IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

基于稀疏残差距离的多工况过程故障检测方法研究

已有 1170 次阅读 2020-10-28 16:06 |系统分类:博客资讯

过程故障检测是指:利用各种检查和测试方法,发现系统和设备是否存在故障的过程。


多工况过程是指:实际生产系统中,产品特性、原料组分、控制策略等生产因素的改变使工况发生变化,多工况过程本身具有生产周期有限、控制过程复杂等特点,其数据具有中心漂移、多阶段、非线性等复杂数据特征。


过程故障检测技术能够保证生产过程的安全稳定进行,避免造成或轻或重的后果。例如:(1)爆炸;(2)火灾;(3)资源浪费;(4)产品质量不合格。目前,传统的线性算法已经得到了广泛应用,但考虑到多工况过程的复杂数据特征,传统的算法难以达到完美的故障检测效果,无法满足生产控制的需求,因此多工况过程的故障检测方法研究正受到众多学者的重视。


针对多工况过程的故障检测,常用的两种研究方法为:

(1)多模型法:利用各工况数据建立多个局部模型,通过多次建模将局部单工况过程扩展成为多工况过程,该方法需要解决的首要问题是如何将数据分离成不同子集对应的多个工况。

优点:步骤分明、监控结果容易解释、故障识别和诊断相对容易;

缺点:依赖过程知识、需要在线识别工况、需要考虑模型集优化和模型切换策略。

(2)全局模型法:直接从具有多工况特性的历史数据中学习全局模型,构建表征各工况特性的统一检测指标。

优点:简单、容易实现;

缺点:无法精确描述每一个工况数据的特征。


要实现对故障的精准检测,故障检测方法必须具备优秀的特征提取能力和较强的数据包容能力。利用跨度大、分布散的数据进行故障检测模型建立时,得到的模型不够准确,使得在线检测的投影结果不够理想。采用线性统计量构建故障检测指标,结果存在局限性,无法完美收集到数据中包含的非高斯、非线性等特征。因此,必须提高方法的特征提取能力和数据包容能力。

 

如何提高方法的特征提取能力和数据包容能力呢?目前,越来越多的学者针对各个领域的优秀特征提取方法挖掘用于故障检测领域。鉴于稀疏分解方法在模式识别领域表现出的优秀的特征提取能力,它已经被应用到各类问题的故障检测,如微小故障、多模态问题等,并且都有不错的检测结果。其中,针对多模态问题,一位学者提出了检测结果较好的标签一致性K-SVD方法,但该方法对字典进行扩展进行稀疏分解,增加了数据的复杂度和计算量,并且采用重构误差作为统计量,数据包容能力较弱,误报率偏高。因此,需要考虑如何降低复杂度和误报率,更好的应用稀疏分解方法。针对多工况过程,提出一种在稀疏残差空间构建k近邻距离统计量的故障检测方法,建立全局模型,采用稀疏分解方法提取数据特征,利用正常数据的近似值和原始值的偏差构造稀疏残差空间,最后在该空间引入距离统计量进行故障检测。主要优势可以概括如下:

(1)全局模型:避免工况识别的工作;

(2)稀疏分解提取数据特征:保持工况特征、突出数据特征;

(3)距离统计量:兼得k近邻算法能解决非高斯、非线性、多工况问题的优点,提高方法的数据包容能力。

 

目前,关于如何提高方法的特征提取能力和数据包容能力的研究已受到许多专家和学者的重视,很多优秀的方法尚且隐藏在其他领域中等待挖掘。本文结合多工况数据的特点,从降低方法复杂度和提高准确性两方面出发,对故障检测方法进行了一定程度的创新。


引用格式:郭小萍, 刘诗洋, 李元. 基于稀疏残差距离的多工况过程故障检测方法研究. 自动化学报, 2019, 45(3): 617-625

文章链接:http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170389


作者简介


郭小萍

2006年于东北大学获得博士学位,现沈阳化工大学信息工程学院副教授. 主要研究方向为基于数据驱动技术的复杂过程故障检测与诊断. 

E-mail: gxp2001@sina.com


刘诗洋

沈阳化工大学信息工程学院硕士研究生. 主要研究方向为基于数据驱动技术的多工况过程故障检测. 

E-mail: liusy2018@sina.com


李 元

2005年于东北大学获得博士学位, 现任沈阳化工大学信息工程学院教授. 主要研究方向为基于数据驱动技术的复杂过程故障检测与诊断. 本文通讯作者.  

E-mail: li-yuan@mail.tsinghua.edu.cn




https://wap.sciencenet.cn/blog-3291369-1256106.html

上一篇:科研必备!盘点常用文献管理工具
下一篇:自动化学报排名第一,被评定为中国中文权威期刊
收藏 IP: 159.226.182.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-29 18:10

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部