其中，k=l，2,3分別為三種不同的非二次函數(shù)的標(biāo)號(hào)； (4) 設(shè)置需要保留的獨(dú)立元個(gè)數(shù)d，利用第j個(gè)的排序準(zhǔn)則對(duì)上個(gè)步驟中的每個(gè)獨(dú)立元 集合進(jìn)行重要性排序，并選擇所需要的d個(gè)重要的獨(dú)立元成分建立起相應(yīng)的MICA故障檢測(cè) 模型，保存模型參數(shù)以備在線故障檢測(cè)時(shí)調(diào)用，其中，j = l，2,3,4分別為四種排序準(zhǔn)則的 標(biāo)號(hào)； (5) 收集新的過(guò)程采樣數(shù)并將其進(jìn)行同樣的標(biāo)準(zhǔn)化處理得到 (6) 分別調(diào)用不同的MICA模型對(duì)其進(jìn)行故障檢測(cè)，即構(gòu)建相應(yīng)的監(jiān)測(cè)統(tǒng)計(jì)量0與其中，I I I I表示計(jì)算向量的長(zhǎng)度； (7) 先利用貝葉斯概率融合方法進(jìn)行第一層的信息集成得到概率型監(jiān)測(cè)指標(biāo)5/^和 5/^，其中，k = 1，2，3分別對(duì)應(yīng)于三種不同的非二次函數(shù)； (8) 再利用貝葉斯概率融合方法將步驟(7)中得到的3組5以和進(jìn)行第二層的信息集 成，得到最終的概率型監(jiān)測(cè)指標(biāo)BId和BIQ，并決策新數(shù)據(jù)是否正常。2. 根據(jù)權(quán)利要求1所述一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方 法，其特征在于，所述步驟(3)具體為:首先，從如下三種可選形式中選擇第k個(gè)非二次函數(shù) Gk，即： Gi(u) = log cosh(u)，G2(u) = exp(_u2/2)，G3(u) =u4 (3) 其中，u為函數(shù)Gk的自變量;然后，對(duì)矩陣Z調(diào)用MICA迭代算法求取與Gk相對(duì)應(yīng)的m個(gè)獨(dú)立 元成分，并建立相應(yīng)的MICA模型，如下所示：其中，Ak G RmXm與Wk G RmXm分別表示混合矩陣與分離矩陣，Sk G RnXm為m個(gè)獨(dú)立元成分組 成的矩陣，上標(biāo)號(hào)T表示矩陣轉(zhuǎn)置。3. 根據(jù)權(quán)利要求1所述一種基于修正型獨(dú)立元分析的雙層集成式工業(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，針對(duì)第k個(gè)獨(dú)立元集合S k，從如下四種重要性計(jì) 算準(zhǔn)則中選擇選擇第j種準(zhǔn)則，用來(lái)計(jì)算Sk中的獨(dú)立元成分的重要性程度，即： 其中，i = l，2,…，m對(duì)應(yīng)于過(guò)程第i個(gè)測(cè)量變量，（i，：）與（：，i)分別表示選取相應(yīng)矩陣 中的第i行與第i列，v為任一均值為〇,方差為1的正態(tài)分布隨機(jī)變量，E{}表示計(jì)算均值，| |2與I I I 分別表示計(jì)算向量的L2-范數(shù)與U范數(shù)； 其次，對(duì)獲取的重要性程度向量進(jìn)行降序排列，然后選擇前d個(gè)重要性程度大 的獨(dú)立元成分，并在矩陣Ak與Wk中選擇對(duì)應(yīng)于這d個(gè)獨(dú)立元的相應(yīng)列于行，組成新的混合矩 陣;e 與分離矩陣癢^ e; 再次，利用矩陣與伊/建立起相應(yīng)的MICA故障檢測(cè)模型，并利用核密度估計(jì)法計(jì)算出 訓(xùn)練數(shù)據(jù)統(tǒng)計(jì)量與在置信度a = 99%條件下所對(duì)應(yīng)的控制限 最后，保存模型參數(shù)卜并重復(fù)上述步驟直至所有4種重要性準(zhǔn) 則都被用來(lái)建立相應(yīng)的MICA故障檢測(cè)模型。4. 根據(jù)權(quán)利要求1所述一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方 法，其特征在于，所述步驟(7)具體為:首先，利用貝葉斯概率融合對(duì)監(jiān)測(cè)統(tǒng)計(jì)量進(jìn)行第一 層信息集成，具體的實(shí)施步驟如下： ① 按照下式計(jì)算新數(shù)據(jù)^^屬于故障的概率：其中，概率％的計(jì)算方式如下：其中，N和F分別表示正常和故障工況，先驗(yàn)概率&丨(#)和&丨(P)分別取值a和1-a，條件 概率& d I W和& d I 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)5/^其次，利用貝葉斯概率融合對(duì)監(jiān)測(cè)統(tǒng)計(jì)量ef進(jìn)行第一層信息集成得到，具體操作步 驟與融合監(jiān)測(cè)統(tǒng)計(jì)量Df的步驟相似； 最后，重復(fù)上述兩步驟直至得到3組概率型指標(biāo)?[5#, 5/^1。5. 根據(jù)權(quán)利要求1所述一種基于修正型獨(dú)立元分析的雙層集成式工業(yè)過(guò)程故障檢測(cè)方 法，其特征在于，所述步驟(8)具體為:首先利用貝葉斯概率融合對(duì)概率型指標(biāo)進(jìn)行第二 層信息集成，具體的實(shí)施步驟如下： ① 按照下式計(jì)算當(dāng)前監(jiān)測(cè)樣本屬于故障的概率：其中，概率(U的計(jì)算方式如下：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a和1-a，條件 概率&(U #)和/F)的經(jīng)驗(yàn)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)BId:其次，利用貝葉斯概率融合對(duì)概率型監(jiān)測(cè)統(tǒng)計(jì)量進(jìn)行第二層信息集成得到BIQ，具體 操作步驟與融合監(jiān)測(cè)統(tǒng)計(jì)量的步驟相似； 最后，計(jì)算得到的BId與^(^指標(biāo)的具體數(shù)值與概率控制限1-a進(jìn)行對(duì)比，若任何一個(gè)指 標(biāo)數(shù)值大于l_a，則決策新數(shù)據(jù)為故障樣本;反之，該數(shù)據(jù)元#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)】G05B23/02GK106054859SQ201610389226
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月30日
【發(fā)明人】童楚東, 藍(lán)艇
【申請(qǐng)人】寧波大學(xué)