故障检测指标的贡献分析(Reconstruction Based Contribution,RBC)新方法

简介: 故障检测指标的贡献分析(Reconstruction Based Contribution,RBC)新方法

最近研究的故障检测新的方法,发现一个基于故障重构的贡献方法,准确的说是一种基于沿变量方向重建故障检测指标的贡献分析新方法。


在检测到导致故障检测指标超出控制极限的故障情况后,沿每个变量方向使故障检测指标最小化的重构量被定义为该变量的基于重构的贡献(RBC)。


Reconstruction Based Contribution(RBC)

RBC方法在几个方面优于传统的贡献图。


结果表明,即使在传感器故障的情况下(将其作为简单故障进行了讨论),传统的贡献图也不能保证故障传感器具有最大的贡献,无论故障大小如何。


进一步表明,RBC保证了正确的诊断,因为故障变量的贡献最大。这些结论通常适用于SPE指数、霍特林指数和组合指数。


image.png

image.png

这很方便,因为传统的贡献没有很好的定义。

image.png

image.png

image.png

基于贡献图和RBC的故障诊断能力

传统的贡献图和RBC方法的目的不是在故障发生时唯一地识别故障。它们用于选择因故障情况而具有最大贡献的变量子集,然后检查那些具有较大贡献的变量以进行故障诊断。然而,据报道,贡献图具有从一个变量到另一个变量的断层涂抹效应。因此,了解故障点的重要性何时足以导致误诊是很有意思的。


为了分析误诊的可能性,考虑了变量J JJ中的一个简单故障的情况。该故障对SPE指数的第i 个贡献为

image.png

image.png

image.png

因此,变量j中故障的影响被涂抹到变量i的RBC中。

image.png

这一结果表明,即使对于简单的故障,传统的贡献图也无法避免误诊。论文Alcala和Qin(2009)对聚酯薄膜工艺进行了工业案例研究,结果表明,对于除综合指数外的所有指数,RBC法给出的正确诊断率均大于传统贡献法给出的正确诊断率。此外,当从每个故障案例中提取并使用过程故障方向时,RBC方法给出的正确诊断率更高。


当组合指数与RBC方法结合使用时,可获得最大的正确诊断率。


相关文章
|
6月前
|
缓存 运维 前端开发
【分布式】衡量网站的性能指标
【1月更文挑战第25天】【分布式】衡量网站的性能指标
|
6月前
|
机器学习/深度学习 搜索推荐 算法
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
419 0
|
3月前
|
机器学习/深度学习 运维 算法
【KDD2024】面向集群整体作业运行变慢的异常检测
阿里云计算平台大数据基础工程技术团队主导,与浙江大学合作的论文《Cluster-Wide Task Slowdown Detection in Cloud System》被数据挖掘领域顶会ACM SIGKDD2024接收。论文从新的视角分析云计算平台集群健康状态,实现了基于神经网络的集群作业整体变慢异常定向检测,与SOTA异常检测算法相比平均提升F1 score 5.3%。
|
6月前
|
机器学习/深度学习 算法 数据挖掘
【机器学习】维度灾难问题会如何影响K-means算法?
【5月更文挑战第15天】【机器学习】维度灾难问题会如何影响K-means算法?
|
6月前
|
自然语言处理
什么是衡量大语言模型能力的 MMLU 参数指标
什么是衡量大语言模型能力的 MMLU 参数指标
|
监控 JavaScript 前端开发
什么是 Dynatrace 里的 Visually Complete 度量标准
什么是 Dynatrace 里的 Visually Complete 度量标准
|
Java Linux
理论:第十四章:生产环境服务器变慢如何诊断,性能评估
理论:第十四章:生产环境服务器变慢如何诊断,性能评估
274 0
理论:第十四章:生产环境服务器变慢如何诊断,性能评估
|
Web App开发 运维 监控
量化日常工作指标
量化日常工作指标
|
算法 搜索推荐 数据可视化
异动分析技术解决方案—异动归因之指标拆解
唯一不变的是变化, 在拥抱它前,请事先探知、归因、并充分准备。 在相对完善的指标体系建设背景下,我们需要通过指标以及指标波动的解读来描述、追踪、推动业务。当一个指标波动时,我们首先需要从业务视角判断其波动是否异常,即异动检测,其次判断异常背后的原因是什么,即异动归因。 归因的方法有多种,这篇文章的重点是指标拆解,也是我们做业务分析时最常用到的方法。 我们的目的是解放人力,将指标拆解实现自动化,一方面可以加快业务迭代速度,快速定位问题;另一方面可以对可能产生异动的维度进行全局量化,增强可比性,明确下一步的业务行动点的优先级。自动化异变归因的目的是为了尽快判断并抓住机遇,寻求以数据驱动作为灯塔
7910 2