1.一种特种设备故障监测系统,其特征在于,该系统包括离线学习模块和在线监测模块;
其中所述离线学习模块工作过程包括如下步骤:
s1:从特种设备运行过程中收集n个正态传感测量数据;
s2:选择针对概率主成分分析的k个局部模型;
s3:预测局部模型参数;
s4:根据预测的模型参数,从这k个模型中选择最优模型ko;
s5:计算离线全局监测统计量;
s6:通过前面计算的全局监测统计量来计算监测统计量的临界值;
所述在线监测模块工作过程包括如下步骤:
s7:获取新样本数据并对其进行处理;
s8:计算每个局部监测模型的在线局部监测统计量;
s9:按照s5中的方法,计算在线的全局监测统计量;
s10:进行系统故障诊断。
2.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述正态传感测量数据,来自于特种设备的传感器,传感器的精度为±0.1%,传感器的数量为n,n的数值为300-500。
3.根据权利要求1或2所述的一种特种设备故障监测系统,其特征在于,所述k个局部模型中k的取值为5<k<10。
4.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数wi和μi,其中i=1:k,w为局部因子矩阵,μ为输出平均向量,然后通过累积方差贡献率逼近去计算主成分的数量,然后通过两步最大期望算法得到最优的模型参数
5.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述离线学习模块的s4中选择最优模型的方法为:
ko=argminh(i)
其中,
其中tn为所采集的数据。
6.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述离线学习模块的s5中计算离线全局监测统计量的方法为:
其中t2为霍特林t平方,spe为平方预测误差,
7.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述离线学习模块的s6中所述计算监测统计量的值的方法为:
其中j为t2,spe或
8.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述在线监测模块的s7中所述获取新样本数据是实时的,时间延迟不能超过1s。
9.根据权利要求1所述的一种特种设备故障监测系统,其特征在于,所述在线监测模块的s8中所述计算在线局部监测统计量的方法为:
其中m表示协方差。