CN106404441A - 一种基于非线性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线性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三个关键性问题：其一，参考故障类型的可用训练样本数有限；其二，可用的故障训练数据处于操作状态转换的起始阶段，数据非线性程度较强；其三，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，仅利用特征变量两两匹配在线故障数据窗口与参考故障数据窗口的相似度。所采用的相似度计算方式是基于窗口数据的非线性相似度指标，根据最小非线性相似度值可以确定出在线检测出的故障类型。与传统分类诊断方法相比，本发明方法通过特征变量选择显著地降低了变量维数，这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对计算非线性相似度指标的负面影响。此外，该方法通过窗口数据在空间分布上的非线性相似匹配来实施故障相似匹配，能最大化地避免重叠数据的错分类情况。

Description

一种基于非线性相似度指标的故障分类诊断方法

技术领域

本发明涉及一种故障诊断方法，特别涉及一种基于非线性相似度指标的故障分类诊断方法。

背景技术

日趋激烈化的市场竞争对生产过程持续正常的运行提出了越来越高的要求，及时地检测出生产过程中发生的故障并正确的识别故障种类在整个生产自动化系统中占有者重要的地位。对现代大型复杂化工业生产系统而言，精确的机理模型是难以获取的，取而代之的是，由于DCS的广泛应用，生产过程可以测量和存储海量的工业数据。这些采样数据潜藏着过程运行状态与产品质量等方面的信息，这就为数据驱动的过程监测方法提供了坚实的基础。近年来，数据驱动的过程监测方法受到了工业界和学术界的广泛关注。其中，数据驱动的故障检测方法层出不穷。可是，有效而实用的故障诊断方法却少有涉及。这主要是受到了三方面原因的束缚：其一，虽然历史数据丰富，但每种故障类型可用的训练数据却有限；其二，可用的故障数据一般都处于非稳定阶段，变化轨迹的非线性特性较强；其三，不同故障类型的采样数据会在空间分布上存在重叠现象。通常来讲，检测出故障后只有识别出故障类型方可找出问题根源，进而使生产系统尽快恢复至正常运行状态。因此，对故障诊断方法的研究仍在继续。

在现有的专利与文献中，利用不同故障类型的采样数据建立分类模型是一种常见的技术手段，例如判别分析算法、神经网络、支持向量机等。然而，这类方法只有在每种故障类型的训练数据充分的前提下，才可以建立可靠的分类模型。这在实际应用中是难以满足的，主要因为故障被检测出来后，操作人员通常会在第一时间内消除故障，数据采集系统就只能采集到有限的相关故障数据，而且这些故障数据处于过程运行状态转变的起始阶段，变化轨迹的非线性特性较强。另一方面，这些分类模型用于在线故障数据判别时，每次只针对单个样本进行类型识别，对于重叠部分的数据会存在大量的错分类现象。因此，这类方法直接应用于生产实际还存在诸多的限制。

一般来讲，数据样本有限都是针对测量变量的个数而言的。比如，相对于现代工业过程数以百计的测量仪表而言，数据样本数需要达到几千个才可说数据量充分。考虑到不同故障发生后，会导致不同测量变量出现非正常变化，而且不是所有测量变量都受到影响。若是有针对性地为每种故障类型挑选出最能体现其故障特征的特征变量，那么训练数据的变量维数就会大幅度减少。这样一来，样本数不充分对建立模型的制约性就大大降低。与此同时，针对不同故障类型数据间可能存在的重叠情况，若是采用多个数据样本组成的窗口数据集进行空间分布非线性匹配识别，可以将故障数据的非线性变化轨迹考虑进来，从而降低重叠数据的错分类率。

发明内容

针对上述问题，本发明提供一种基于非线性相似度指标的故障分类诊断方法。该发明方法首先对每种参考故障类型的可用训练数据进行分析，找出最能体现其非正常变化的特征变量，从而降低样本数不充分的制约性。然后，利用特征变量两两对比在线故障数据窗口与各参考故障数据窗口间的非线性相似度，将数据的非线性变化轨迹考虑进来。最后，所识别出的故障类型对应于取得最大非线性相似度值的参考故障类型。

本发明方法解决上述问题所采用的技术方案为：一种基于非线性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：

上式中，与分别为矩阵与中的第i列(或第i个测量变量)，E表示期望值，非二次函数G(v)＝log cosh(v)，v为函数G的自变量，即上式中的或

(4)令i＝i+1，若满足条件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，本发明方法的优点在于：

1.本发明方法通过对比分析故障数据集中每个测量变量的变化，进而找出最能体现出各类参考故障非正常变化的特征变量，并只利用特征变量实施在线故障数据窗口分布非线性匹配。这一步骤可以显著地降低测量变量的维数，从而使参考故障训练样本数较少的限制力大大缩减。此外，它还能在很大程度上抑制由未被选择的测量变量所带来的负面干扰，为降低非线性相似度指标的错误匹配率埋下伏笔。

2.相比于传统基于单个样本进行故障分类识别的方法，本发明所采取的窗口数据集匹配方式能包含多个连续样本的动态变化信息，将故障初始状态下的非线性变化轨迹给考虑进来。即使重叠样本数据存在于不同参考故障类型中，该基于窗口数据匹配的非线性相似度指标也能最大化地将其区分开来。

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变量选择实施例示意图。

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线性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，具体实施步骤如下：

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：

上式中，与分别为矩阵与中的第i列(或第i个测量变量)，E表示期望值，非二次函数G(v)＝log cosh(v)，v为函数G的自变量，即上式中的或

步骤4：令i＝i+1，若满足条件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，计算非线性相似度指标的具体步骤如下所示：

①将矩阵与组合成一个矩阵即：

其中，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，行向量z_j表示矩阵中的第j行，下标号j＝1，2，…，2w；

②按照下式计算核矩阵中第j行第k列的元素：

其中，下标号k＝1，2，…，2w，参数δ＝5q²；

③计算核矩阵所有大于0.0001的特征值，得到λ₁，λ₂，…，λ_A，其中，A为大于0.0001的特征值个数；

④按照下式计算非线性相似度指标

其中，下标号a＝1，2，…，A。

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8～9重新识别故障类型。

Claims (1)

1.一种基于非线性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={\[E\left\{G\left(x_0^i\right)\right\}-E\left\{G\left(x_c^i\right)\right\}\]}^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)，E表示期望值，非二次函数G(v)＝logcosh(v)，v为函数G的自变量，即上式中的或

(4)：令i＝i+1，若满足条件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，计算非线性相似度指标的具体步骤如下所示：

①将矩阵与组合成一个矩阵即：

$Z_c^w=\left[\begin{array}{c}{\hat{X}}_c^w\\ {\hat{X}}_c^w\end{array}\right]=\left[\begin{array}{c}{z}_1\\ z_2\\ .\\ .\\ .\\ z_{2w}\end{array}\right]\∈R^{2w\×q}---\left(2\right)$

其中，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，行向量z_j表示矩阵中的第j行，下标号j＝1，2，…，2w；

②按照下式计算核矩阵中第j行第k列的元素：

$K_c^w(j,k)=\exp (-\frac{\left|\right|z_j-z_k|{|}^2}{\mathrm{\δ}})---\left(3\right)$

其中，下标号k＝1，2，…，2w，参数δ＝5q²；

③计算核矩阵所有大于0.0001的特征值，得到λ₁，λ₂，…，λ_A，其中，A为大于0.0001的特征值个数；

④按照下式计算非线性相似度指标

$D_c^w=1-\frac{4}{A}\underset{a=1}{\overset{A}{\Σ}}{(\frac{{\mathrm{\λ}}_a}{2w}-0.5)}^2---\left(4\right)$

其中，下标号d＝1，2，…，A；

(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。