技术领域
[0001] 本
发明涉及故障检测领域，特别是涉及一种基于数据的含权重非线性工业系统故障检测方法及装置。
背景技术
[0002] 当代工业系统逐步呈现出高集成度，多层次连接，强非线性，远程通讯，
大数据量等特征。工业系统的诸多新特征对系统安全性提出了新的要求，也使得故障检测领域面临诸多新的挑战。
[0003] 现有的故障检测方法主要分基于机理模型和基于数据两种，各有优劣。基于机理模型方法的优势在于通过机理模型对系统进行精确刻画，可处理动态系统相关问题，然而，随着系统复杂度的大幅提升，使得精确机理建模的难度和成本大增，对精确模型的依赖已成为制约基于机理模型故障诊断技术发展的
瓶颈。基于数据的故障检测方法可以节约建模成本，充分挖掘数据蕴含信息，为系统的故障检测提供更加高效便捷
算法，达到提升系统安全性的目的。然而，现有以统计分析为
基础的基于数据的方法，着重于依据数据建立回归分类模型，对系统动态特征关注度较低。与基于机理模型的方法相比，现有基于数据的方法难以处理动态系统故障检测问题。
发明内容
[0004] 针对
现有技术存在的问题，本发明
实施例提供一种基于数据的含权重非线性工业系统故障检测方法及装置。
[0005] 第一方面，本发明实施例提供一种基于数据的含权重非线性工业系统故障检测方法，包括：
[0006] 基于训练集和预设的权重矩阵，构建工作点残差函数，其中，所述训练集由非线性工业系统各个工作点处的无故障历史数据构成；
[0007] 基于工作点基准
阈值和所述权重矩阵，构建全局权重阈值，其中，所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值；
[0008] 基于在线运行数据，通过故障检测机制对所述非线性工业系统进行故障检测，所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建。
[0009] 进一步地，所述基于训练集和预设的权重矩阵，构建工作点残差函数，具体包括：
[0010] 基于所述训练集和所述权重矩阵，构建含权重多维数据矩阵；
[0011] 基于所述含权重多维数据矩阵，构建工作点残差函数。
[0012] 进一步地，所述权重矩阵包括第一矩阵和第二矩阵，其中，
[0013] Λ1,jd＝diag{λj-1Id,λj-2Id,…,λId,Id}，
[0014] Λ2,k＝diag{λk-1,λk-2,…λ,1}，
[0015] λ为权重因子，0<λ≤1，Λ1,jd为所述第一矩阵，Λ2,k为所述第二矩阵，Id为d×d阶单位矩阵，j,d,k均为正整数。
[0016] 进一步地，所述基于工作点基准阈值和所述权重矩阵，构建全局权重阈值，具体包括：
[0017] 基于所述工作点基准阈值，采用Takagi-Sugeno
去模糊方法，建立全局基准阈值；
[0018] 基于所述权重矩阵，对所述全局基准阈值进行权重处理，获取所述全局权重阈值。
[0019] 进一步地，所述基于所述工作点基准阈值，采用Takagi-Sugeno 去模糊方法，建立全局基准阈值，包括：
[0020]
[0021] 其中， 为所述全局基准阈值， 为第i个工作点处的所述工作点基准阈值，μi为隶属度函数， α为误报率，h为χ2分布的
自由度；
[0022] 所述基于所述权重矩阵，对所述全局基准阈值进行权重处理，获取所述全局权重阈值，包括：
[0023] 其中， 为所述全局权重阈值， inf(detΛ1，sm)为第一矩阵Λ1，sm特征值的下界值，Λ2，N为第二矩阵。
[0024] 进一步地，所述故障检测机制包括：
[0025] 若 则所述非线性工业系统为无故障状态；
[0026] 若 则所述非线性工业系统为故障状态；
[0027] 其中， 为全局残差统计量，所述全局残差统计量基于所述工作点残差函数获得。
[0028] 进一步地，基于所述工作点残差函数获得所述全局残差统计量，具体包括：
[0029] 基于所述工作点残差函数，获取工作点残差统计量，其中，
[0030]
[0031]
[0032] 为第i个工作点处的所述工作点残差函数， 为第i个工作点处的所述工作点残差统计量；
[0033] 基于所述工作点残差统计量，采用Takagi-Sugeno去模糊方法，获取所述全局残差统计量，其中，
[0034]
[0035] 第二方面，本发明实施例提供一种基于数据的含权重非线性工业系统故障检测装置，包括：
[0036] 训练单元，用于基于训练集和预设的权重矩阵，构建工作点残差函数，其中，所述训练集由非线性工业系统各个工作点处的无故障历史数据构成；
[0037] 阈值单元，用于基于工作点基准阈值和所述权重矩阵，构建全局权重阈值，其中，所述工作点基准阈值为所述非线性工业系统第i个工作点处的阈值；
[0038] 检测单元，用于基于在线运行数据，通过故障检测机制对所述非线性工业系统进行故障检测，所述故障检测机制由所述工作点残差函数及所述全局权重阈值构建。
[0039] 第三方面，本发明实施例提供一种
电子设备，包括
存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
[0040] 第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
[0041] 本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法及装置，针对现有非线性工业系统的故障检测依赖精确机理模型及处理动态系统能
力有限的问题，实现了由输入输出数据出发，兼顾系统动态特征的非线性工业系统故障检测。
附图说明
[0042] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043] 图1为本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法的流程示意图；
[0044] 图2为本发明实施例提供的电子设备结构示意图。
具体实施方式
[0045] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0046] 图1为本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法的流程示意图。如图1所示，本发明实施例提供了一种基于数据的含权重非线性工业系统故障检测方法，包括：
[0047] 步骤210，基于训练集和预设的权重矩阵，构建工作点残差函数，其中，训练集由非线性工业系统各个工作点处的无故障历史数据构成；
[0048] 步骤220，基于工作点基准阈值和权重矩阵，构建全局权重阈值，其中，工作点基准阈值为非线性工业系统第i个工作点处的阈值；
[0049] 步骤230，基于在线运行数据，通过故障检测机制对非线性工业系统进行故障检测，故障检测机制由工作点残差函数及全局权重阈值构建。
[0050] 本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法，克服了传统基于机理模型方法需要依赖精确的机理模型，难以应用于非线性动态工业系统的问题，而且无需以统计分析为基础建立回归分析模型，实现了由输入输出数据出发，兼顾系统动态特征的非线性工业系统故障检测。
[0051] 基于上述实施例，该方法中，步骤210具体包括：
[0052] 步骤240，基于训练集和权重矩阵，构建含权重多维数据矩阵。
[0053] 步骤250，基于含权重多维数据矩阵，构建工作点残差函数。
[0054] 基于上述任一实施例，该方法中，权重矩阵包括第一矩阵和第二矩阵，其中，[0055]
[0056]
[0057] λ为权重因子，0<λ≤1，Id为d×d阶单位矩阵，Λ1,jd为第一矩阵，Λ2,k为第二矩阵，j,d,k均为正整数，j,d,k的具体取值由其所处理的具体矩阵的结构决定。
[0058] 在非线性工业系统的第i个工作点处，通过无故障历史数据构成的训练集，分别构建无故障的输入数据集Uγ,s,N和无故障的输出数据集Yγ,s,N，以及无故障的工具变量集Uτ,s,N和Yτ,s,N。i为正整数，且 1≤i≤r，r为非线性工业系统工作点个数，γ为初始时刻，s为步长， N为数据矩阵列数，γ,N,τ均为正整数，且满足N＞＞s,s>τ。其中，
[0059]
[0060]
[0061]
[0062]
[0063] 在非线性工业系统的第i个工作点处，对多维数据矩阵Uγ,s,N、 Yγ,s,N、Uτ,s,N和Yτ,s,N分别左乘和右乘相应维度的权重矩阵，构建含权重多维数据矩阵和 其中，第一矩阵Λ1,jd中参数j取值s，参数d取值l，第二矩阵Λ2,k中参数k取值N，[0064]
[0065]
[0066]
[0067]
[0068] 在第i个工作点处，非线性工业系统的动态过程可进行线性化，并由线性时不变系统表示：
[0069] x(k+1)＝Aix(k)+Biu(k)+w(k)，
[0070] y(k)＝Cix(k)+Diu(k)+v(k)，
[0071] 其中， 为系统状态， 为输入变量， 为输出变量，表示零均值正态分布的过程噪声， 表示零均值正态分布的测量噪
声，Ai,Bi,Ci和Di是系统矩阵，且为有界实矩阵，系统状态、系统阶次和系统矩阵均未知。
[0072] 则批量数据方程可以表示为：
[0073]
[0074] 其中，Xγ,1,N未知，
[0075]
[0076]
[0077]
[0078] 含权重批量数据方程可表示为：
[0079]
[0080] 其中，
[0081] 工作点i处的工作点残差函数为 则有：
[0082]
[0083] 由此可见，步骤250的关键在于由数据辨识出 与
[0084] 由于向量空间等价性，
[0085] 设 其中，
[0086]
[0087]
[0088] 根据行向量性质可知，
[0089] 对Φ进行奇异值分解可得：
[0090]
[0091] 则由SVD分解性质可得：
[0092] 设 则有：
[0093]
[0094] 求解最小二乘问题：
[0095]
[0096] 可获取
[0097] 由于 则有 因此，
[0098]
[0099] 其中，
[0100] 由 可知，
[0101]
[0102]
[0103] 至此， 与 均可由数据辨识得出，据此可构建第i个工作点处的工作点残差函数：
[0104]
[0105] 以上基于含权重多维数据矩阵，构建工作点残差函数的方法，可以称之为隐模型法。隐模型法的关键在于由数据辨识出 与
[0106] 基于上述实施例，该方法中，步骤220具体包括：
[0107] 步骤260，基于工作点基准阈值，采用Takagi-Sugeno去模糊方法，建立全局基准阈值；
[0108] 步骤270，基于权重矩阵，对全局基准阈值进行权重处理，获取全局权重阈值。
[0109] 进一步地，基于上述实施例，该方法中，步骤260包括：
[0110]
[0111]
[0112] 其中， 为全局基准阈值， 为第i个工作点处的工作点基准阈值，α为误报率，h为χ2分布的自由度，h＝(s+1)m-n。
[0113] 步骤270包括：
[0114]
[0115] 其中，inf(detΛ1,sm)为第一矩阵Λ1,sm特征值的下界值，Λ2,N为第二矩阵， 为全局权重阈值。
[0116] 基于上述实施例，该方法中，故障检测机制包括：
[0117] 若 则非线性工业系统处于无故障状态；
[0118] 若 则非线性工业系统处于故障状态；
[0119] 其中， 为全局残差统计量，全局残差统计量基于工作点残差函数获得。
[0120] 进一步地，基于上述实施例，该方法中，基于工作点残差函数获得全局残差统计量，具体包括：
[0121] 步骤280，基于工作点残差函数，获取工作点残差统计量，其中，
[0122]
[0123]
[0124] 为第i个工作点处的工作点残差统计量，用于计算Σres的 为无故障情况下的工作点残差函数；
[0125] 步骤290，基于工作点残差统计量，采用Takagi-Sugeno去模糊方法，获取全局残差统计量，其中，
[0126] μi为隶属度函数，
[0127] 将非线性工业系统的在线运行数据带入故障检测机制，若 则非线性工业系统处于无故障状态；若 则非线性工业系统处于故障状态，从而完成对非线
性工业系统的故障检测。
[0128] 本发明实施例提供的基于数据的含权重非线性工业系统故障检测方法，克服了传统基于机理模型方法需要依赖精确的机理模型，难以应用于非线性系统且处理动态系统能力有限的问题，而且无需以统计分析为基础建立回归分析模型，采用系统辨识相关方法，构建工作点残差函数，实现了由输入输出数据出发，兼顾系统动态特征的非线性工业系统故障检测。
[0129] 本发明实施例公开了一种含权重非线性工业系统故障检测装置，包括训练单元、阈值单元和检测单元。训练单元用于基于训练集和预设的权重矩阵，构建工作点残差函数，其中，训练集由非线性工业系统各个工作点处的无故障历史数据构成；阈值单元用于基于工作点基准阈值和权重矩阵，构建全局权重阈值，其中，工作点基准阈值为非线性工业系统第i个工作点处的阈值；检测单元用于基于在线运行数据，通过故障检测机制对非线性工业系统进行故障检测，故障检测机制由工作点残差函数及全局权重阈值构建。
[0130] 本发明实施例提供的基于数据的含权重非线性工业系统故障检测装置，克服了采用传统基于机理模型方法的装置需要依赖精确的机理模型，难以应用于非线性动态工业系统的问题，而且无需以统计分析为基础建立回归分析模型，采用系统辨识相关方法，构建工作点残差函数，实现了由输入输出数据出发，兼顾系统动态特征的非线性工业系统故障检测。
[0131] 本发明实施例提供的基于数据的含权重非线性工业系统故障检测装置，是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0132] 图2为本发明实施例提供的电子设备结构示意图，参照图2，该电子设备可以包括：处理器(processor)701、通信
接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，
通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行如下方法：基于训练集和预设的权重矩阵，构建工作点残差函数，其中，训练集由非线性工业系统各个工作点处的无故障历史数据构成；基于工作点基准阈值和权重矩阵，构建全局权重阈值，其中，工作点基准阈值为非线性工业系统第i个工作点处的阈值；基于在线运行数据，通过故障检测机制对非线性工业系统进行故障检测，故障检测机制由工作点残差函数及全局权重阈值构建。
[0133] 此外，上述的存储器703中的逻辑指令可以通过
软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，
服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动
硬盘、
只读存储器(ROM，Read-Only Memory)、
随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0134] 另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于数据的含权重非线性工业系统故障检测方法，例如包括：基于训练集和预设的权重矩阵，构建工作点残差函数，其中，训练集由非线性工业系统各个工作点处的无故障历史数据构成；基于工作点基准阈值和权重矩阵，构建全局权重阈值，其中，工作点基准阈值为非线性工业系统第i个工作点处的阈值；基于在线运行数据，通过故障检测机制对非线性工业系统进行故障检测，故障检测机制由工作点残差函数及全局权重阈值构建。
[0135] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模
块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0136] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用
硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0137] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
