针对非线性混合随机分布系统的质量相关过程监测方法技术方案

本发明专利技术公开一种针对非线性混合随机分布系统的质量相关过程监测方法，涉及故障检测技术领域，所述方法包括对待检测设备的高斯变量矩阵和非高斯变量矩阵均依次进行特征空间映射和零均值归一化处理得到待检测设备的高斯变量核矩阵和非高斯变量核矩阵；根据高斯变量核矩阵和非高斯变量核矩阵计算设备高斯部分质量相关统计量和非高斯部分的特征统计量；将待检测设备高斯部分的质量相关统计量和非高斯部分的特征统计量输入训练好的RVM模型中，得到待检测设备发生质量相关故障的概率；根据待检测设备发生质量相关故障的概率判断待检测设备是否发生质量相关故障，本发明专利技术提高了质量相关故障的检测率，降低了故障检测的误报率。率。率。

【技术实现步骤摘要】
针对非线性混合随机分布系统的质量相关过程监测方法


[0001]本专利技术涉及故障检测
，特别是涉及一种针对非线性混合随机分布系统的质量相关过程监测方法。

技术介绍

[0002]现有的大型装备健康监测或复杂工业过程监测方法主要分为单变量过程监测和多变量过程监测两大类。单变量过程监测只能监测单一过程变量的波动，在大型装备或工业过程监测中效率比较低。大型装备健康监测或复杂工业过程监测是一个多变量、多输出且数据量旁大的复杂过程。而多变量过程监测方法在处理大数据复杂特性上具有更高的精度和更快的速度，在面对各种干扰和噪声的影响时具有更强的鲁棒性。因此，多变量过程监测方法逐渐成为大型装备健康监测或复杂工业过程中普遍采用的监测方法。
[0003]在实际的装备健康监测过程中，由于外部扰动等因素的影响，过程变量往往不止呈现出一种分布特性，即同时存在高斯过程变量和非高斯过程变量，还表现出非线性特征。质量相关信息被这些非线性过程变量的波动所掩盖，导致非线性过程中的质量相关故障难以被检测到，对关键性能指标的故障检测、定位和排除产生了极大的干扰，降低了装备健康监测的效率。因此，需要设计一种针对非线性混合随机系统的质量相关过程监测方法用来提取非线性混合随机过程变量中隐含的质量相关信息，进而实现非线性混合随机系统的质量相关故障检测。这种方法先采用Jarque
‑
Bera检验分离出被监测过程中的高斯变量和非高斯变量；利用MKPLS模型提取高斯过程变量中的质量相关特征信息，利用KICA模型提取非高斯过程变量的非高斯特征；利用提取的特征信息构建RVM分类器，并监测非线性混合随机系统的质量相关信息的波动，实现了非线性非高斯系统的质量相关故障检测，在一定程度上，保证了较高的故障检测率和较低的故障误报率。

技术实现思路

[0004]本专利技术的目的是提供一种针对非线性混合随机分布系统的质量相关过程监测方法，在一定程度上，提高了质量相关故障的检测率，降低了故障检测的误报率。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种针对非线性混合随机分布系统的质量相关过程监测方法，包括：
[0007]获取待检测设备的高斯变量矩阵和非高斯变量矩阵；所述高斯变量矩阵包括所有满足高斯分布特征的过程变量的样本值；所述非高斯变量矩阵包括所有满足非高斯分布特征的过程变量的样本值；
[0008]对所述待检测设备的高斯变量矩阵和非高斯变量矩阵均依次进行特征空间映射和零均值归一化处理得到所述待检测设备的高斯变量核矩阵和非高斯变量核矩阵；
[0009]根据所述待检测设备的高斯变量核矩阵和非高斯变量核矩阵计算所述设备高斯部分的质量相关统计量和非高斯部分的特征统计量；
[0010]将所述待检测设备高斯部分的质量相关统计量和非高斯部分的特征统计量输入
训练好的RVM模型中，得到所述待检测设备发生质量相关故障的概率；
[0011]根据所述待检测设备发生质量相关故障的概率确定所述待检测设备是否发生质量相关故障。
[0012]可选的，所述训练好的RVM模型的确定过程为：
[0013]获取样本设备处于正常工况时各采样时刻下对应的过程变量向量和质量变量向量，得到输入数据矩阵和输出数据矩阵；所述过程变量向量包括同一采样时刻下各过程变量的值；所述质量变量向量包括同一采样时刻下各质量变量的值；所述正常工况为设备无故障的状态；
[0014]使用Jarque
‑
Bera检验对所述输入数据矩阵进行处理得到每个过程变量的分布特征；所述分布特征包括满足高斯分布特征和满足非高斯分布特征；
[0015]根据各过程变量的分布特征得到所述样本设备的高斯变量矩阵和非高斯变量矩阵；
[0016]对所述样本设备的高斯变量矩阵和非高斯变量矩阵均依次进行特征空间映射和零均值归一化处理得到所述样本设备的高斯变量核矩阵和非高斯变量核矩阵；
[0017]根据所述样本设备的高斯变量核矩阵和非高斯变量核矩阵计算所述样本设备高斯部分的质量相关统计量和非高斯部分的特征统计量；
[0018]以所述样本设备高斯部分的质量相关统计量和非高斯部分的特征统计量为输入，以所述样本设备的输出数据矩阵为输出对RVM模型进行训练，得到训练好的RVM模型。
[0019]可选的，在所述使用Jarque
‑
Bera检验对所述输入数据矩阵进行处理得到每个过程变量的分布特征之前还包括：
[0020]分别对所述输入数据矩阵和所述输出数据矩阵进行标准化处理得到标准输入数据矩阵和标准输出数据矩阵。
[0021]可选的，根据所述样本设备的高斯变量核矩阵和非高斯变量核矩阵计算所述样本设备高斯部分的质量相关统计量和非高斯部分的特征统计量，具体包括：
[0022]对于任意一个采样时刻，根据所述样本设备的高斯变量核矩阵中所述采样时刻对应的元素和非高斯变量核矩阵中所述采样时刻对应的元素计算在所述采样时刻所述样本设备高斯部分的质量相关统计量和非高斯部分的特征统计量。
[0023]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0024]本专利技术通过将待检测设备的过程变量按照符合高斯分布和符合非高斯分布进行分类，并计算高斯部分的质量相关统计量和非高斯部分的特征统计量，根据两种统计量判断被测设备是否发生质量相关故障，在一定程度上，提高了质量相关故障的检测率，降低了故障检测的误报率。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例提供的针对非线性混合随机分布系统的质量相关过程监测方
法的流程图；
[0027]图2为故障IDV(7)发生前后y的波动情况图；
[0028]图3为本专利技术实施例提供的针对非线性混合随机分布系统的质量相关过程监测方法对故障IDV(7)的检测结果图；
[0029]图4为故障IDV(14)发生前后y的波动情况图；
[0030]图5为本专利技术实施例提供的针对非线性混合随机分布系统的质量相关过程监测方法对故障IDV(14)的检测结果图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0033]如图1所示，本专利技术提供了一种针对非线性混合随机分布系统的质量相关过程监测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对非线性混合随机分布系统的质量相关过程监测方法，其特征在于，包括：获取待检测设备的高斯变量矩阵和非高斯变量矩阵；所述高斯变量矩阵包括所有满足高斯分布特征的过程变量的样本值；所述非高斯变量矩阵包括所有满足非高斯分布特征的过程变量的样本值；对所述待检测设备的高斯变量矩阵和非高斯变量矩阵均依次进行特征空间映射和零均值归一化处理得到所述待检测设备的高斯变量核矩阵和非高斯变量核矩阵；根据所述待检测设备的高斯变量核矩阵和非高斯变量核矩阵计算所述设备高斯部分的质量相关统计量和非高斯部分的特征统计量；将所述待检测设备高斯部分的质量相关统计量和非高斯部分的特征统计量输入训练好的RVM模型中，得到所述待检测设备发生质量相关故障的概率；根据所述待检测设备发生质量相关故障的概率确定所述待检测设备是否发生质量相关故障。2.根据权利要求1所述的一种针对非线性混合随机分布系统的质量相关过程监测方法，其特征在于，所述训练好的RVM模型的确定过程为：获取样本设备处于正常工况时各采样时刻下对应的过程变量向量和质量变量向量，得到输入数据矩阵和输出数据矩阵；所述过程变量向量包括同一采样时刻下各过程变量的值；所述质量变量向量包括同一采样时刻下各质量变量的值；所述正常工况为设备无故障的状态；使用Jarque
‑
Bera检验对所述输入数据矩阵进行处理得到每个过程变量的分布特征；所述分布特征包括满足高斯分布特征和满足非高...

【专利技术属性】
技术研发人员：孔祥玉，周红平，罗家宇，陈雅琳，刘美枝，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：