论文研究-基于PC-WKNN的多工况间歇过程故障检测方法研究.pdf

所需积分/C币:23 2019-07-22 21:53:27 2.44MB .PDF
收藏 收藏
举报

针对多工况间歇生产过程中过程数据维数高、中心漂移和方差差异明显等特点,提出了基于主元分析和加权K近邻相结合的故障检测方法(PC-WKNN)。首先应用PCA确定训练数据主元模型,简约数据结构;其次在主元空间以训练样本的第k近邻的局部近邻平均距离倒数为权重,构建加权距离D,加权距离D可以有效降低工况中心漂移和方差差异明显的影响;最后,根据t分布确定统计量D的控制限,当测试样本加权距离D大于控制限,则其为故障,否则为正常。PC-WKNN提高了多工况间歇过程故障检测率。通过两个模拟实例及青霉素发酵仿真实验,与PCA、KPCA、FD-KNN、PC-KNN等方法比较,验证了该方法的有效性。
1132· 计算机应用研究 第35卷 (b)根据式(5)计算样本的加权距离D2 表1说明 FD-KNN、 PC-KNN和 PC-WKNN都能够检测出所有 c)根据!分布及相关统计知识,确定检测模型的控制故障点。图3(b)是本文方法的检测图。此实例表明PC- 限D WKNN继承了PC-KNN方法的优势,能够对非线性数据进行故 b)在线检测 障检测。 (a)使用PCA计算待检测样本x在主元空间的得分1,3.2多模态实例 (b)根据式(5)计算t2的加权距离D。 数据集包含12个变量,前两个变量是主要变量,其余变量 (c)将D,与控制限D.比较,若D,>D,则样本x判为故是做小白噪声。 障点,否则为正常。 模态1: x1~ uniform(-0.5,0.5) 训练数据 待检测数据 x2~ uniform(-0.5,0.5) (6) PCA降维」 LPCA降维 模态 1~N(25,4) 主元空间得分(元空间得分 x2~N(0.4) 首先用式(6)(7)各产生200组训练数据,接下来用式(6) 叶算加权距离囗计算加权即离D (7)各产生20组校验数据,最后通过在前两个变量上设置偏 控制限D D>D 正常 移产生五个故障点。所有数据的前两个变量分布如图4(a)所 示。使用PCA、KPCA、 FD-KNN、PC-KNN和 PC-WKNN方法进 图2算法流程 行仿真实验。测试过程中PCA和 PC-KNN中主元个数l=2 KPCA中核主元个数l=2,核参数a=1000;FD-KNN和PC 的检测性能,同时与PCA、KPCA、FD-KNN、 PC-KNN等方法进所”法中近邻个数k=3; PC-WKNN方法中两个近邻个数 3模拟实例 k=3,K=3,置信度a=95%。仿真实验结果如图4(b)~(h) 本章使用非线性和多模态两个模拟实例分析PC-WKNN 行了对比分析 90 80 3.1非线性实例 原始数据包含12个变量其中前两个变量x和x是十要“2 E40 变量,其余的是微小白噪声。x1服从[-33]上的均匀分布, 10 20 10 x23=xi+ noiseε首先产生400组训练数据用于建立模型确定 0510152025303540 0150250350450 统计控制限,接下来产生40组同分布校验数据和五个故障点 批次 示。测试过程屮PCA和 PC-KNN中主元个数1=2,KPCA中今数据 (b)PCA T 用于验证本文方法的有效性,其中故障数据点是在前两个变量 上设置偏移产生的。所有数据的前两个变量分布如图3(a)所 threefold 主元个数l=2,核参数σ=10000,KNN和 PC-KNN方法屮近E10 邻个数设置为k=4, PC-WKNN中两个近邻个数k=4.K=3,置 信度α=95%。仿真实验结果如表1所示 10 050150250350450 表1故障检测结果 批次 批次 e)PCA SPE PCA T- PCA SPE KPCA T2 KPCA SPE FD-KNN PC-KNN PC-WKNN (d)kPCA T 610 /5 050150250350450050150250350450 批次 批次 10 10p (e] kPCA SPE 〔fFD-KNN 10 10 d10 10 4-3=2-10 0100200300400 批次 (a)原始数据 (b)PC-WKNN 图3非线性实例图 50250350450050150250350450 PCA的T和SPE共有三个故障点均未被检出,主婁原因 批次 批次 (g)PC-KNN (b)PC-WKNN 在丁数据的非线性分布不满足多元高斯分布的假设条件。 图4多模态实例图 KPCA有三个故障点未被检测,它对非线性数据效果不理想。 从佟4(h)~(e)看出,PCA和KPCA只检测出故障点4 第4期 冯立伟,等:基于 PC-WKNN的多工况间歇过程故障检测方法研究 1133 原因是多模态数据是非高斯分布,不满足PCA的假设条件。整初始变量值生产两批样本,第一批次初始CO2浓度设定为 从图4(f)(g)看出PD-KNN和CKN能够检测出放障点1、0.5,生产42个批次,第一批次初始(O2浓度设定为1,生产63 2、4;未能检测出故障点35,并且两个模态数据的统计值分为个批次,共105个批次正常样木。正常样木的青霉素浓度如图 两部分。这说明 FD-KNN和 PC-KNN方法没有消除模态结构5(a)所示。从两个批次中随机诜取各3个和5个共8个批次 信息,此吋FD-KN和 PC-KNN方法的控制限完全由模态2确作为測试样本,其余作为训练样本。另外,在空气流量、搅拌功 定;而从效据散点图可知枚障点3、5比较靠近第1模态,它们率、底物流加速率三个变量上分别设置阶越和斜坡信号,生产 的D2虽然大于第1模态数据的D,但仍小于D2控制限,所以12个批次放障样本。从图5(b)可看出正常样本分为两个批 FD-KNN和PC-KNN方法不能检出故璋点3、5。从图4(h)看次,表3给出了12个批次故障数据的故障类型及程度。 出,PC-WKN能够检测出全部故障点,加权距离D降低了两 14 个模态结构方差差异明显的影响,两个模态的统计量都在1 附近波动,所以故障点3、5能检测出。 0 4青霉素发酵工业过程故障检测实例 050100150200250300350400 0100150200250300350400 青霉素发酵过程可分为三个阶段:a)菌体快速生长阶段, 时间 时间 菌体经过短时间的适应即开始快速生长和繁殖,此阶段伴随着 (a)青霉素浓度 (b)CO浓度 图5正常样本数据图 葡萄糖底料的快速消耗,为间歇过程;b)菌体合成青霉素阶 表3枚障样本 段,为了保持菌体生长速率和高质量地生产青霉素,在此过程 故障编号 中需要向反应器中补加葡萄糖物料,为半间歌性过程;c)莴体 对比项 f12f315/6分jJ10f1/12 自溶阶段,菌体开始哀老,细胞自溶,青霉素合成能力衰退,青故变量11 2333 故隴类型阶越斜坡阶越阶越斜玻阶越玠越阶越斜妓阶越阶越斜坡 霉素产率开始下降,pH值上升,发酵过程终止。 百分北 Pensim仿真平台是由伊利诺科技学院( Illinois Institute of 升始时2(030)20250150250300300200 Technology,IT)的 Cinar教授为学科带头人领导过程建模及控 结束时面3003503003502003503503030020300300 初始C(2浓度0.50.51110.511 C.5 制硏究小组创建开发的青霉素发酵过程仿真软件。该软件 从数据的18个变量屮选取12个主要变量即通风率、搅拌 的内核采用基亍 Bajpai机理模型改进的io模型,此软件可 功率、底物流加速率、底物流温度底物浓度、溶解氧浓度、菌体 以模拟实现青霉素发酵过程的一系列参数变化,已经有很多相浓度、青霉素浓度、CO2浓度、pH值、反应器温度、反应热。青 关研究成果表明,该仿真软件具有很高的有效性和实用性。青 霉素发酵过程数据是三维矩阵,在进行故障检测前需要对数据 霉素发酵过程仿真软件已成为当今科学验证多元统计方法进行预处理。本文采用将每一批次的二维数据按时间展开成 在间歇过程故障诊断与监测的有效途径.弥补了间歇过程数据 维数据的方法。使用 PC-WKNI与PCA、KPCA、FD 难采集等困难1)。 KNN、PC-KNN方法对过程数据进行故障检测和对比分析。计 Pensim仿真平台有五个输入变量可以控制发酵过程参数 算过程中PCA的主元个数l=3,KPCA中核主元个数l=15,核 变化,九个过程变量是菌体合成及生长屮产生的.五个质量变 参数σ=1000,DKNN和PC-KNN方法中近邻数k=3,PC- 量影响青霉素的产量,青霉素发酵过程数据变量如表2所示。WKNN方法中参数l=3,h=3,K=3。所有方法的置信度a= Tensin仿真平台可以在三个变量通风率、搅拌功率和底物流 95%。实验结果如图6(b)~(e)和表4所示。 加速率上设定故障,故障扰动的类型有阶域和斜坡两种,并可 图6(a)是所有样本在前三个主元空间的分布,样本分为 进一步设定两种扰动的幅度、扰动的引人时间和终止时间"。两个模态,并且模态方差不同。从图6(b)~(c)中可看出 表2变量名 PCA的?2只检测出了2个枚障,SPE检测出了11个故障,有 序号 变量名 序号 变量名 1个正常样本的误报,多模态样本不满足PCA方法对数据的多 采样时间 0 反应器体积 元高斯分布的假设,KPCA的俨只检测出了5个故障,SPE检 通风率 CO,浓度 测出了5个故障,这是数据的多模态特征造成的。从图6(f) 搅拌功率 pH值 4底物流加速率‖13 反应器体积 (g)中可看出 FD-KNN和 PC-KNN的D2分别有5个、7个故章 底物流湿度 反应热 末检出,所有样本的m2分为两部分,保留∫各模态的方差信 底物浓度 酸流量 息,此时控制限完仝出方差大的第1模态决定,从图6(a)看出 溶解氧浓度 誠流量 未检出的故障点比较靠近第2模态,使得它们的D2小于第 菌体浓度 冷水流量 模态的控制限,被误报为正常样本。从图6(h)看出PC-WKNN 9 青霉索浓度 18 热水流量 检测出仝部12个故璋,且两个模态的D差异不大,都在1附 本文使用μ ensim对青霉素发酵仿真过程生产数据,仿真近,此时D的控制限由两个模态共同决定,表明本文方法的加 时间设定为400h,采样时间设定为Ih。在正常工况下通过调权距离D降低了两个模态方差差异明显的影响。 1134 计算机应用研究 第35卷 参考文献: [1. Wise B M, Gallagher N B, Butler S W, et al. A comparison of prin Htg. 310k og a cipal component analysis, multiway prineipal component analysis, tri- linear decomposition and parallel factor analysis for fault detection in a semiconductor etch proeess[J] Journal of Chemometrics, 1999, 13 020406080100120 (3-4):379-396 -50 PCI 批次 [2 Cherry G A, Qin S.L. Multiblock principal component analysis based (a)所有样本在前一个主元空间分布图 (b)PCA T on a combined index for semiconductor fault detection and diagnosis [J]. IEEE Trans on Semiconductor Manufacturing, 2006, 19 2):159-172 [31 Ge Zhiqiang, Song Zhihuan. Semiconductor manufacturing process 10 038 mOnitoring baser on arlaplive suhslatislical PCA[ J. IEEE Trans on Semiconductor Manufacturing, 2010, 23(1): 99-108 [4 Cheng Zhang, Yuan Li. Study on the fault-detection method in batch 批次 批次 (d)KPCA T process based on statistical pattern analysis[ J. Chinese Journal of (cPCA SPE Scientific Instrument, 2013, 34(9): 2103-2110 10 10° [5 Sang W C, Lee C, Lee JM, et al. Fault detection and identification of nonlinear processes based on kernel PCA[ J. Chemometrics 10 10 Intelligent Laboratory Systems, 2005, 75(1 ): 55-67 3 [6 Ge Zhiqiang, Yang Chunjie, Song Zhihuan. Improved kernel PCA- based monitoring approach for nonlinear processes[ J]. Chemical En 0204060 100120 批次 gineering Science, 2009, 64(9): 2245-2255 (e)KPCa SPE ( FD-KNN [7 Ge Zhiqiang, Song Zhihuan. Mixture Bayesian regularization method of PPCA for multimode process monitoring[ J]. AlChE Journal 10 56(11):2838-2849 L8 Zhao Chunhui, Yao Yuan, Gao Furong, et al. Statistical analysis and online monitoring for multimode processes with between-mode transi tions[ Chemical Engineering Science, 2010. 65(22): 5961 406080100120 020406080100120 5975 批次 [9 Freeman J. A user's guide to principal components [M]. [S 1.] (g) PC-KNN (h)PC-WKNN 图6青霉素仿真实例图 Wiley-Interscience, 2003: 141-6141 1O Alcala C F, Qin S J. Reconstruction-based contribution for process 表4故障检测结果 monitoring with kernel principal component analysis L C//Proc of PCA r2 PCA SPE KPCA 72 KPCA SPE TD-KNN IC-KNN PC- WKNN World Congress. 2008: 7889-7894 [11 Jia mi nitoring using batch dynamic kernel principal component analysis[ J] hemometrics Intelligent Laboratory Systems, 2010, 101(2) f 4 110-122 「12 I He Q P the K for semiconductor manufacturing processes L J]. IEEE Trans on Semiconductor Manufacturing, 2007, 20(4): 345-354 [13] He QP, Wang Jin. Principal component based K-nearest-neighbor rule for semiconductor process fault detection[ C]//Proc of the Ameri can Control confer 2008:1606-16l1 [14]李元,刘亚东,张成,扩散映射K近邻在工业过猩故检测中的 应月「J,辽宁工程技术大学学报,2015,34(12) 5结束语 L15」郛佘玉,陈海彬,李元.基于在线升級主样本建模的批次过程故障 检测方法[J].信息与控制, 木文提出了基于主元分析加权K近邻的故障检测方法。16]张成,李秀玉,途玉俊,等基于GM的马氏距高KNN故障检测 首先使用PCA提取数据主要特征,降低计算复杂度,其次计算 方法研究[门].测控技术,2014,33(9):13-17 样木的加权距离作为统计量,确定检测控制限,最后实现在线17]刘毅,王海清Pmm仿真平台在青霉索发酵过程的应用研究 检测。不文方法继承了KNN方法的优势,能够对非线性数据 [J].系统仿真学报,2006,18(12):3524-3527 18 Ng Y S, Srinivasan R. An adjoined multi-model approach for monito 和模态差异不明显的多模态数据进行故障检测;同时针对多工 ring batch and tansient operations[ J. Computers Chemical En- 况间歇过程数据特征,通过构造加权距离有效降低过程数据的 gineering,2009,33(4):887-900 工况中心漂移和方差差异明显的影响,实现故障检测,提高生[19]张成,李元.基于统计模黃分祈间歇过程故障检测方法研究[J] 产过程的可靠性。 仪器仪表学报,2013,34(9):2103-2110

...展开详情
试读 5P 论文研究-基于PC-WKNN的多工况间歇过程故障检测方法研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
上传资源赚积分,得勋章
最新推荐
论文研究-基于PC-WKNN的多工况间歇过程故障检测方法研究.pdf 23积分/C币 立即下载
1/5
论文研究-基于PC-WKNN的多工况间歇过程故障检测方法研究.pdf第1页

试读结束, 可继续读1页

23积分/C币 立即下载 >