CN103714255A - 一种基于非线性故障重构的故障预测方法 - Google Patents
一种基于非线性故障重构的故障预测方法 Download PDFInfo
- Publication number
- CN103714255A CN103714255A CN201310744101.5A CN201310744101A CN103714255A CN 103714255 A CN103714255 A CN 103714255A CN 201310744101 A CN201310744101 A CN 201310744101A CN 103714255 A CN103714255 A CN 103714255A
- Authority
- CN
- China
- Prior art keywords
- overbar
- fault
- failure
- phi
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于非线性故障重构的故障预测方法,其包括如下步骤:1)利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模,并进行异常检测,提取故障信息,其中KPCA模型为核主元分析模型;2)通过步骤1)中的KPCA模型和异常检测实现对故障程度进行定量描述,并采用最优化方法求解故障重构下的故障估计;3)用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测。本发明能有效提高故障预报效率,减少误报和漏报率,为进一步研究复杂机械系统的预测维护技术奠定基础。本发明可以广泛应用在石化、治金、煤炭等诸多企业的大型机电设备的在线监控系统中。
Description
技术领域
本发明涉及一种故障预测方法,特别是关于一种机械故障检测技术领域中的基于非线性故障重构的故障预测方法。
背景技术
随着科学技术和现代工业的飞速发展,国民经济的机械、能源、石化、运载和国防等行业的装备日趋大型化、高速化、集成化和自动化,这类复杂系统一旦发生事故,便会造成巨大的财产损失和人员伤亡。因此,防范因部件性能退化导致的安全问题已成为复杂系统日常运行所要面临的重要难题。故障预测作为预测维护的重要环节,现已得到国内外专家的广泛关注。
在复杂工业过程环境下,传统的基于过程机理模型的故障诊断技术难以发挥作用,而数据驱动的过程监控技术在近年来得到了较好的发展。在数据驱动的方法中,研究内容和应用案例数量最多的是基于统计的方法。多元统计过程监控技术在诸多不同的工业过程控制领域得到了成功的应用,包括化工过程,高分子聚合物,微电子制造等等。多元统计过程监控主要由多元投影方法和多元控制图构成。其中多元投影方法的基本思想是将被监测的样本向量从高维的变量空间投影到由较少潜变量所张成的潜空间中去。多元控制图则是基于这种空间分解的结构,分别构造出反映所在空间变化的统计量,用以监测过程的异常。但是传统的统计模型是线性的,而在实际过程中,数据之间的关系一般是非线性的。如果这种非线性特性较强时,用线性模型进行过程监控容易导致大量误报和漏报。
对于一般的线性故障过程,可以采用自回归建模或是指数平滑模型,因为它们易于计算和使用。但前提都是假定故障过程可以被直接观测,但是实际上这一点是很难满足的。现有技术中采用将故障强度建模成一个离散的随机系统,虽然不能被测量,却能影响被测变量,即隐马尔科夫模型(HMM);还有采用半隐马尔科夫模型(HSMM),将状态停留时间也考虑进去。尽管基于HMM和HSMM的方法能够处理隐含故障过程,但是它只能考虑单个部件的剩余有效寿命预测。对于一个大型的工业过程,对整个过程或设备的健康情况进行预测是更为重要的问题。由此可知,现有复杂系统的隐含性能退化故障预测问题的主要难点有以下两个方面:(1)多变量预测问题。目前人们主要利用单变量信号进行故障诊断,采用单一传感器所提供的信息进行研究有很大的局限性。采用多变量的故障预测方法才能进行整个系统级别的故障预测。(2)非线性问题。传统的将非线性因素忽略掉的结果往往并不理想,随着对故障检测和预测要求日益提高,原可忽略的非线性问题越来越突出。
发明内容
针对上述问题,本发明的目的是提供一种基于非线性故障重构的故障预测方法,该故障预测方法能提高故障预报效率,减少误报和漏报率,为进一步研究复杂机械系统的预测维护技术奠定基础。
为实现上述目的,本发明采取以下技术方案:一种基于非线性故障重构的故障预测方法,其包括如下步骤:1)利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模,并进行异常检测,提取故障信息,其中KPCA模型为核主元分析模型;2)通过步骤1)中的KPCA模型和异常检测实现对故障程度进行定量描述,并采用最优化方法求解故障重构下的故障估计;所述最优化方法求解故障重构下的故障估计包括以下步骤:(1)确定故障方向的提取:若故障方向未知,需要从已有的历史故障数据中提取故障方向,令Xf=[x1,x2,...,xnf]T代表故障方向Ξ下的故障数据,Ξ∈Rm×d;并采用滑动平均滤波法消除非线性故障数据中的正常部分对非线性故障数据xi的影响,滤波后故障数据矩阵为:
式中,Ξ为故障方向,f nf为滤波后的故障幅值;并对故障数据矩阵进行奇异值分解,得到:式中,D为对角矩阵,U为左奇异矩阵,V为右奇异矩阵,将对角阵D的非零奇异值按照降序排列,选故障方向Ξ=U(d),d为故障维数;(2)根据步骤(1)中的故障方向,进行非线性故障重构及估计:①将SPE指标作为重构检测指标,根据SPE指标进行故障幅值的大小的确定,则第i个样本的故障幅值fi为:
fi=argminSPE(φ(xi-Ξfi)),i=1,2,…,nf,
式中,argmin表示对目标函数最小化所对应的参数,φ表示样本在特征空间的映射向量;②取故障幅值f最小值,故障重构就是沿故障方向减去纯故障因素的部分,构造出数据的正常因素部分,将重构后的正常数据假设为z,则
z=x-Ξf; (1)
将SPE指标对fT求偏导,在0点处获得极值,得到故障幅值f最小值,根据步骤①得到SPE指标为:
式中,i=1,2,…,nf, Μs是对称矩阵,μp为的特征值,βp为与特征值μp对应的经过施密特标准正交化后的特征向量,为均值中心化处理后的核矩阵;由式(1)得到SPE指标对fT求偏导,进而得到故障大小fT为:
式中,k(z)为核函数,
将fT转化为f的形式:
联立式(1)和式(3),得到递推公式如下,
3)用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测。
所述步骤1)中,异常检测故障提取过程中,采用衡量过程数据主要变化的Hotelling T2统计量和衡量过程残差部分的SPE指标两类检测指标进行过程检测,其中SPE指标为平方预测误差指标,Hotelling T2统计量、SPE指标分别计算如下:
式中,k(x)T为核矩阵的转置矩阵;P为负载矩阵;Λ为协方差矩阵;为Hotelling T2统计量的控制限值;k(x,x)为样本x在高维特征空间的内积范数;为SPE指标的控制限值;当两种检测指标分别超过了各自的控制限值时,则表明过程数据中出现了异常;若在控制限值内,则表明过程数据正常。
本发明由于采取以上技术方案,其具有以下优点:本发明由于采用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模,在非线性数据模型中,定义故障幅值并估计,进而通过故障幅值进行故障预测,因此能有效提高故障预报效率,减少误报和漏报率,为进一步研究复杂机械系统的预测维护技术奠定基础。本发明可以广泛应用在石化、治金、煤炭等诸多企业的大型机电设备的在线监控系统中。
附图说明
图1是基于KPCA的故障检测结果示意图;
图2是基于PCA模型的故障检测结果示意图;
图3是KPCA模型下,故障重构前后的SPE示意图;
图4(a)是KPCA模型下,故障重构估计出来的故障幅值f示意图;
图4(b)是KPCA模型下,故障重构估计出来的故障幅值绝对值|f|示意图;
图5是基于多层递阶方法的KPCA故障幅值的趋势预测。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种基于非线性故障重构的故障预测方法,其包括以下步骤:
1)利用核主元分析(KPCA)模型对旋转机械系统运行时监测的过程数据进行离线非线性建模,并进行异常检测,提取故障信息;
假设x1,x2,…,xn∈Rm是供核主元分析学习的n个m维的列向量样本,非线性映射为φ,原始空间R通过φ映射到高维特征空间Fhigh中去。原始数据xi在高维特征空间Fhigh中的像为φ(xi),记Φ=[φ(x1),φ(x2),...,φ(xn)]T。KPCA建模过程如下:
Cφv=λv/n, (1)
其中,Cφ=ΦTΦ/n为高维特征空间样本数据φ(xi)的协方差矩阵,λ为特征值,v是与特征值λ对应的特征向量。
定义核矩阵K=ΦΦT,特征向量α=ΦTv,则有:
Kα=λα, (2)
其中,核矩阵K=(kij)中的元素按如下定义,
kij=k(xi,xj)=φ(xi)Tφ(xj), (3)
根据公式(3),对高维特征空间样本数据φ(xi)进行均值中心化处理后得到:
其中,c是径向基函数的带宽。
对式(2)求解得到特征值和特征向量(λi,αi),根据式(4)可得:
vi=λ-1ΦTαi (5)
为了保证vi是单位向量,需要对特征向量αi进行归一化处理:
其中,核矩阵k(x)=[k(x1,x),...,k(xm,x)]T,负载矩阵P=[α1,...,αl],协方差矩阵Λ=diag{λ1,...,λl}。由此可知,式(7)中的变量都是可以计算的量,因此可以用于监测。
在基于核主元分析模型的多变量统计过程监控当中,采用衡量过程数据主要变化的Hotelling T2统计量和衡量过程残差部分的平方预测误差(SPE,SquaredPrediction Error)指标两类检测指标进行过程检测,实现异常检测故障提取。在KPCA模型下,两种检测指标都可以把故障点成功检测出来,相对于线性PCA而言,KPCA更适合非线性相关的过程监控(如图1、图2所示)。在KPCA模型中,Hotelling T2统计量、SPE指标可以分别计算如下:
当两种检测指标分别超过了各自的控制限值时,则表明过程数据中出现了异常;若在控制限值内,则表明过程数据正常。
2)通过步骤1)中的KPCA模型和异常检测实现对故障程度进行定量描述,并采用最优化方法求解故障重构下的故障估计;其中,故障重构就是重新构造去除了故障信息的过程数据,使故障因素对该过程数据内正常部分的影响减至最小,从而构造出正常状态下的数据;故障估计就是故障重构成功后,估计出故障的大小(如图3、图4所示)。
最优化方法求解故障重构下的故障估计包括以下步骤:
(1)确定故障方向的提取。若故障方向未知,需要从已有的历史故障数据中提取故障方向。令Xf=[x1,x2,...,xnf]T代表故障方向Ξ下的故障数据,Ξ∈Rm×d。由于正常数据是零均值的,因此可以采用滑动平均滤波法消除其对非线性故障数据xi的影响,滤波后故障数据矩阵为:
式中,Ξ为故障方向,f nf为滤波后的故障幅值。
对故障数据矩阵进行奇异值分解,得到:
式中,D为对角矩阵,U为左奇异矩阵,V为右奇异矩阵。将对角阵D的非零奇异值按照降序排列,选故障方向Ξ=U(d),d为故障维数。实际应用中,故障维数d的取值是使得故障样本的重构检测指标处于正常范围的最小值。
(2)根据步骤(1)中的故障方向,进行非线性故障重构及估计:
①将SPE指标作为重构检测指标,根据SPE指标进行故障幅值的大小的确定,则第i个样本的故障幅值fi为:
fi=argminSPE(φ(xi-Ξfi)),(i=1,2,…,nf), (12)
式中,argmin表示对目标函数最小化所对应的参数,φ表示样本在特征空间的映射向量。
尽管上式中的重构检测指标也可以用Hotelling T2来替代,但是由于某些最优算法(如牛顿最优算法)不能保证Hotelling T2的收敛性,所以故障诊断时一般不采用此检测指标。
②取故障幅值f最小值,故障重构就是沿故障方向减去纯故障因素的部分,构造出数据的正常因素部分。将重构后的正常数据假设为z,则:
z=x-Ξf。 (13)
将SPE指标对fT求偏导,在0点处获得极值,得到故障幅值f最小值。根据式(9)对SPE指标进一步化简为如下:
则由式(14)可得SPE指标对fT求偏导为:
根据公式(3)得到 则式(15)等号右边的第一部分可写为:
式(16)中向量对故障幅值求偏导,可以展成如下形式
而 因此式(17)可以写成:
若假设
则式(19)可以写为:
则式(15)等号右边第二项可化为
由式(21)可得,
把(16)、(20)、(21)、(22)代入(15),可得,
令(23)等于零向量,则可求得故障大小fT为:
由此可知,式(24)中右边的分母其实是一个标量,而非矩阵。当此标量不为0时,则能达到可重构的条件;若为0,则故障幅值不可被重构。
为求取方便,将fT转化为f的形式:
由式(25)可知,故障幅值f无法直接求取,需要通过递推的方式确定。联立式(13)和式(25),可得递推公式如下,
其中上标括号内的j代表递推的次数。
3)最后用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测,由于多层递阶方法把系统的时变特性考虑了进去,因此预报精度有所提升(如图5所示)。
上述各实施例仅用于说明本发明,其中各部件的结构和连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于非线性故障重构的故障预测方法,其包括如下步骤:
1)利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模,并进行异常检测,提取故障信息,其中KPCA模型为核主元分析模型;
2)通过步骤1)中的KPCA模型和异常检测实现对故障程度进行定量描述,并采用最优化方法求解故障重构下的故障估计;所述最优化方法求解故障重构下的故障估计包括以下步骤:
(1)确定故障方向的提取:若故障方向未知,需要从已有的历史故障数据中提取故障方向,令Xf=[x1,x2,...,xnf]T代表故障方向Ξ下的故障数据,Ξ∈Rm×d;并采用滑动平均滤波法消除非线性故障数据中的正常部分对非线性故障数据xi的影响,滤波后故障数据矩阵为:
式中,Ξ为故障方向,f nf为滤波后的故障幅值;并对故障数据矩阵进行奇异值分解,得到:式中,D为对角矩阵,U为左奇异矩阵,V为右奇异矩阵,将对角阵D的非零奇异值按照降序排列,选故障方向Ξ=U(d),d为故障维数;
(2)根据步骤(1)中的故障方向,进行非线性故障重构及估计:
①将SPE指标作为重构检测指标,根据SPE指标进行故障幅值的大小的确定,则第i个样本的故障幅值fi为:
fi=argminSPE(φ(xi-Ξfi)),i=1,2,…,nf,
式中,argmin表示对目标函数最小化所对应的参数,φ表示样本在特征空间的映射向量;
②取故障幅值f最小值,故障重构就是沿故障方向减去纯故障因素的部分,构造出数据的正常因素部分,将重构后的正常数据假设为z,则
z=x-Ξf; (1)
将SPE指标对fT求偏导,在0点处获得极值,得到故障幅值f最小值,根据步骤①得到SPE指标为:
由式(1)得到SPE指标对fT求偏导,进而得到故障大小fT为:
式中,k(z)为核函数,
将fT转化为f的形式:
联立式(1)和式(3),得到递推公式如下,
3)用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310744101.5A CN103714255A (zh) | 2013-12-30 | 2013-12-30 | 一种基于非线性故障重构的故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310744101.5A CN103714255A (zh) | 2013-12-30 | 2013-12-30 | 一种基于非线性故障重构的故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103714255A true CN103714255A (zh) | 2014-04-09 |
Family
ID=50407221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310744101.5A Pending CN103714255A (zh) | 2013-12-30 | 2013-12-30 | 一种基于非线性故障重构的故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103714255A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182623A (zh) * | 2014-08-12 | 2014-12-03 | 南京工程学院 | 一种基于当量变化率计算的热工过程数据检测方法 |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104499001A (zh) * | 2015-01-20 | 2015-04-08 | 重庆科技学院 | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN105160069A (zh) * | 2015-08-05 | 2015-12-16 | 哈尔滨工业大学 | 一种基于改进的紧凑式教学优化算法的机械参数软测量方法 |
CN106679886A (zh) * | 2015-11-07 | 2017-05-17 | 北京自动化控制设备研究所 | 一种自确认大气数据系统的非线性故障检测及识别方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
CN109799808A (zh) * | 2019-01-25 | 2019-05-24 | 东北大学 | 一种基于重构技术的动态过程故障预测方法 |
CN110244690A (zh) * | 2019-06-19 | 2019-09-17 | 山东建筑大学 | 一种多变量工业过程故障辨识方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539192A (zh) * | 2012-01-20 | 2012-07-04 | 北京信息科技大学 | 一种基于ica重构的故障预测方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及系统 |
-
2013
- 2013-12-30 CN CN201310744101.5A patent/CN103714255A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539192A (zh) * | 2012-01-20 | 2012-07-04 | 北京信息科技大学 | 一种基于ica重构的故障预测方法 |
CN103197663A (zh) * | 2013-03-07 | 2013-07-10 | 北京信息科技大学 | 一种故障预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
邓鹏程等: "基于奇异值分解的铅锌冶炼过程故障二次分离", 《南京航空航天大学学报》 * |
陈默等: "基于 KPCA-MLR的烟气轮机非线性故障预测", 《北京信息科技大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104182623A (zh) * | 2014-08-12 | 2014-12-03 | 南京工程学院 | 一种基于当量变化率计算的热工过程数据检测方法 |
CN104499001A (zh) * | 2015-01-20 | 2015-04-08 | 重庆科技学院 | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 |
CN104499001B (zh) * | 2015-01-20 | 2017-03-29 | 重庆科技学院 | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 |
CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
CN105160069A (zh) * | 2015-08-05 | 2015-12-16 | 哈尔滨工业大学 | 一种基于改进的紧凑式教学优化算法的机械参数软测量方法 |
CN105160069B (zh) * | 2015-08-05 | 2018-08-24 | 哈尔滨工业大学 | 一种基于改进的紧凑式教学优化算法的机械参数软测量方法 |
CN106679886A (zh) * | 2015-11-07 | 2017-05-17 | 北京自动化控制设备研究所 | 一种自确认大气数据系统的非线性故障检测及识别方法 |
CN108960309A (zh) * | 2018-06-11 | 2018-12-07 | 宁波大学 | 一种基于rbf神经网络自相关性剔除的动态过程监测方法 |
CN109799808A (zh) * | 2019-01-25 | 2019-05-24 | 东北大学 | 一种基于重构技术的动态过程故障预测方法 |
CN110244690A (zh) * | 2019-06-19 | 2019-09-17 | 山东建筑大学 | 一种多变量工业过程故障辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103714255A (zh) | 一种基于非线性故障重构的故障预测方法 | |
Chen et al. | Systematic procedure for Granger-causality-based root cause diagnosis of chemical process faults | |
Du et al. | Fault detection and diagnosis using empirical mode decomposition based principal component analysis | |
Baraldi et al. | Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method | |
Maurya et al. | Fault diagnosis by qualitative trend analysis of the principal components | |
Zhang et al. | Fault detection and diagnosis of chemical process using enhanced KECA | |
CN109522948A (zh) | 一种基于正交局部保持投影的故障检测方法 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
Baklouti et al. | Iterated robust kernel fuzzy principal component analysis and application to fault detection | |
Fan et al. | AutoEncoder based high-dimensional data fault detection system | |
CN109240274A (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
Ma et al. | Probabilistic reconstruction for spatiotemporal sensor data integrated with Gaussian process regression | |
Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
CN108257365A (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
Ali et al. | Multiscale principal component analysis-signed directed graph based process monitoring and fault diagnosis | |
Shokry et al. | Dynamic kriging based fault detection and diagnosis approach for nonlinear noisy dynamic processes | |
Xu et al. | Novel process monitoring approach enhanced by a complex independent component analysis algorithm with applications for wastewater treatment | |
Lindner et al. | Data-driven fault detection with process topology for fault identification | |
Meng et al. | Canonical correlation analysis-based explicit relation discovery for statistical process monitoring | |
Rani et al. | Fault detection and isolation using probabilistic wavelet neural operator auto-encoder with application to dynamic processes | |
Geramifard et al. | Continuous health assessment using a single hidden Markov model | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Tidriri et al. | A new hybrid approach for fault detection and diagnosis | |
Márquez-Vera et al. | Adaptive threshold PCA for fault detection and isolation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140409 |