利用KL散度检测动态系统初期故障

本文主要探讨了在复杂动态系统中利用Kullback-Leibler (KL) 分散度进行故障检测的方法。KL分散度是一种衡量两个概率分布之间差异的重要工具，它在统计学和信息论中有广泛应用。作者Lei Xie、Jiusun Zeng、Uwe Kruger、Xun Wang以及Jaap Geluk合作，分别来自浙江大学工业控制技术国家重点实验室、中国计量工程学院、美国伦斯勒理工学院生物医学工程系和阿布扎比石油学院数学系，他们共同提出了一个新颖的思路，将KL分散度与子空间识别技术相结合，用于识别系统的动态模型，并检测出非平稳过程中的初期故障条件。 在故障检测过程中，子空间识别技术被用来建立系统的状态空间模型，通过对过程变量的测量数据进行实时分析。通常，正常运行时的过程变量表现为高斯分布。然而，当系统发生初期故障时，这些变量的分布可能会偏离其原有的高斯特性，显示出非高斯分布。KL分散度能够捕捉这种变化，因为它计算的是两个概率密度函数之间的差异，即使是非常微小的偏差也可能在高斯分布和非高斯分布之间产生显著的KL值。 作者们首先通过收集系统的参考数据集，建立起正常运行下的高斯分布模型。然后，他们在在线监测阶段，将实时数据与这个模型进行比较，计算KL分散度。如果KL值增大，这可能表明出现了潜在的非高斯分布，即可能是故障的早期迹象。由于KL分散度不受噪声的影响，因此这种方法在复杂动态系统中具有较高的鲁棒性，对于那些难以用传统统计方法检测的初期故障异常情况，有着显著的优势。 这篇研究论文提出了一种创新的故障检测策略，通过KL分散度检测来识别复杂动态系统中的初期故障，结合子空间识别技术和对非高斯分布的敏感性，使得故障诊断更加精确和及时。这对于工业自动化、航空航天等领域，尤其是在维护关键设备的可靠性方面，具有重要的实践意义。这项工作于2015年1月7日收到投稿，并在同年5月24日获得接受，关键词包括Kullback-Leibler分散度、自相关和交叉相关、子空间识别以及非高斯分布等。