1.一种基于小波变换的时空混合模型早期故障检测方法,其特征在于,包括以下步骤:
1)使用小波变换对输入的工业过程数据进行多级分解和去噪处理,区分噪声和有用信号,设置软阈值函数,小波系数低于此阈值的部分被视为噪声而被滤除,高于阈值的则保留为信号的有效成分,软阈值函数为:其中,thr为阈值门限,w为小波系数;
2)应用主成分分析PCA对去噪后的数据进行特征提取,建立训练数据集和测试数据集的主成分子空间;
3)设定滑动窗口,计算每个时间窗口内的时间维度和空间维度的近邻样本集;
4)分别利用累积和算法CUSUM和马氏距离MD计算时间维度和空间维度的统计量;对于单一方向的CUSUM,其计算公式可以表达为:CUSUMi=max(0,CUSUMi-1+(xi-μ-K) (2)其中,xi是第i个样本的观测值,μ是过程的期望平均值,CUSUMi是第i个样本的累计和;
基于公式(2)对于给定的时间窗口W,得到样本xi在时间维度的统计量Stime(xi)为:计算空间维度样本集的均值和协方差矩阵∑,得到样本xi在空间维度的统计量Sspace(xi)为:
5)基于时间和空间统计量的绝对偏差计算得到时间和空间序列的基础权重,并根据权重分配得到最终的混合统计量,绝对偏差定义如下:其中,Mi为第i个样本的时间维度和空间维度统计量的绝对偏差,基于上式,求得基于时间维度的基础权重为:通过比例缩放获得具有最大故障度度量基于时空混合模型的不同维度的统计量比例,最终的混合统计量Sts表达式采用以下形式:Sts(xi)=ω(xi)·Stime(xi)+(1-ω(xi))·Sspace(xi) (7)
6)使用核密度估计KDE方法估计混合统计量的阈值上限,以判定是否发生故障;
给定显著性水平α=0.05,通过KDE方法测量Sts统计的上限:
其中,p(z)是随机变量z的概率密度函数,在实践中采用以下故障检测逻辑
2.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述步骤1)中,所述的小波变换使用Mallat算法对数据信号进行分解,分离信号的不同频率成分。
3.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述步骤2)中,所述的主成分分析PCA包括使用累积方差贡献率CPV选择主成分的数量,以确保所保留的成分包含的信息量进行故障检测。
4.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述步骤4)中,所述的累积和算法CUSUM用于检测和放大时间序列数据中的细微变化,马氏距离用于衡量样本集中每个样本点与中心之间的相对距离。
5.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述步骤5)中,所述的绝对偏差的计算基于时间维度统计量和空间维度统计量的标准偏差。
6.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述步骤6)中,所述的核密度估计KDE方法用于动态调整故障检测阈值,根据统计数据的分布特性确定最优阈值。
7.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:包括一个用户接口,该接口显示实时数据处理结果,故障警报和统计量分析,允许用户自定义阈值设置和报警参数。
8.根据权利要求2所述基于小波变换的时空混合模型早期故障检测方法,其特征在于:所述的小波变换参数根据工业过程的运行条件和历史性能数据自动优化,包括小波类型、分解级数和阈值选择。
9.根据权利要求8所述基于小波变换的时空混合模型早期故障检测方法,其特征在于:该方法连续接收实时工业过程数据,实时应用小波变换进行数据去噪,并立即计算时间和空间统计量,以实时监控工业系统的状态并快速响应潜在故障。
10.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法,其特征在于:包括一个或多个处理器和存储器,其中存储器中存储的指令使得处理器执行一个数据异常检测算法,该算法基于实时计算的混合统计量与历史统计模型对比,以识别数据中的异常模式,预防潜在的故障发生。