一种基于Kolmogorov-Smirnov检验的微小故障检测方法技术

本发明专利技术公开了一种基于Kolmogorov

【技术实现步骤摘要】
一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法


[0001]本专利技术涉及微小故障检测的
，特别是涉及一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法。

技术介绍

[0002]随着现代经济的飞速发展和科技水平的不断提高，工业过程或设备日趋复杂化、大型化。这给负责保障过程可靠运行的工程师们带来了严峻的挑战。一旦生产过程或设备发生微小故障，若不能及时发现并妥善处理，将会随着时间的推移逐渐发展成严重的故障甚至是引发重大事故，造成人员伤亡和巨大的经济损失。
[0003]故障是系统中表现出的不期望特征或者任何异常现象。因此，在现代工业中，故障检测对于提高系统可靠性、防止严重的系统性能恶化以及确保最佳工艺操作至关重要。
[0004]故障检测和诊断对保障现代工业过程的安全可靠运行具有重要意义。现有的大多数故障检测方法只对幅值较大的突发或显著故障有效。近年来，微小故障检测与诊断已成为科研和工程领域关注的热点之一，其目的是及时识别处于早期阶段的微小故障。专利CN110244692A公开了一种化工过程微小故障检测方法，将Kullback
‑
Leibler散度(英文：Kullback
‑
Leibler Divergence,简称：KLD)引入到传统局部
‑
全局主成分分析法中，基于主成成分分析训练离线数据的模型，用在线数据的KLD成分计算主成成分空间统计量T2和残差空间统计量SPE，并通过核密度方法计算的控制限对其进行监控，提高了微小故障检测率。
[0005]传统的基于知识和解析模型的故障诊断方法，过分依赖建立精确的数学模型，同时知识经验也难以获取。对具有不同数据特性的复杂工业过程来说，基于模型和知识的故障检测方法效果欠佳。高度自动化复杂化的工业过程积累了海量含有效信息的数据，基于数据驱动方法的故障检测与诊断便应运而生。该方法不需要已知工业过程的精确数学模型，直接应用过程中采集的传感器数据，利用多元统计理论建立模型，实现对过程的故障检测与诊断。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法，用以解决传统的基于数据驱动的故障检测方法对微小故障不敏感，故障检测率较低等问题，使用该方法进行微小故障检测时具有较高的故障检测率，并且有较低的故障误报率。K
‑
S检验广泛应用于统计学中，可以用来判断一组数据的概率分布情况是否和一个已知数据的概率分布情况相同，或者判断两组数据的概率分布是否相似。本专利技术深度挖掘工业过程中微小故障引起的数据概率分布情况，有效的进行故障检测。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法，所述微小故障检测方法包括离线建模过程和在线监测过程，其中，所述离线建模过程包括：
[0009]步骤S1、采集CSTH过程的历史正常数据X，再将该数据按照一定比例划分为训练样本集X
tr
和测试样本集X
te
，并均进行归一化处理；
[0010]步骤S2、针对步骤S1中得到的训练样本集X
tr
使用主成成分分析，获得其PCA模型，再求得该训练样本集X
tr
的负载矩阵P；
[0011]步骤S3、根据步骤S2中得到的负载矩阵P，计算出训练样本集X
tr
的主元子空间T
tr
以及测试样本集X
te
的主元子空间T
te
；
[0012]步骤S4、进行K
‑
S检验，其包括：首先给定一个滑动窗口，计算窗口内训练样本的第i个主元t
tri
和测试样本的第i个主元t
tei
的经验分布函数EDF；然后再进行K
‑
S检验求出K
‑
S统计量D
n
的值；接着，将滑动窗口向后滑动，重复前述步骤，直至窗口滑动到主元中的最后一个数据；
[0013]步骤S5、给定显著水平α，计算出控制限D
n
(α)；
[0014]所述在线监测过程，其具体包括：
[0015]步骤S6、采集CSTH过程的实时在线数据X
on
，并将数据进行归一化处理；
[0016]步骤S7、利用步骤S2中所获的训练样本集X
tr
的负载矩阵P，计算出在线数据X
on
的主元空间T
on
；
[0017]步骤S8、进行K
‑
S检验，其包括：给定一个滑动窗口的宽度，计算窗口内训练样本的第i个主元t
tri
和在线样本第i个主元t
oni
的经验分布函数EDF，进而求出K
‑
S检验统计量D
n
的值；
[0018]步骤S9、比较统计量D
n
和控制限D
n
(α)的值，判断系统当前时刻是否有故障发生；
[0019]步骤S10、当下一时刻的在线数据被采集时重复上述步骤S7
‑
步骤S9，同时窗口向后滑动。
[0020]进一步的，在所述步骤S1中，所述训练样本集表示为X
tr
＝[X
tr
(1) X
tr
(2)
ꢀ…ꢀ
X
tr
(n)]T
∈R
n
×
m
，所述测试样本集表示为X
te
＝[X
te
(1) X
te
(2)
ꢀ…ꢀ
X
te
(n)]T
∈R
n
×
m
，其中，n表示为样本个数，m表示为CSTH过程中涉及到的变量。
[0021]进一步的，所述步骤S2具体包括：
[0022]步骤S201、针对训练样本集X
tr
，再根据公式(1)求出其协方差矩阵，再将该协方差矩阵进行分解得到训练样本集的特征值矩阵及其对应的特征向量；
[0023]步骤S202、根据特征值的累计贡献率达到90％的准则，确定训练样本集主元的个数l，再根据公式(1)以及取特征值矩阵对应的特征向量的前l列来计算负载矩阵P，其中，所述公式(1)具体表示为：
[0024][0025]在公式(1)中，S为协方差矩阵，Λ＝[λ1，λ2，...，λ
m
]为特征值矩阵且λ1≥λ2≥...≥λ
m
，V为特征值对应的特征向量，P为负载矩阵，为y的m
‑
l列；
[0026]所述特征值的累计贡献率达本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法，其特征在于，所述微小故障检测方法包括离线建模过程和在线监测过程，其中，所述离线建模过程包括：步骤S1、采集CSTH过程的历史正常数据X，再将该数据按照一定比例划分为训练样本集X
tr
和测试样本集X
te
，并均进行归一化处理；步骤S2、针对步骤S1中得到的训练样本集X
tr
使用主成成分分析，获得其PCA模型，再求得该训练样本集X
tr
的负载矩阵P；步骤S3、根据步骤S2中得到的负载矩阵P，计算出训练样本集X
tr
的主元子空间T
tr
以及测试样本集X
te
的主元子空间T
te
；步骤S4、进行K
‑
S检验，其包括：首先给定一个滑动窗口，计算窗口内训练样本的第i个主元t
tri
和测试样本的第i个主元t
tei
的经验分布函数EDF；然后再进行K
‑
S检验求出K
‑
S统计量D
n
的值；接着，将滑动窗口向后滑动，重复前述步骤，直至窗口滑动到主元中的最后一个数据；步骤S5、给定显著水平α，计算出控制限D
n
(α)；所述在线监测过程，其具体包括：步骤S6、采集CSTH过程的实时在线数据X
on
，并将数据进行归一化处理；步骤S7、利用步骤S2中所获的训练样本集X
tr
的负载矩阵P，计算出在线数据X
on
的主元空间T
on
；步骤S8、进行K
‑
S检验，其包括：给定一个滑动窗口的宽度，计算窗口内训练样本的第i个主元t
tri
和在线样本第i个主元t
oni
的经验分布函数EDF，进而求出K
‑
S检验统计量D
n
的值；步骤S9、比较统计量D
n
和控制限D
n
(α)的值，判断系统当前时刻是否有故障发生；步骤S10、当下一时刻的在线数据被采集时重复上述步骤S7
‑
步骤S9，同时窗口向后滑动。2.根据权利要求1所述的一种基于Kolmogorov
‑
Smirnov检验的微小故障检测方法，其特征在于，在所述步骤S1中，所述训练样本集表示为X
tr
＝[X
tr
(1) X
tr
(2)
ꢀ…ꢀ
X
tr
(n)]
T
∈R
n
×
m
，所述测试样本集表示为X
te
＝[X
te
(1) X
te
(2)
ꢀ…ꢀ
X

【专利技术属性】
技术研发人员：商亮亮，泮佳俊，张帆，蒋玮平，顾银波，唐一鸣，华亮，傅怀梁，
申请(专利权)人：南通大学，
类型：发明
国别省市：