CN105700518B - 一种工业过程故障诊断方法 - Google Patents

一种工业过程故障诊断方法 Download PDF

Info

Publication number
CN105700518B
CN105700518B CN201610134654.2A CN201610134654A CN105700518B CN 105700518 B CN105700518 B CN 105700518B CN 201610134654 A CN201610134654 A CN 201610134654A CN 105700518 B CN105700518 B CN 105700518B
Authority
CN
China
Prior art keywords
variable
sample
failure
process variable
probability
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.)
Expired - Fee Related
Application number
CN201610134654.2A
Other languages
English (en)
Other versions
CN105700518A (zh
Inventor
郑英
毛思敏
刘淑杰
汪上晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201610134654.2A priority Critical patent/CN105700518B/zh
Publication of CN105700518A publication Critical patent/CN105700518A/zh
Application granted granted Critical
Publication of CN105700518B publication Critical patent/CN105700518B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种工业过程故障诊断方法，包括如下步骤：采集工业过程的历史正常数据；利用工业过程的历史正常数据计算检测统计量；采集待检测的工业过程数据；当检测到工业过程故障时，利用相对重构贡献方法提取特征量；根据特征量计算故障模式下的条件概率密度函数和正常模式下的条件概率密度函数；根据先验概率和条件概率密度函数计算后验概率；采用最小风险贝叶斯决策理论对当前时刻样本进行故障变量识别；根据诊断后的结果更新下一时刻样本的先验概率，再次进行下一轮的故障诊断及识别；本发明区分当前样本的主要故障变量、次要过程变量和正常变量，并将上一时刻样本的过程变量的诊断结果应用于当前样本的诊断中，消除工业过程故障诊断中的“污染”效应。

Description

一种工业过程故障诊断方法
技术领域
本发明属于工业过程故障诊断及识别技术领域，更具体地，涉及一种工业过程故障诊断方法。
背景技术
工业过程中的有效监控和快速诊断故障对于确保安全可靠、保质保量的生产环境具有重要意义。目前在工业过程中应用最广泛的数据驱动技术是多变量统计过程监测，基于主元分析(Principal Component Analysis，PCA) 和偏最小二乘(Partial LeastSquares，PLS)的模型，用模型的平方预测误差(Squared Prediction Error，SPE)统计量和Hotelling T2统计量作为检测指标进行故障检测。
现有技术中的故障诊断方法包括基于贡献图的故障诊断方法、基于重构的故障诊断方法；基于贡献图的故障诊断方法认为对故障检测指标有最大贡献的变量就是最有可能故障的变量，诊断结果的准确性不能保证。基于重构的故障诊断方法需要事先知道所有可能故障方向的集合，当正确的故障方向用于重构时，故障变量对检测指标的影响将会被消除，重构检测指标也将回到控制限内；该方法属于基于监督的方法，其局限性在于需要事先知道所有可能故障方向的先验信息，这在有些工业过程中是很难获取到的。
现有的基于贡献图的故障诊断方法和基于重构的故障诊断方法都存在“污染效应”，故障变量将对检测指标的影响“污染”到非故障变量上，使得非故障变量也具有异常的贡献值，超过其控制限从而造成误判。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种工业过程故障诊断方法，其目的在于，通过当前样本的各个过程变量的相对重构贡献值得到当前样本的各个过程变量的特征量，以此来区分当前样本的主要故障变量、次要过程变量和正常变量；同时利用贝叶斯理论将上一时刻样本的过程变量的诊断结果应用于当前样本的诊断中，消除工业过程故障诊断中的“污染”效应。
为实现上述目的，按照本发明的一个方面，提供了一种工业过程故障诊断方法，包括以下步骤：
(1)采集正常工况下的数据，组成建模所需的训练样本集矩阵其中，m为样本个数，n为变量个数，为n维向量空间；
(2)对上述训练样本集矩阵进行归一化处理；
(3)利用主元分析法对上述归一化后的样本集矩阵进行PCA分解，将高维的训练样本集矩阵进行降维，建立监测模型，得到模型的SPE统计量和SPE统计量的控制限、Hotelling T2统计量、Hotelling T2统计量的控制限；
(4)采集待检测样本数据，对待测样本数据进行减均值、除标准差的预处理并获取待测样本数据的SPE统计量以及Hotelling T2统计量；
将待测样本的SPE统计量与监测模型的SPE统计量的控制限进行比较，将Hotelling T2统计量与监测模型的Hotelling T2统计量的控制限进行比较；根据比较结果判定当前时刻的样本是否发生故障：若待测样本的SPE统计量、Hotelling T2统计量中的一个或两个超过了各自对应的控制限，则认为该时刻的样本发生故障；
(5)利用重构贡献方法(Reconstruction based Contribution，RBC)对当前时刻的故障样本进行重构，得到该时刻故障样本每个过程变量的重构贡献值以及重构贡献值的期望值；
根据每个过程变量的重构贡献值和期望值计算该时刻故障样本每个过程变量的相对重构贡献值，获得每个过程变量的特征量；这种特征量的选取方式和现有技术相比，更有效地区分了该时刻故障样本中的主要故障变量、次要故障变量和正常变量；
(6)根据上述过程变量的特征量，获取当前时刻样本每个过程变量在故障模式下的条件概率密度函数p(xt|Fi)，与正常模式下的条件概率密度函数p(xt|Ni)；其中，xt为当前时刻样本，Fi是指第i个变量为故障变量，Ni是指第i个变量为正常变量；
(7)根据上述故障模式下的条件概率密度函数与正常模式下的条件概率密度函数及先验概率，计算后验概率；
并对后验概率进行限定处理，根据限定处理后的后验概率与改进后的 0-1损失函数，获得在故障模式下和正常模式下各自的条件风险值；
根据条件风险准则对当前时刻样本的过程变量进行故障分类；其中，在故障模式和正常模式下各自的先验概率的初始值均设定为0.5；
(8)利用后验概率与故障分类结果更新下一时刻样本的过程变量的先验概率；
(9)重复上述步骤(4)～(8)，直到所有时刻的待测样本故障分类完毕，获得最后一批待测样本的故障诊断结果。
优选地，步骤(2)具体过程为：对训练样本集矩阵X进行归一化处理，使得各个过程变量的均值为0、方差为1；其中，
优选地，步骤(3)包括如下子步骤：
(3.1)采样收集正常运行下产生的原始高维数据，通过对其协方差矩阵进行特征值分解，将样本空间分为主元空间和残差空间；
其中，协方差矩阵主元空间的载荷矩阵残差空间的载荷矩阵
Λ＝diag{λ1,λ2,…,λl}是对角矩阵，λ1,λ2,…,λl是与主元对应的特征值， l是选取的主元个数；
(3.2)对某一时刻待测样本x，根据下式获取其平方预测误差统计量 SPE：
利用卡方(X2)分布获取SPE统计量的控制限：
根据下式获取Hotelling T2统计量：T2≡xTPΛ-1PTx≡xTDx， Hotelling T2统计量的控制限为
综合SPE统计量和Hotelling T2统计量，采用综合指标作为模型统计量，的控制限为
其中，λi是协方差矩阵S的第i个特征值；其中 α为置信度，为自由度；
(3.3)将上述统计量变换为：index(x)≡xTMx＝||M(1/2)x||2，
index(x)的控制限表达式为：
其中α为置信度。
优选地，步骤(5)具体包括如下子步骤：
(5.1)对故障变量进行重构：zi＝x-ξifi，得到重构值zi的统计指标为：index(zi)＝||M(1/2)(x-ξifi)||2；
通过使重构值统计指标最小得到故障幅值的最优解；
即即fi＝(ξi TMξi)-1(ξi TMx)；
过程变量的重构贡献值为：
重构贡献值的控制限为
过程变量的重构贡献值的期望值为
其中，x是指发生故障的数据样本，x＝x*+ξifi；其中x*代表数据的正常部分，ξi为故障方向向量表示故障发生在第i个变量上，fi表示故障变量的故障幅值，i＝1,2,…,n；
(5.2)根据相对重构贡献值越大，变量越有可能是故障状态的这一特性，选取当前时刻样本xt的第i个过程变量的特征量为 其中，该时刻样本xt的第i个过程变量的相对重构贡献值为
由上述当前时刻样本的过程变量的特征量可以看出，ρRBCi(xt)的值越接近于1，变量i为故障变量的可能性越大，ρRBCi(xt)的值越接近于0，变量i为故障变量的可能性越小。
优选地，上述步骤(6)具体如下：
利用贝塔分布与步骤5获得过程变量的特征量，构建过程变量在故障模式下的条件概率密度函数p(xt|Fi)，以及正常模式下的条件概率密度函数 p(xt|Ni)：
其中，σ1，σ2，σ3，σ4为参数，σ1＞σ2，σ3＞σ4；初始时刻第i个变量为故障的先验概率P(Fi)，第i个变量为正常的先验概率P(Ni)均为0.5。
优选地，上述步骤(7)包括如下子步骤：
(7.1)获取过程变量属于故障类别下的后验概率，以及过程变量属于正常类别下的后验概率，具体如下：
过程变量为故障变量的后验概率
过程变量为正常变量的后验概率
(7.2)对上述后验概率做限定处理，将后验概率限定到[PLB,PUB]范围内，以避免出现概率过大或过小；处理后的后验概率如下：
P(Fi|xt)＝PLB+(PUB-PLB)P(Fi|xt)
P(Ni|xt)＝PLB+(PUB-PLB)P(Ni|xt)；其中，PLB＝0.01,PUB＝0.99；
(7.3)采用改进的0-1损失函数来衡量分类错误的程度；
根据0-1损失函数规则有：
在实际工业过程中，将实际为故障状态的样本归为正常状态所造成的损失远远要大于将实际为正常状态的样本归为故障状态，将0-1损失函数进一步改进，获得对变量i做出不同决策所造成的损失函数：
其中：ki＞1，ki为可调参数；αi表示对变量i所做的决策，或wi表示变量i的实际状态，wi＝Fi或wi＝Ni； l(αi|wi)表示变量i在实际状态为wi时做出决策αi所造成的损失；
(7.4)根据下式获取在不同决策下的条件风险
(7.5)根据条件风险，按照以下规则判别故障状态：
其中，ki是指可以根据实际工业过程来调节的因子，ki＞1。
优选地，上述步骤(8)具体如下：
(a)当后验概率满足时，将下一时刻的待测样本中该过程变量的先验概率初始化至P(Ni,t+1)＝P(Fi,t+1)＝0.5；
即利用该时刻待测样本的过程变量的后验概率值进行比较得到的判断结果，并利用条件风险值进行比较得到的判断结果,当以上两种判断结果发生矛盾时，将下一时刻的待测样本中该过程变量的先验概率初始化为0.5；
(b)当后验概率满足kiP(Fi|xt)≤P(Ni|xt)或P(Fi|xx)≥P(Ni|xt)时，则用当前样本的后验概率更新下一时刻待测样本的先验概率，即：
P(Fi,t+1)＝P(Fi|xt)，P(Ni,t+1)＝P(Ni|xt)。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提出的工业过程故障诊断方法，由于根据过程变量的相对重构贡献值来选取合适的代表过程变量特征属性的特征量而不是直接选取过程变量的重构贡献值作为特征量，可明显区分故障样本中的主要故障变量，次要故障变量和正常变量，准确定位至故障发生的源头，减少“污染”效应，有效提高对工业过程进行故障诊断的可靠性和准确性；
(2)本发明提出的工业过程故障诊断方法，由于将上一时刻样本的过程变量的诊断结果应用于当前样本的诊断中，充分利用隐藏在待测样本背后的数据信息，因此可以及时监测到故障发生并追溯引起异常工况的主要过程变量，减少“污染”效应，同时利用条件风险准则来进行故障分类判断，更加符合实际工业过程，具有实用性。
附图说明
图1是本发明实施例提供的工业过程故障诊断方法的流程图；
图2(a)，图2(b)，图2(c)示意了在实施例1的多变量传感器故障条件下：传统贡献图方法、基于最大后验概率的贝叶斯诊断方法、本发明的方法的故障诊断结果图；
图3(a)，图3(b)，图3(c)分别示意了在实施例2的单变量传感器故障条件下：传统贡献图方法、基于最大后验概率的贝叶斯诊断方法、本发明的方法，三种方法的故障诊断结果图；
图4(a)和图4(b)是实施例1中变量1和变量3分别将nRBCi(xt)和ρRBCi(xt)作为特征量时，特征值的取值情况；
图5(a)，图5(b)，图5(c)分别是实施例3的Tennessee Eastman 过程在故障1的条件下，传统贡献图方法、基于最大后验概率的贝叶斯诊断方法以及本发明的方法的故障诊断结果示意图；
图6(a)，图6(b)，图6(c)分别是实施例4的Tennessee Eastman 过程在故障2的条件下，传统贡献图方法、基于最大后验概率的贝叶斯诊断方法以及本发明的方法的故障诊断结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的工业过程故障诊断方法，其流程如图1所示意的，包括如下步骤：
(1)采集正常工况下的数据，组成建模所需的训练样本集矩阵其中，m为样本个数，n为变量个数；
(2)对上述训练样本集矩阵进行归一化处理，获得新的数据矩阵；
(3)利用主元分析法对上述归一化后的样本集矩阵进行PCA分解，将原始的高维样本集矩阵进行降维，建立监测模型，得到模型的SPE统计量和SPE统计量的控制限，以及Hotelling T2统计量和Hotelling T2统计量的控制限；
(4)收集待检测样本数据，对待测样本数据进行减均值、除标准差的预处理并计算待测样本数据的SPE和Hotelling T2统计量；将待测样本的 SPE和Hotelling T2统计量和上述(3)对应的控制限进行比较，如果待测样本的统计量有一个超过了对应的控制限，则认为该时刻样本发生故障；
(5)利用重构贡献方法(Reconstruction based Contribution,RBC)对当前时刻的故障样本进行重构，得到该时刻故障样本每个过程变量的重构贡献值以及重构贡献值的期望值；根据每个过程变量的重构贡献值和期望值计算该时刻故障样本每个过程变量的相对重构贡献值，获得每个过程变量的特征量；
(6)根据上述过程变量的特征量，计算当前时刻样本每个过程变量在故障模式下的条件概率密度函数p(xt|Fi)，与正常模式下的条件概率密度函数p(xt|Ni)；
(7)根据上述故障模式下的条件概率密度函数与正常模式下的条件概率密度函数及先验概率，计算后验概率；并对后验概率进行限定处理；
根据限定处理后的后验概率与改进后的0-1损失函数，获得在故障模式下和正常模式下各自的条件风险值；根据条件风险准则对当前时刻样本的过程变量进行故障分类；其中，在故障模式和正常模式下各自的先验概率的初始值均预设为0.5；
(8)利用后验概率与故障分类结果更新下一时刻样本的过程变量的先验概率；
(9)重复上述步骤(4)～(8)，直到所有时刻的待测样本故障分类完毕；获得最终这一批所有待测样本的故障诊断结果。
实施例采用本发明提供的工业过程故障诊断方法，对数值仿真实例以及如TE过程的连续化工过程进行故障诊断；
实施例1中，蒙特卡洛(Monte Carlo)数值仿真实例具体描述为：
其中x*是正常工况下的样本，ζ1,ζ2和ζ3是均值为0，标准差分别为1, 0.8,0.6的三个潜变量信号，ε是均值为0，标准差为0.2的白噪声，记作总共3000个正常样本组成训练集；
将待测的故障样本表示成以下一般形式：
xt＝x*+ξifi
实施例1中ξ1,3＝[1 0 1 0 0 0]T，f1,3＝6×10-6×t2,(t＝1,2,…1200)，共产生1200个待测的故障样本。
采用本实施例提供的故障诊断方法，对上述Monte Carlo数值仿真实例进行故障诊断的具体过程如下：
(1)对正常工况下的样本集矩阵进行归一化处理，然后进行PCA分解，得到3个主元个数，保留了85.3％的波动信息；
(2)计算PCA模型的综合指标以及的控制限；
(3)对于当前时刻的待测样本，计算各个过程变量的相对重构贡献值 rRBCi(x)，并计算当前时刻样本的过程变量的特征量为
(4)设p(xt|Fi)中的σ1＝9,σ2＝1,p(xt|Ni)中的σ3＝3,σ4＝1，计算过程变量在故障模式下的条件概率密度函数p(xt|Fi)，以及正常模式下的条件概率密度函数p(xt|Ni)，并设定检测的初始时刻的先验概率P(Fi)和P(Ni) 为0.5；
(5)利用贝叶斯公式计算后验概率P(Fi|xt)和P(Ni|xt)并将后验概率限定在0.01至0.99之间，令ki＝3，计算条件风险
(6)根据条件风险的判别规则将过程变量进行分类；
(7)利用后验概率与故障分类结果更新下一时刻样本的过程变量的先验概率；
(8)重复上述步骤(3)～(7)，直到1200个待测样本分类完毕，结束循环，得到最终这一批所有待测样本的故障诊断结果，如图2(c)所示。
图2是贡献图方法、基于最大后验概率方法和本发明提供的故障诊断方法三种不同方法在实施例1中的诊断结果示意图，从图2(a)中可以看到，由于过程变量之间的相关性和故障传播过程中故障变量的“污染效应”，采用贡献图方法将变量5和变量6误判为故障变量，并且将变量1和变量3 判定为故障变量的准确率分别为73.4％和75.7％；如图2(b)所示，采用基于最大后验概率方法将变量1和变量3判定为故障变量的准确率分别为 78.6％和84.6％；采用本发明提供的故障诊断方法，对于变量1和变量3判定为故障变量的准确率分别为82.7％和84.3％。
实施例2采用与实施例1相同的3000个正常样本训练集，改变待测的故障样本的故障方向向量和故障幅值，即ξ4＝[0 0 0 1 0 0]T， f4＝10-5×q2,(q＝1,2,…1000)，共产生1000个待测的故障样本。对实施例2进行故障诊断的具体过程和实施例1相同，图3(a)，图3(b)，图3 (c)分别展示了贡献图方法、基于最大后验概率方法和本发明提供的故障诊断方法三种不同方法在实施例2中的诊断结果。
图4(a)和图4(b)示意的是对过程变量分别以重构贡献值和相对重构贡献值来选取特征量时特征量值不同的波动范围；图4(a)是将nRBCi(xt) 作为特征量时，特征值的取值情况；图4(b)是将ρRBCi(xt)作为特征量时，特征值的取值情况；从图4(b)中可以看出，采用本发明提供的故障诊断方法，变量1和变量3的特征量值更趋近于1；而在以重构贡献值为基础的方法中，如图4(a)所示，变量1的特征量值基本在0.7附近。因此，本发明提供的故障诊断方法能够更加明显地区分主要故障变量和其他变量。
图5(a)，图5(b)，图5(c)分别是贡献图方法、基于最大后验概率方法和本发明提供的故障诊断方法三种不同方法在实施例3中的诊断结果。图5(a)表明当采用贡献图方法进行故障诊断时，很多正常的过程变量由于过程变量之间的关联性和“污染效应”导致被误诊断为故障变量；图5 (b)表明在采用基于最大后验概率方法时，变量1，变量4和变量44被诊断为故障变量，其中变量4被误诊断为导致故障发生的根源变量；从图5 (c)中可以看出当采用本发明的故障诊断方法时，变量1和变量44被诊断为故障变量，和实际情况相符。
图6(a)，图6(b)，图6(c)分别是贡献图方法、基于最大后验概率方法和本发明提供的故障诊断方法三种不同方法在实施例4中的诊断结果。图6(a)表明当采用贡献图方法进行故障诊断时，“污染”效应的存在使得结果出现许多误判；图6(b)表明在采用基于最大后验概率方法时，变量 10，变量19，变量28，变量34和变量47均被诊断为故障变量；从图6(c)中可以看出当采用本发明的故障诊断方法时，变量10，变量28，变量34 和变量47被诊断为故障变量，和实际情况相符。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种工业过程故障诊断方法，其特征在于，包括以下步骤：
(1)采集正常工况下的数据，组成建模所需的训练样本集矩阵其中，m为样本个数，n为变量个数；
(2)对所述训练样本集矩阵进行归一化处理；
(3)利用主元分析法对所述归一化后的样本集矩阵进行PCA分解，将高维的训练样本集矩阵进行降维处理，建立监测模型；
获取监测模型的SPE统计量、SPE统计量的控制限、HotellingT2统计量、HotellingT2统计量的控制限；
(4)采集待检测样本数据，对待测样本数据进行减均值、除标准差的预处理，获取待测样本数据的SPE统计量以及HotellingT2统计量；
将待测样本的SPE统计量与所述监测模型的SPE统计量的控制限进行比较，将HotellingT2统计量与所述监测模型的HotellingT2统计量的控制限进行比较；根据比较结果判定当前时刻的样本是否发生故障；
(5)利用重构贡献方法对当前时刻的故障样本进行重构，得到该时刻故障样本每个过程变量的重构贡献值以及重构贡献值的期望值；
根据每个过程变量的重构贡献值和期望值获得该时刻故障样本每个过程变量的相对重构贡献值，以及每个过程变量的特征量；
(6)根据所述过程变量的特征量，获取当前时刻样本每个过程变量在故障模式下的条件概率密度函数p(xt|Fi)，与正常模式下的条件概率密度函数p(xt|Ni)；
(7)根据所述故障模式下的条件概率密度函数与正常模式下的条件概率密度函数及先验概率，获得后验概率，并对后验概率进行限定处理；
根据限定处理后的后验概率与改进后的0-1损失函数，获得在故障模式下与正常模式下的条件风险值；根据条件风险准则以及所述条件风险值对当前时刻样本的过程变量进行故障分类；
(8)利用后验概率与故障分类结果更新下一时刻样本的过程变量的先验概率；
(9)重复上述步骤(4)～(8)，直到所有时刻的待测样本故障分类完毕，获得最后一批待测样本的故障诊断结果；
所述步骤(3)包括如下子步骤：
(3.1)采集正常运行下产生的原始高维数据，通过对其协方差矩阵进行特征值分解，将样本空间分为主元空间和残差空间；
其中，协方差矩阵主元空间的载荷矩阵残差空间的载荷矩阵
Λ＝diag{λ1,λ2,…,λl}是对角矩阵，λ1,λ2,…,λl是与主元对应的特征值，l是选取的主元个数；
(3.2)根据下式获取平方预测误差统计量SPE：
利用卡方(χ2)分布获取SPE统计量的控制限：
根据下式获取HotellingT2统计量：T2≡xTPΛ-1PTx≡xTDx，HotellingT2统计量的控制限为
综合SPE统计量与HotellingT2统计量，采用综合指标作为模型统计量， 的控制限为
其中，λi是协方差矩阵S的第i个特征值；其中 α为置信度，为自由度；
(3.3)将上述统计量变换为：index(x)≡xTMx＝||M(1/2)x||2，
其中index(x)的控制限为：
其中α为置信度；
所述步骤(5)具体包括如下子步骤：
(5.1)对故障变量进行重构：zi＝x-ξifi，得到重构值zi的统计指标为：index(zi)＝||M(1/2)(x-ξifi)||2；
使重构值统计指标最小，得到故障幅值的最优解；
即即fi＝(ξi TMξi)-1(ξi TMx)；
过程变量的重构贡献值为：
重构贡献值的控制限为
过程变量的重构贡献值的期望值为
其中，x是指发生故障的数据样本，x＝x*+ξifi；其中x*代表数据的正常部分，ξi为故障方向向量表示故障发生在第i个变量上，fi表示故障变量的故障幅值，i＝1,2,…,n；
(5.2)根据相对重构贡献值越大，变量越有可能是故障状态的这一特性，获取当前时刻样本xt的第i个过程变量的特征量为 其中，该时刻样本xt的第i个过程变量的相对重构贡献值为
所述步骤(6)具体如下：
利用贝塔分布与所述过程变量的特征量，构建过程变量在故障模式下的条件概率密度函数p(xt|Fi)，以及正常模式下的条件概率密度函数p(xt|Ni)：
其中，σ1，σ2，σ3，σ4，为参数，σ1＞σ2，σ3＞σ4；Fi是指第i个变量为故障，Ni表示第i个变量为正常；检测的初始时刻的先验概率P(Fi)和P(Ni)均为0.5。
2.如权利要求1所述的工业过程故障诊断方法，其特征在于，所述步骤(2)具体为：对训练样本集矩阵X进行归一化处理，使得各个过程变量的均值为0、方差为1；其中，
3.如权利要求1或2所述的工业过程故障诊断方法，其特征在于，所述步骤(7)包括如下子步骤：
(7.1)获取过程变量属于故障类别下的后验概率，以及过程变量属于正常类别下的后验概率，具体如下：
过程变量为故障变量的后验概率
过程变量为正常变量的后验概率
(7.2)对上述后验概率做限定处理，将后验概率限定到[PLB,PUB]范围内，以避免概率过大或过小；处理后的后验概率如下：
P(Fi|xt)＝PLB+(PUB-PLB)P(Fi|xt)；
P(Ni|xt)＝PLB+(PUB-PLB)P(Ni|xt)；
其中，PLB＝0.01,PUB＝0.99；
(7.3)采用改进的0-1损失函数来衡量分类错误的程度；
根据0-1损失函数规则有：
在实际工业过程中，将实际为故障状态的样本归为正常状态所造成的损失远远要大于将实际为正常状态的样本归为故障状态，将0-1损失函数进一步改进，获得对变量i做出不同决策所造成的损失函数：
其中：ki为可调参数；αi表示对变量i所做的决策，或wi表示变量i的实际状态，wi＝Fi或wi＝Ni；l(αi|wi)表示变量i在实际状态为wi时做出决策αi所造成的损失；
(7.4)根据下式获取在不同决策下的条件风险R(αi|x)：
(7.5)根据条件风险，按照以下规则判别故障状态：
其中，ki是调节因子，ki＞1。
4.如权利要求1或2所述的工业过程故障诊断方法，其特征在于，所述步骤(8)具体如下：
(a)当后验概率满足将下一时刻的待测样本中该过程变量的先验概率初始化至P(Ni,t+1)＝P(Fi,t+1)＝0.5；
(b)当后验概率满足kiP(Fi|xt)≤P(Ni|xt)或P(Fi|xt)≥P(Ni|xt)时，则用当前样本的后验概率更新下一时刻待测样本的先验概率，即：P(Fi,t+1)＝P(Fi|xt)，P(Ni,t+1)＝P(Ni|xt)。
CN201610134654.2A 2016-03-10 2016-03-10 一种工业过程故障诊断方法 Expired - Fee Related CN105700518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610134654.2A CN105700518B (zh) 2016-03-10 2016-03-10 一种工业过程故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610134654.2A CN105700518B (zh) 2016-03-10 2016-03-10 一种工业过程故障诊断方法

Publications (2)

Publication Number Publication Date
CN105700518A CN105700518A (zh) 2016-06-22
CN105700518B true CN105700518B (zh) 2018-06-12

Family

ID=56221139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610134654.2A Expired - Fee Related CN105700518B (zh) 2016-03-10 2016-03-10 一种工业过程故障诊断方法

Country Status (1)

Country Link
CN (1) CN105700518B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647355B (zh) * 2016-11-09 2023-11-07 中国民用航空飞行学院 一种飞行情景环境评价的数据处理方法和系统
CN106843195B (zh) * 2017-01-25 2018-12-04 浙江大学 基于自适应集成半监督费舍尔判别的故障分类方法
CN106897113A (zh) * 2017-02-23 2017-06-27 郑州云海信息技术有限公司 一种虚拟化主机运行状况预测的方法以及装置
CN107272625B (zh) * 2017-07-12 2019-05-28 温州大学 一种基于贝叶斯理论的工业过程故障诊断方法
CN107632592B (zh) * 2017-09-01 2021-03-16 南通大学 基于高效递推核主元分析的非线性时变过程故障监测方法
CN107657390A (zh) * 2017-10-13 2018-02-02 滁州学院 一种特种设备安全隐患管控大数据监测系统及监测方法
CN107918828B (zh) * 2017-11-16 2021-11-12 东南大学 基于最小充分统计量模式分析的给水泵故障检测方法
CN108549908B (zh) * 2018-04-13 2021-07-02 浙江科技学院 基于多采样概率核主成分模型的化工过程故障检测方法
CN108490923B (zh) * 2018-04-28 2020-09-15 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN108762228B (zh) * 2018-05-25 2020-08-04 江南大学 一种基于分布式pca的多工况故障监测方法
CN109032107B (zh) * 2018-06-05 2021-07-20 国家电网公司 基于贝叶斯分类的设备故障信号频发预测方法
CN108758969B (zh) * 2018-06-14 2020-09-15 河南科技大学 一种冷水机组故障检测方法和系统
CN109144027B (zh) * 2018-07-13 2020-06-19 深圳华侨城文化旅游科技集团有限公司 一种游乐设施的故障预警方法、存储介质及应用服务器
CN108958226B (zh) * 2018-08-08 2021-03-19 太原理工大学 基于生存信息势—主成分分析算法的te过程故障检测方法
CN109062189B (zh) * 2018-08-30 2020-06-30 华中科技大学 一种用于复杂故障的工业过程故障诊断方法
CN109270907B (zh) * 2018-10-24 2020-07-28 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
CN109459993B (zh) * 2018-12-06 2021-06-25 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法
CN109522972B (zh) * 2018-12-13 2021-05-04 宁波大学 一种基于潜变量自回归模型的动态过程监测方法
CN109683594B (zh) * 2019-01-11 2021-04-06 河南工学院 一种异常变量精确识别与定位方法
CN110333709B (zh) * 2019-06-19 2020-11-20 北京科技大学 一种轧钢过程故障诊断方法及系统
CN110794814B (zh) * 2019-11-27 2022-06-28 中国人民解放军火箭军工程大学 一种基于广义主成分的故障确定方法及系统
CN110989558B (zh) * 2019-12-19 2021-03-19 浙江中控技术股份有限公司 一种故障诊断项的处理方法及系统
CN111158338A (zh) * 2019-12-19 2020-05-15 南京连易智能科技有限公司 一种基于主成分分析的化工风险监测方法
CN111123837A (zh) * 2019-12-31 2020-05-08 江苏南高智能装备创新中心有限公司 锻压机故障预测装置及其方法
CN111912638B (zh) * 2020-06-13 2021-12-21 宁波大学 一种在线故障根源识别的精馏塔故障诊断方法
CN111796233B (zh) * 2020-09-04 2020-11-27 武汉格蓝若智能技术有限公司 双母线接线形式下多台电压互感器继发性误差的评估方法
CN117169804B (zh) * 2023-11-02 2024-01-12 华中科技大学 基于合电流矢量分析的电流互感器误差状态在线辨识方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008256981A (ja) * 2007-04-05 2008-10-23 Fuji Xerox Co Ltd 故障診断システム
WO2008042759A3 (en) * 2006-09-29 2009-08-27 Fisher-Rosemount Systems, Inc. On-line multivariate analysis in a distributed process control system
EP2110745A1 (en) * 2008-04-18 2009-10-21 BAE Systems plc Assisting failure diagnosis in a system
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法
CN103901880A (zh) * 2014-04-01 2014-07-02 浙江大学 基于多分类器和d-s证据融合的工业过程故障检测方法
CN105259895A (zh) * 2015-10-14 2016-01-20 山东科技大学 一种工业过程微小故障的检测和分离方法及其监测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008042759A3 (en) * 2006-09-29 2009-08-27 Fisher-Rosemount Systems, Inc. On-line multivariate analysis in a distributed process control system
JP2008256981A (ja) * 2007-04-05 2008-10-23 Fuji Xerox Co Ltd 故障診断システム
EP2110745A1 (en) * 2008-04-18 2009-10-21 BAE Systems plc Assisting failure diagnosis in a system
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法
CN103901880A (zh) * 2014-04-01 2014-07-02 浙江大学 基于多分类器和d-s证据融合的工业过程故障检测方法
CN105259895A (zh) * 2015-10-14 2016-01-20 山东科技大学 一种工业过程微小故障的检测和分离方法及其监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯推理的工业过程监测方法研究;刘淑杰;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150415(第4期);I140-30：第1-2、5、11-38页 *

Also Published As

Publication number Publication date
CN105700518A (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
CN105700518B (zh) 一种工业过程故障诊断方法
Zhang et al. A comparison and evaluation of key performance indicator-based multivariate statistics process monitoring approaches
Coble et al. Applying the general path model to estimation of remaining useful life
US7941701B2 (en) Fuzzy classification approach to fault pattern matching
CN109186813A (zh) 一种温度传感器自检装置及方法
CN107272667B (zh) 一种基于平行的偏最小二乘法的工业过程故障检测方法
CN104035431B (zh) 用于非线性过程监控的核函数参数的获取方法和系统
CN108490923A (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
US11200790B2 (en) Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
US20210374634A1 (en) Work efficiency evaluation method, work efficiency evaluation apparatus, and program
CN117390536B (zh) 基于人工智能的运维管理方法及系统
CN115899964A (zh) 基于多维的空调智能监测方法与系统
CN109871000A (zh) 一种数据驱动的闭环工业过程传感器故障诊断方法
CN110244692A (zh) 化工过程微小故障检测方法
CN110751217A (zh) 基于主元分析的设备能耗占比预警分析方法
Sun et al. A wireless sensor network node fault diagnosis model based on belief rule base with power set
CN114666117A (zh) 一种面向电力互联网的网络安全态势度量和预测方法
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
Zhang et al. A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
CN115659653A (zh) 一种考虑测试点可靠度的相关性矩阵测试点优选的方法
CN110308713A (zh) 一种基于k近邻重构的工业过程故障变量识别方法
Palyukh et al. Methods for forecasting critical states of the technological process in the evolutionary management of continuous multi-stage production
RU2648413C1 (ru) Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180612

Termination date: 20200310