[发明专利]一种基于时间约束稀疏表示和特征降维的故障检测方法有效
申请号: | 201810808881.8 | 申请日: | 2018-07-23 |
公开(公告)号: | CN109101702B | 公开(公告)日: | 2023-05-12 |
发明(设计)人: | 周东华;郭天序;台秀华;陈茂银;张峻峰;钟麦英;卢晓 | 申请(专利权)人: | 山东科技大学 |
主分类号: | G06F18/213 | 分类号: | G06F18/213;G06F18/214 |
代理公司: | 青岛智地领创专利代理有限公司 37252 | 代理人: | 陈海滨 |
地址: | 266590 山东省青岛*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 时间 约束 稀疏 表示 特征 故障 检测 方法 | ||
本发明公开了一种基于时间约束稀疏表示和特征降维的故障检测方法,具体涉及故障检测技术领域。其解决了现有的故障检测没有充分考虑强扰动对故障检测的影响,没有针对正常数据与故障数据间的关联而开发的特征降维方法的不足。该基于时间约束稀疏表示和特征降维的故障检测方法通过同时考虑工业过程监测数据的空间和时间特性而引入时间约束稀疏表示方法(TCSR),提出了一种新的特征降维故障检测方法(RCDR),充分利用构建的鲁棒邻接图并考虑数据特征,它的散度矩阵是考虑到故障检测的数据特性而特别设计的。类内散度矩阵只是用经典协方差矩阵表征正常数据集,而类间散布矩阵通过预定义的散布矩阵表征正常数据和故障数据之间的可分性。
技术领域
本发明涉及故障检测技术领域,具体涉及一种基于时间约束稀疏表示和特征降维的故障检测方法。
背景技术
实际工业过程中,系统的安全性和可靠性尤为重要。故障检测是保障工业过程安全平稳运行的关键技术之一。实际工业数据具有强扰动的特性。不仅包含噪声,同时也包含异常点。当我们采集到数据后,数据驱动的故障检测方法能够在实际应用中建立起有效的故障检测模型至关重要。然而,现有的故障检测方法存在两点不足,一是没有充分考虑强扰动对故障检测的影响,二是没有针对正常数据与故障数据间的关联而开发的特征降维方法。
发明内容
本发明的目的是针对上述不足,提出了一种新的充分利用构建的鲁棒邻接图并考虑数据特征的RCDR方法,使其能够处理强扰动下的故障检测问题基于时间约束稀疏表示和特征降维的故障检测方法。
本发明具体采用如下技术方案:
一种基于时间约束稀疏表示和特征降维的故障检测方法,具体包括:
①.假设所检测的对象包含d个传感器,则正常工况采集得到的单一时刻数据x∈Rd,故障工况采集得到的单一时刻数据y∈Rd;收集m个独立采样构成正常数据训练集X=[x1,x2,…,xm]T∈Rd×m,收集n个独立采样构成故障数据训练集Y=[y1,y2,…,yn]∈Rd×n;
②.求解CX,使其满足式(1):
其中,Cx是矩阵X被其自身表达的稀疏矩阵;Ex是X被其自身表达后的残差中的野值点矩阵;Zx是X被其自身表达后的残差中的噪声矩阵;1是[1,1,…,1]T向量;diag(Cx)表示矩阵Cx对角元素为0,W是时间约束矩阵,根据现场实际情况确定该矩阵内各参数;
③.求解CY,使其满足式(2):
其中,CY是矩阵Y被其自身表达的稀疏矩阵;EY是Y被其自身表达后的残差中的野值点矩阵;ZY是Y被其自身表达后的残差中的噪声矩阵;diag(CY)表示矩阵CY对角元素为0;
④.求解
其中
⑤.求解
其中
⑥.求解广义特征值:得到G;
⑦.求解统计量:
其中,m是X数据集的样本个数;p是由降维投影矩阵G降维后剩余的维数;alpha是置信度水平;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东科技大学,未经山东科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810808881.8/2.html,转载请声明来源钻瓜专利网。