CN113341721A - 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 - Google Patents
面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 Download PDFInfo
- Publication number
- CN113341721A CN113341721A CN202110673407.0A CN202110673407A CN113341721A CN 113341721 A CN113341721 A CN 113341721A CN 202110673407 A CN202110673407 A CN 202110673407A CN 113341721 A CN113341721 A CN 113341721A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- fault diagnosis
- driven
- diagnosis method
- 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.)
- Granted
Links
Images
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,它属于工业过程的数据驱动故障诊断领域。本发明是为解决现有方法无法对含有未知扰动信号的系统进行准确的故障诊断的问题。本发明的故障诊断方法不依赖于工业系统模型,仅利用采集到的系统数据即可进行故障的诊断;且本发明方法对未知扰动具有强鲁棒性,在计算方面负担小,易于在线实现;本发明研究了含有未知扰动的子空间辨识问题,通过将过程数据投影到不同的子空间中辨识闭环数据驱动稳定核表示,获得对未知扰动鲁棒的残差,从而实现更好的故障诊断。本发明可以应用于对复杂工业系统进行故障诊断。
Description
技术领域
本发明属于工业过程的数据驱动故障诊断领域,具体涉及一种面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法。
背景技术
为保证复杂工业系统的安全性和可靠性,在系统发生故障后,需要及时精准地诊断出故障。但复杂工业系统的数学模型通常难以精准地建立,且在运行过程中通常受到环境的影响,系统中往往存在扰动,这种扰动信号通常是未知且不可测量的,因此需要对含有未知扰动信号的系统进行准确的故障诊断,保证对未知扰动的鲁棒性,这对于进一步研究复杂工业系统的故障诊断带来了一定的挑战。
发明内容
本发明的目的是为解决现有方法无法对含有未知扰动信号的系统进行准确的故障诊断的问题,提出一种面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法。
本发明为解决上述技术问题所采取的技术方案是:
面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,所述方法具体包括以下步骤:
步骤一、测量工业系统在正常工况下的输入信号u以及输出信号y,根据给定的样本组数N,过去步长sp和未来步长sf构造汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N;
其中,Up,N是用过去步长sp构建的输入信号汉克尔矩阵,Yp,N是用过去步长sp构建的输出信号汉克尔矩阵,Uf,N是用未来步长sf构建的输入信号汉克尔矩阵,Yf,N是用未来步长sf构建的输出信号汉克尔矩阵;
步骤二、根据步骤一中构造的汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N,计算中间变量矩阵Mf,N和Zp,N;
步骤七、利用卡方分布表确定χα,并基于χα设置阈值Jth;
步骤八、采集工业控制系统在线数据进行监测
设置窗口宽度为kw,分别计算每个窗口内的残差和rd,win(w):
并基于各个窗口内的残差和,计算在线统计量:
其中,w表示第w个窗口,Σr为协方差矩阵;
步骤九、判断系统是否发生故障
若J≤Jth,则说明工业系统无故障,若J>Jth,则说明工业系统有故障。
本发明的有益效果是:本发明提出了一种面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,本发明设计的故障诊断方法不依赖于工业系统模型,仅利用采集到的系统数据即可进行故障的诊断,避免因模型不精确影响故障诊断效果;本发明设计的故障诊断方法对未知扰动具有强鲁棒性,在计算方面负担小,易于在线实现;本发明研究了含有未知扰动的子空间辨识问题,通过将过程数据投影到不同的子空间中辨识闭环数据驱动稳定核表示,获得对未知扰动鲁棒的残差,从而实现更好的故障诊断。
附图说明
图1是本发明的一种面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法的流程图;
图2是本发明实施例的残差曲线图;
图3为本发明实施例的评价指标结果图。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,所述方法具体包括以下步骤:
步骤一、测量工业系统在正常工况下的输入信号u以及输出信号y,根据给定的样本组数N,过去步长sp和未来步长sf构造汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N;
其中,Up,N是用过去步长sp构建的输入信号汉克尔矩阵,Yp,N是用过去步长sp构建的输出信号汉克尔矩阵,Uf,N是用未来步长sf构建的输入信号汉克尔矩阵,Yf,N是用未来步长sf构建的输出信号汉克尔矩阵;
步骤二、根据步骤一中构造的汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N,计算中间变量矩阵Mf,N和Zp,N;
步骤七、利用卡方分布表确定χα,并基于χα设置阈值Jth;
步骤八、采集工业控制系统在线数据进行监测
设置窗口宽度为kw,分别计算每个窗口内的残差和rd,win(w):
并基于各个窗口内的残差和,计算在线统计量:
其中,w表示第w个窗口,Σr为协方差矩阵;
步骤九、判断系统是否发生故障
若J≤Jth,则说明工业系统无故障,若J>Jth,则说明工业系统有故障。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一的具体过程为:
其中,l表示输入信号的维数,m表示输出信号的维数,R为实数,表示矩阵Up,N的行数为spl列数为N,表示矩阵Uf,N的行数为sfl列数为N,表示矩阵Yp,N的行数为spm列数为N,表示矩阵Yf,N的行数为sfm列数为N;
us,k和ys,k分别为:
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一至二之一不同的是,所述中间变量矩阵Mf,N为:
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述中间变量矩阵Zp,N为:
其中,上角标T代表矩阵的转置。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤三的具体过程为:
其中,L11、L21、L22、L31、L32、L33、L41、L42、L43和L44均为进行LQ分解得到的下三角矩阵中的子块,Q1、Q2、Q3和Q4为酉矩阵的子块。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤四的具体过程为:
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤五的具体过程为:
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是,所述步骤六的具体过程为:
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是,所述步骤七的具体过程为:
prib{χ>χα}=α
其中,α为常数(可以根据残差rd,k人为设定),prob{χ>χα}表示χ>χα的概率,则设置阈值Jth为:
Jth=χα/2
其它步骤及参数与具体实施方式一至八之一相同。
实施例
以下将结合具体实验结果来说明本发明方法的有效性。
本实验中选取的系统为电机,电机的扰动选取周期为10s,幅值为0.1A的矩形波负载。电机转速为3000r/min,采样周期为0.01s,采用比例积分控制器。在0s-2000s,电机处于正常运行状态,在第2000s时,电机发生设备执行器故障,脉冲宽度调制(PWM)的增益下降20%。在阈值设定上,选取α=2%,窗口宽度kw设置为5。
步骤一、测量电机正常工况下的输入信号(即控制器的输出信号)u,系统的输出信号y。并对于给定的样本组数N=3000,过去步长sp=1和未来步长sf=250构造下列几个汉克尔矩阵,
其中,k为采样点,Db,N为未知矩形波的子空间描述。us,k和ys,k分别为:
步骤二、计算矩阵Mf,N和Zp,N,
步骤三、对汉克尔矩阵做LQ分解,
步骤六、计算残差rd,k,
步骤七、设置阈值Jth。自定义α=2%,利用卡方分布表确定χα,
prob{χ>χα}=2%,
其中,prob{χ>χα}表示χ>χα的概率。
此时,确定阈值Jth为
Jth=χα/2
步骤八、采集电机在线数据进行监测。设置窗口宽度kw,这里选取kw=5,计算每个窗口内的残差之和。
并计算在线统计量,
其中,w表示第w个窗口。
步骤九、判断系统是否发生故障。如果J≤Jth则说明无故障,J>Jth则说明有故障。
本发明提出的含有未知扰动的数据驱动鲁棒故障诊断方法的仿真结果如图2和图3所示,图2为残差曲线图,图3为评价指标结果图。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,其特征在于,所述方法具体包括以下步骤:
步骤一、测量工业系统在正常工况下的输入信号u以及输出信号y,根据给定的样本组数N,过去步长sp和未来步长sf构造汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N;
其中,Up,N是用过去步长sp构建的输入信号汉克尔矩阵,Yp,N是用过去步长sp构建的输出信号汉克尔矩阵,Uf,N是用未来步长sf构建的输入信号汉克尔矩阵,Yf,N是用未来步长sf构建的输出信号汉克尔矩阵;
步骤二、根据步骤一中构造的汉克尔矩阵Up,N、Uf,N、Yp,N和Yf,N,计算中间变量矩阵Mf,N和Zp,N;
步骤七、利用卡方分布表确定χα,并基于χα设置阈值Jth;
步骤八、采集工业控制系统在线数据进行监测
设置窗口宽度为kw,分别计算每个窗口内的残差和rd,win(w):
并基于各个窗口内的残差和,计算在线统计量:
其中,w表示第w个窗口,∑r为协方差矩阵;
步骤九、判断系统是否发生故障
若J≤Jth,则说明工业系统无故障,若J>Jth,则说明工业系统有故障。
9.根据权利要求8所述的面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法,其特征在于,所述步骤七的具体过程为:
prob{χ>χα}=α
其中,α为常数,prob{χ>χα}表示χ>χα的概率,则设置阈值Jth为:
Jth=χα/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673407.0A CN113341721B (zh) | 2021-06-17 | 2021-06-17 | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673407.0A CN113341721B (zh) | 2021-06-17 | 2021-06-17 | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341721A true CN113341721A (zh) | 2021-09-03 |
CN113341721B CN113341721B (zh) | 2021-12-03 |
Family
ID=77476266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673407.0A Active CN113341721B (zh) | 2021-06-17 | 2021-06-17 | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341721B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016087388A1 (en) * | 2014-12-02 | 2016-06-09 | Asml Netherlands B.V. | Lithographic method and apparatus |
US20180039238A1 (en) * | 2016-08-03 | 2018-02-08 | Siemens Schweiz Ag | System and method for detecting faults and/or for providing optimization measures to enhance the performance of one or more buildings |
CN108646573A (zh) * | 2018-07-19 | 2018-10-12 | 哈尔滨工业大学 | 一种数据驱动的闭环系统稳定裕度确定方法 |
CN108803465A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
CN108875276A (zh) * | 2018-07-19 | 2018-11-23 | 哈尔滨工业大学 | 一种数据驱动的闭环系统稳定性监测方法 |
US20190056722A1 (en) * | 2017-08-21 | 2019-02-21 | General Electric Company | Data-driven model construction for industrial asset decision boundary classification |
CN109739214A (zh) * | 2019-01-14 | 2019-05-10 | 中国石油大学(华东) | 工业过程间歇故障的检测方法 |
CN111158351A (zh) * | 2020-01-19 | 2020-05-15 | 哈尔滨工业大学 | 数据驱动的故障诊断与最优控制系统一体化设计方法 |
CN111289256A (zh) * | 2018-12-07 | 2020-06-16 | 北京大学 | 一种数据驱动的船舶柴油机故障检测方法 |
CN111538958A (zh) * | 2020-04-22 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 |
CN112748663A (zh) * | 2020-12-21 | 2021-05-04 | 华能新能源股份有限公司 | 一种基于数据驱动输出反馈的风电转矩容错控制方法 |
-
2021
- 2021-06-17 CN CN202110673407.0A patent/CN113341721B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016087388A1 (en) * | 2014-12-02 | 2016-06-09 | Asml Netherlands B.V. | Lithographic method and apparatus |
US20180039238A1 (en) * | 2016-08-03 | 2018-02-08 | Siemens Schweiz Ag | System and method for detecting faults and/or for providing optimization measures to enhance the performance of one or more buildings |
US20190056722A1 (en) * | 2017-08-21 | 2019-02-21 | General Electric Company | Data-driven model construction for industrial asset decision boundary classification |
CN108803465A (zh) * | 2018-06-19 | 2018-11-13 | 哈尔滨工业大学 | 一种基于闭环数据驱动的分布式即插即用故障监测方法 |
CN108646573A (zh) * | 2018-07-19 | 2018-10-12 | 哈尔滨工业大学 | 一种数据驱动的闭环系统稳定裕度确定方法 |
CN108875276A (zh) * | 2018-07-19 | 2018-11-23 | 哈尔滨工业大学 | 一种数据驱动的闭环系统稳定性监测方法 |
CN111289256A (zh) * | 2018-12-07 | 2020-06-16 | 北京大学 | 一种数据驱动的船舶柴油机故障检测方法 |
CN109739214A (zh) * | 2019-01-14 | 2019-05-10 | 中国石油大学(华东) | 工业过程间歇故障的检测方法 |
CN111158351A (zh) * | 2020-01-19 | 2020-05-15 | 哈尔滨工业大学 | 数据驱动的故障诊断与最优控制系统一体化设计方法 |
CN111538958A (zh) * | 2020-04-22 | 2020-08-14 | 中国人民解放军国防科技大学 | 一种基于数据驱动的磁浮列车悬浮系统故障检测方法 |
CN112748663A (zh) * | 2020-12-21 | 2021-05-04 | 华能新能源股份有限公司 | 一种基于数据驱动输出反馈的风电转矩容错控制方法 |
Non-Patent Citations (12)
Title |
---|
DING, BAOQING,等: ""SVD-BASED DICTIONARY LEARNING FOR BEARING FAULT DIAGNOSIS"", 《2016 INTERNATIONAL SYMPOSIUM ON FLEXIBLE AUTOMATION (ISFA)》 * |
HAO LUO,等: ""A Data-Driven Process Monitoring Approach with Disturbance Decoupling"", 《2018 IEEE 7TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE (DDCLS)》 * |
HAO ZHAO,等: ""A Data-Driven Scheme for Fault Detection of Discrete-Time Switched Systems"", 《SENSORS》 * |
SHEN YIN,等: "A Review on Basic Data-Driven Approaches for Industrial Process Monitoring""", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
YULEI WANG,等: ""Data-driven design of fault detection and isolation systems subject to Hammerstein nonlinearity"", 《2015 AMERICAN CONTROL CONFERENCE (ACC)》 * |
姚智刚,等: "基于数据驱动的KPI统最优滤波器设计""", 《东南大学学报(自然科学版)》 * |
宋雪,等: ""基于数据驱动的过程监测系统设计方法研究"", 《控制工程》 * |
宋雪: ""数据驱动过程监测系统设计及其在线优化方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王雪娇: ""基于稳定裕度的故障诊断与分类的研究及应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
罗浩,等: ""复杂工业系统故障诊断与安全控制方法"", 《信息与控制》 * |
范文强: ""数据驱动的故障诊断与容错控制一体化设计方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄增辉: ""基于数据的风车故障诊断与容错控制"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113341721B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
Filonov et al. | Rnn-based early cyber-attack detection for the tennessee eastman process | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN108544303A (zh) | 一种数控机床主轴故障诊断方法及系统 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
Li et al. | False alarm reducing in PCA method for sensor fault detection in a nuclear power plant | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
Wegerich et al. | Nonparametric modeling of vibration signal features for equipment health monitoring | |
Zhou et al. | Identification based fault detection: Residual selection and optimal filter | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
CN103995985B (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
CN113341721B (zh) | 面对含有未知扰动的工业系统的数据驱动鲁棒故障诊断方法 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
CN111188761A (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
CN115358294A (zh) | 一种高速列车牵引系统的微小故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |