CN106250937A - 一种基于非相似度指标的故障分类诊断方法 - Google Patents

Abstract

本发明公开一种基于非相似度指标的故障分类诊断方法，该方法旨在解决实际工业过程中实施故障分类诊断方法时面临的两个关键性问题：参考故障类型的可用训练样本数有限而不同故障的采样数据会在空间分布上存在重叠现象。该发明方法首先通过对每种参考故障类型进行特征变量选择，选择出该种故障最能区别于正常数据的特征变量。然后，利用特征变量两两对比在线故障数据窗口与各个参考故障数据窗口的分布非相似度，在线检测出的故障类型就对应于取得最小非相似度指标的参考故障类型。与传统分类诊断方法相比，本发明方法通过变量选择降低了变量维数，不仅大大减少了训练数据不充分的制约性，而且还能剔除非特征变量的“干扰”影响。此外，该方法通过窗口数据在空间分布上的相似匹配来实施故障诊断，能最大化地避免重叠数据的错分类情况。

Description

一种基于非相似度指标的故障分类诊断方法

技术领域

本发明涉及一种工业过程故障诊断方法，特别涉及一种基于非相似度指标的故障分类诊断方法。

背景技术

随着现代工业过程的复杂化与大型化趋势，对生产过程持续正常运行的要求日益提高，及时而准确地诊断出生产过程中发生的故障受到越来越多的重视。现代工业过程中，由于广泛采纳DCS控制系统与先进测量仪表，可以存储和在线实时测量大量的采样数据。这些采样数据蕴含着生产过程是否正常、产品质量是否合格等重要信息，为数据驱动的过程监测方法提供了坚实的基础。通常来讲，过程监测主要包括两方面的内容：故障检测与故障诊断。故障检测旨在判断过程对象是否发生了故障，而故障诊断的主要任务就是识别出故障类型，从而指导操作人员消除故障的影响。然而，在现有专利与文献中，数据驱动的故障检测方法和技术层出不穷，有效而实用的故障诊断方法却鲜有涉及。这主要是受到了以下两个方面原因的阻碍：首先，故障被检测出来后，操作人员通常会在第一时间内消除故障，使系统只能采集到有限的参考故障数据；其次，采集到的故障数据大都处于故障发生的起始阶段，不同故障类型间的数据会存在很大程度的重叠。

在已有的基于数据的故障分类诊断方法中，采用判别分析算法、神经网络、支持向量机等建立分类模型是最主流的技术手段。可是，这些方法都要求历史数据库中具备充足可用的故障数据，这样建立的分类模型才可靠。正如前面所提到的，可参考的数据量有限，而且不同类型故障数据在空间分布上还会重叠，这给传统分类模型方法的应用提出了严峻的挑战。一般来讲，数据样本数不充足是相对于测量变量而言的。相对于现代工业过程中数以百计的测量点，可想而知，实际过程中允许采集到的某种故障类型的数据样本难以满足样本数充足条件所需的最低样本数。与此同时，由于生产过程与控制系统的耦合性，测量变量间存在很大程度的相关性，不同故障发生后有可能导致某些变量出现相同的异常变化。这就会导致不同故障类型的采样数据间在空间分布上存在重叠，以单个数据点进行分类诊断的分类模型方法会出现大量的误分类诊断现象。如何解决这两方面的问题，可以说是数据驱动的故障分类诊断方法能否适用于现代工业过程所面临的最大考验。

发明内容

针对上述问题，本发明提供一种基于非相似度指标的故障分类诊断方法。该发明方法先通过对每种故障类型进行特征变量选择，选择出该种故障最能区别于正常数据的变量。然后，利用特征变量两两对比在线故障数据窗口与参考故障数据窗口的分布非相似度，在线检测出的故障类型就对应于取得最小非相似度指标的参考故障类型。该方法通过变量选择降低了样本数据的不充分的制约性，还通过窗口数据相似匹配来实施故障诊断，能最大化地避免重叠数据的错分类情况。

本发明方法解决上述问题所采用的技术方案为：一种基于非相似度指标的故障分类诊断方法，包括以下步骤：

(1)收集生产过程正常运行状态下的采样数据，组成数据矩阵X₀∈R^n×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，N_c为第c种故障的可用样本数，R为实数集，R^n×m表示n×m维的实数矩阵。

(2)对矩阵X₀进行标准化处理，得到均值为0，标准差为1的新数据矩阵并利用矩阵X₀的均值向量与标准差向量对进行同样的处理，得到矩阵然后初始化c＝1与i＝1。

(3)按下式计算中第i个测量变量与中第i个测量变量的变化差异：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，与分别为矩阵与中的第i个测量变量(即第i列)，符号||||表示计算向量的长度。

(4)令i＝i+1，若i≤m，返回至步骤(3)；反之，将得到的m个测量变量间的变化差异值组成向量J_c＝[J₁，J₂，…，J_m]。

(5)再次初始化i＝1后，从向量J_c中找出数值大于Q(J_c)的所有元素，将这些元素所对应的变量标号组成第c种参考故障类型的特征变量集F_c，并利用F_c从参考故障数据矩阵中挑选出相应变量组成新参考故障数据矩阵其中，Q(J_c)表示计算向量J_c的较大四分位数，即J_c中所有数值由小到大排列后第75％的数值。

(6)令c＝c+1，若c≤C，返回至步骤(3)；反之，保存得到的C个特征变量集F₁，F₂，…，F_C以及新参考故障数据矩阵

(7)当在线检测到的故障数据样本数积累到w时，先利用矩阵X₀的均值向量与标准差向量对该在线故障数据窗口矩阵Y_w进行标准化处理得到后利用特征变量集F₁，F₂，…，F_C对分别进行变量选择得到矩阵

(8)先分别从各参考故障数据矩阵中选择前w行样本组成相应的参考故障窗口矩阵后利用非线性相似度分析算法分别计算两对应窗口矩阵与间的非线性相似度指标其中c＝1，2，…，C。

(9)将中的最小值所对应的参考故障类型判别为当前故障数据的故障类型。

(10)当下一个故障数据样本可测量时，数据窗口长度变为w＝w+1，重复步骤(8)～(9)重新识别故障类型。

与现有方法相比，本发明方法的优点如下：

1.本发明方法通过分别比较每种参考故障类型与正常数据间的变化差异，以选择最能体现不同故障类型非正常变化的特征变量。这不仅能在很大程度上降低测量变量维数，使参考故障可用样本数较少的限制力大大缩减，而且还能剔除未显著出现非正常变化的测量变量对非相似度计算的“干扰”影响，使非相似度间的差异性变得更为突出。

2.相比于传统方法使用单个样本进行分类识别，本发明方法采用的窗口数据集能包含更多的数据动态变化信息。此外，本发明方法所采用的非相似度分析是建立在数据集空间分布相似性上的，即使不同参考故障类型的窗口数据有部分重叠，该非相似度指标也能将其区分开来。

附图说明

图1为本发明方法的实施流程示意图。

图2为本发明方法的特征选择实施示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种基于非相似度指标的故障分类诊断方法，该方法的具体实施步骤如下所示：

步骤1：收集生产过程正常运行状态下的采样数据，组成数据矩阵X₀∈R^n×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，N_c为第c种故障的可用样本数，R为实数集，R^n×m表示n×m维的实数矩阵。

步骤2：对矩阵X₀进行标准化处理，得到均值为0，标准差为1的新数据矩阵并利用矩阵X₀的均值向量与标准差向量对进行同样的处理，得到矩阵

初始化c＝1与i＝1，并按照图2所示流程进行特征变量选择，详细实施过程如下所示：。

步骤3：按下式计算中第i个测量变量与中第i个测量变量的变化差异：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，与分别为矩阵与中的第i列(或第i个测量变量)，符号||||表示计算向量的长度。

步骤4：令i＝i+1，若i≤m，返回至步骤(3)；反之，将得到的m个测量变量间的变化差异值组成向量J_c＝[J₁，J₂，…，J_m]。

步骤5：再次初始化i＝1后，从向量J_c中找出数值大于Q(J_c)的所有元素，将这些元素所对应的变量标号组成第c种参考故障类型的特征变量集F_c，并利用F_c从参考故障数据矩阵中挑选出相应变量组成新参考故障数据矩阵其中，Q(J_c)表示计算向量J_c的较大四分位数，即J_c中所有数值由小到大排列后第75％的数值。

步骤6：令c＝c+1，若c≤C，返回至步骤(3)；反之，保存得到的C个特征变量集F₁，F₂，…，F_C以及新参考故障数据矩阵

步骤7：当在线检测到的故障数据样本数积累到w时，先利用矩阵X₀的均值向量与标准差向量对该在线故障数据窗口矩阵Y_w进行标准化处理得到后利用特征变量集F₁，F₂，…，F_C对分别进行变量选择得到矩阵

步骤8：先分别从各参考故障数据矩阵中选择前w行样本组成相应的参考故障窗口矩阵后利用非线性相似度分析算法分别计算两对应窗口矩阵与间的非线性相似度指标其中c＝1，2，…，C，计算相似度指标的具体过程如下所示：

首先，计算协方差矩阵其中上标号T表示矩阵的转置；

其次，对矩阵S进行奇异值分解，得到S＝VΛV^T，其中Λ∈R^q×q为q个奇异值λ₁，λ₂，…，λ_q组成的对角矩阵，q为矩阵中变量个数，也等于特征变量集F_c中元素的个数，V∈R^q×q是由q个相互正交的列向量组成；

最后，按下式计算计算两数据集与间的空间分布非相似度指标：

$D_c^w=\frac{4}{q}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{({\mathrm{\λ}}_j-0.5)}^2---\left(3\right)$

步骤9：将中的最小值所对应的参考故障类型判别为当前故障数据的故障类型。

步骤10：当下一个故障数据样本可测量时，数据窗口长度变为w＝w+1，重复步骤7～9重新识别故障类型。

上述实施例只用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围内。

Claims (1)

1.一种基于非相似度指标的故障分类诊断方法，其特征在于，包括以下步骤：

(1)：收集生产过程正常运行状态下的采样数据，组成数据矩阵X₀∈R^n×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，N_c为第c种故障的可用样本数，R为实数集，R^n×m表示n×m维的实数矩阵；

(2)：对矩阵X₀进行标准化处理，得到均值为0，标准差为1的新数据矩阵并利用矩阵X₀的均值向量与标准差向量对进行同样的处理，得到矩阵然后初始化c＝1与i＝1；

(3)：按下式计算中第i个测量变量与中第i个测量变量的变化差异：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，与分别为矩阵与中的第i列(或第i个测量变量)，符号|| ||表示计算向量的长度；

(4)：令i＝i+1，若i≤m，返回至步骤(3)；反之，将得到的m个测量变量间的变化差异值组成向量J_c＝[J₁，J₂，…，J_m]；

(5)：再次初始化i＝1后，从向量J_c中找出数值大于Q(J_c)的所有元素，将这些元素所对应的变量标号组成第c种参考故障类型的特征变量集F_c，并利用F_c从参考故障数据矩阵中挑选出相应变量组成新参考故障数据矩阵其中，Q(J_c)表示计算向量J_c的较大四分位数，即J_c中所有数值由小到大排列后第75％的数值；

(6)：令c＝c+1，若c≤C，返回至步骤(3)；反之，保存得到的C个特征变量集F₁，F₂，…，F_C以及新参考故障数据矩阵

(7)：当在线检测到的故障数据样本数积累到w时，先利用矩阵X₀的均值向量与标准差向量对该在线故障数据窗口矩阵Y_w进行标准化处理得到后利用特征变量集F₁，F₂，…，F_C对分别进行变量选择得到矩阵

(8)：先分别从各参考故障数据矩阵中选择前w行样本组成相应的参考故障窗口矩阵后利用非线性相似度分析算法分别计算两对应窗口矩阵与间的非线性相似度指标其中c＝1，2，…，C，计算相似度指标的具体过程如下所示：

首先，计算协方差矩阵其中上标号T表示矩阵的转置；

其次，对矩阵S进行奇异值分解，得到S＝VΛV^T，其中Λ∈R^q×q为q个奇异值λ₁，λ₂，…，λ_q组成的对角矩阵，q为矩阵中变量个数，也等于特征变量集F_c中元素的个数，V∈R^q×q是由q个相互正交的列向量组成；

最后，按下式计算计算两数据集与间的空间分布非相似度指标：

$D_c^w=\frac{4}{q}\underset{j=1}{\overset{q}{\Σ}}{({\mathrm{\λ}}_j-0.5)}^2---\left(2\right)$

(9)：将中的最小值所对应的参考故障类型判别为当前故障数据的故障类型；

(10)：当下一个故障数据样本可测量时，数据窗口长度变为w＝w+1，重复步骤(7)～(9)重新识别故障类型。