CN114112374A - 一种基于正交子块投影的武器装备系统的故障诊断方法 - Google Patents

一种基于正交子块投影的武器装备系统的故障诊断方法 Download PDF

Info

Publication number
CN114112374A
CN114112374A CN202111395543.4A CN202111395543A CN114112374A CN 114112374 A CN114112374 A CN 114112374A CN 202111395543 A CN202111395543 A CN 202111395543A CN 114112374 A CN114112374 A CN 114112374A
Authority
CN
China
Prior art keywords
data
matrix
input
sub
time
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
Application number
CN202111395543.4A
Other languages
English (en)
Other versions
CN114112374B (zh
Inventor
孔祥玉
胡昌华
罗家宇
李红增
周红平
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202111395543.4A priority Critical patent/CN114112374B/zh
Publication of CN114112374A publication Critical patent/CN114112374A/zh
Application granted granted Critical
Publication of CN114112374B publication Critical patent/CN114112374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于正交子块投影的武器装备系统的故障诊断方法，包括以下步骤：S1、采集武器装备系统的传感数据，并对传感数据依次进行线性标准化和数据动态扩展处理，得到输入动态时滞矩阵和输出数据矩阵；S2、根据输入动态时滞矩阵和输出数据矩阵，构建潜结构动态模型；S3、根据潜结构动态模型，计算历史数据统计量；S4、采集待测武器装备系统的传感数据，得到待测传感数据，根据历史数据统计量对待测传感数据进行故障监测；本发明解决了现有用于武器装备系统的故障诊断的方法存在故障诊断率不高的问题。

Description

一种基于正交子块投影的武器装备系统的故障诊断方法
技术领域
本发明涉及武器装备系统故障监测领域，具体涉及一种基于正交子块投影的武器装备系统的故障诊断方法。
背景技术
随着现代技术与芯片集成的快速发展，大型复杂装备如火箭、导弹的系统结构越加复杂，已无法由简单的物理模型和机理模型可以进行描述，导致一系列基于故障树和机理模型的故障诊断方法难以适用。而随着传感器工艺精度的快速提升，大量的传感器被布置到装备的各个关键位置以获取海量数据。如何从海量数据中分析出装备运行的状态以及诊断故障的原因是目前的研究热点。因此，基于数据驱动建模的方法受到广泛的重视，并得到了大量发展及应用。在复杂装备运行过程获取的数据中，通常呈动态、非高斯、非线性等特点，如何从这些数据中提取过程的特征建立模型是数据驱动方法的难点。
在大型装备系统中，过程变量的测量值通常受历史样本的影响，呈动态变化。针对该过程，传统的应用于平稳过程的多元统计分析方法难以有效监测该过程，会存在较大的误报警和漏报警的情况。同时，在考虑关键性能指标的动态过程监测中，如何从动态的过程变量中提取与关键部件相关的特征，并通过对过程变量监测实现对关键部件的早期报警和监控是研究的难点。为有效实现动态过程中关键性能指标的异常监测，一种正交子块投影的质量相关动态过程监测方法被提出。所提方法中，通过构建动态内模型和动态外模型，一种改进动态潜结构投影模型(MDPLS)被提出。此外，基于MDPLS模型，正交子块的投影算法被提出，并基于该算法构造动态过程监测统计量。一种在线的动态过程监测策略也被设计，包括离线构建控制限，在线过程映射投影构建统计量，实现在线样本的实时监测。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于正交子块投影的武器装备系统的故障诊断方法解决了现有用于武器装备系统的故障诊断的方法存在故障诊断率不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于正交子块投影的武器装备系统的故障诊断方法，包括以下步骤：
S1、采集武器装备系统的传感数据，并对传感数据依次进行线性标准化和数据动态扩展处理，得到输入动态时滞矩阵和输出数据矩阵；
S2、根据输入动态时滞矩阵和输出数据矩阵，构建潜结构动态模型；
S3、根据潜结构动态模型，计算历史数据统计量；
S4、采集待测武器装备系统的传感数据，得到待测传感数据，根据历史数据统计量对待测传感数据进行故障监测。
进一步地，所述步骤S1中武器装备系统的传感数据包括：电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据，其中，电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X，伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
进一步地，所述步骤S1中对传感数据进行线性标准化的公式为：
Figure BDA0003369850960000021
Figure BDA0003369850960000022
其中，
Figure BDA0003369850960000023
为标准化处理后的输入数据集X的第
Figure BDA0003369850960000024
个传感器的第i次采样数据，
Figure BDA0003369850960000031
为输入数据集X的第
Figure BDA00033698509600000320
个传感器的第i次采样数据，n为总的采样次数，
Figure BDA0003369850960000032
为标准化处理后的输出数据集Y的第s个传感器的第i次采样数据，ys,i为输出数据集Y的第s个传感器的第i次采样数据，标准化处理后的
Figure BDA0003369850960000033
构成标准化输入数据集
Figure BDA0003369850960000034
m为采集输入数据集X的传感器数量，标准化处理后的
Figure BDA0003369850960000035
构成标准化输出数据集
Figure BDA0003369850960000036
p为采集输出数据集Y的传感器数量。
进一步地，所述步骤S1中对标准化输入数据集X*进行数据动态扩展处理，得到输入动态时滞矩阵Xg，并提取标准化输出数据集Y*中采样数据，得到输出数据矩阵
Figure BDA0003369850960000037
Figure BDA0003369850960000038
其中，
Figure BDA0003369850960000039
为第j个时滞矩阵，
Figure BDA00033698509600000310
由标准化输入数据集X*中第j个采样数据到第j+n-q个采样数据组成，q为q个时延块，
Figure BDA00033698509600000311
Figure BDA00033698509600000312
Figure BDA00033698509600000313
为标准化输入数据集X*对应的第j个采样数据，
Figure BDA00033698509600000314
包含m个变量，
Figure BDA00033698509600000315
Figure BDA00033698509600000316
由标准化输出数据集Y*中第q个采样数据到第n个采样数据组成。
进一步地，所述步骤S2包括以下分步骤：
S201、初始化
Figure BDA00033698509600000321
输入投影矩阵w＝[1,0,…,0]T；
S202、对公式(11)进行特征分解，得到权重系数
Figure BDA00033698509600000322
Swβ＝λβλcβ (11)
Sβw＝λwλcw (12)
Figure BDA00033698509600000317
Figure BDA00033698509600000318
Figure BDA00033698509600000319
其中，Sw为公式(11)的中间变量，Sβ为公式(12)的中间变量，S为Xg和
Figure BDA0003369850960000041
的协方差矩阵，≡为恒等号，λw，λc和λβ为拉格朗日乘数法的系数，
Figure BDA0003369850960000042
为直积运算，
Figure BDA00033698509600000416
为第
Figure BDA00033698509600000415
次迭代的权重系数，
Figure BDA00033698509600000414
为时滞矩阵
Figure BDA0003369850960000043
的权重矩阵，
Figure BDA00033698509600000417
为时滞矩阵的权重矩阵
Figure BDA00033698509600000418
的元素，Xg为输入动态时滞矩阵，I为单位矩阵；
S203、根据时滞矩阵的权重系数
Figure BDA00033698509600000419
对公式(12)进行特征分解，得到输入投影向量
Figure BDA00033698509600000420
S204、判断输入投影向量
Figure BDA00033698509600000421
是否收敛，若是，则跳转至步骤S205，若否，则跳转至步骤S202，并将当前的输入投影向量
Figure BDA00033698509600000422
带入步骤S202中；
S205、根据收敛的输入投影向量
Figure BDA00033698509600000423
计算各时滞矩阵的得分向量，得到输入时延得分矩阵
Figure BDA00033698509600000424
S206、根据输入时延得分矩阵
Figure BDA00033698509600000425
计算输出投影向量：
Figure BDA0003369850960000044
其中，
Figure BDA00033698509600000426
为第
Figure BDA00033698509600000427
次迭代的输出投影向量，
Figure BDA0003369850960000045
为第
Figure BDA00033698509600000428
次迭代的输出数据矩阵，
Figure BDA0003369850960000046
为输出数据矩阵
Figure BDA0003369850960000047
Figure BDA00033698509600000430
为第
Figure BDA00033698509600000431
次迭代第j个时滞矩阵
Figure BDA0003369850960000048
的权重系数，
Figure BDA00033698509600000429
为第
Figure BDA00033698509600000432
次迭代中第j个时滞矩阵
Figure BDA0003369850960000049
的潜变量；
S207、根据输出投影向量
Figure BDA00033698509600000433
计算输出得分向量：
Figure BDA00033698509600000410
其中，
Figure BDA00033698509600000411
为第
Figure BDA00033698509600000434
次迭代的输出得分向量，
Figure BDA00033698509600000435
为第
Figure BDA00033698509600000436
次迭代的输入时延得分矩阵；
S208、根据输入时延得分矩阵
Figure BDA00033698509600000437
和输出得分向量
Figure BDA00033698509600000412
对标准化输入数据集X*、输出数据矩阵
Figure BDA00033698509600000413
和输入动态时滞矩阵Xg进行更新；
S209、判断
Figure BDA00033698509600000438
是否等于迭代阈值A，若是，则得到潜结构动态模型，若否，则
Figure BDA00033698509600000439
自加1，跳转至步骤S202，并将更新后的标准化输入数据集X*、输出数据矩阵
Figure BDA0003369850960000051
和输入动态时滞矩阵Xg带入循环中。
上述进一步方案的有益效果为：对数据进行了标准化，使不同尺度的指标统一量纲、尺度归一，确保了所有指标特征的有效提取；构建了动态目标函数，确定了动态特征提取的方向，使得装备测试过程中测得的动态数据实现降维，且降维信息反映了数据的动态特征。
进一步地，所述步骤S205中得到输入时延得分矩阵
Figure BDA00033698509600000523
Figure BDA0003369850960000052
Figure BDA00033698509600000524
其中，
Figure BDA0003369850960000053
为第
Figure BDA00033698509600000525
次迭代第j个时滞矩阵，
Figure BDA00033698509600000526
为第
Figure BDA00033698509600000527
次迭代第j个时滞矩阵的潜变量，
Figure BDA00033698509600000528
为第
Figure BDA00033698509600000529
次迭代的输入时延得分矩阵。
上述进一步方案的有益效果为：构造了时滞潜变量矩阵，使得不同时刻降维的潜变量统一到了一个矩阵，可以有效反映出装备监测数据降维信息的整体变化。
进一步地，所述步骤S208中对标准化输入数据集X*、输出数据矩阵
Figure BDA0003369850960000054
和输入动态时滞矩阵Xg进行更新的公式为：
Figure BDA0003369850960000055
Figure BDA0003369850960000056
Figure BDA0003369850960000057
Figure BDA0003369850960000058
Figure BDA0003369850960000059
其中，
Figure BDA00033698509600000510
为第
Figure BDA00033698509600000530
迭代的标准化输入数据集，在
Figure BDA00033698509600000531
时，
Figure BDA00033698509600000511
为X*，
Figure BDA00033698509600000512
为第
Figure BDA00033698509600000536
次迭代第j个时滞矩阵，
Figure BDA00033698509600000513
为
Figure BDA00033698509600000514
Figure BDA00033698509600000515
为
Figure BDA00033698509600000516
Figure BDA00033698509600000517
为
Figure BDA00033698509600000518
Figure BDA00033698509600000532
为
Figure BDA00033698509600000519
的潜变量，
Figure BDA00033698509600000535
为
Figure BDA00033698509600000520
的潜变量，
Figure BDA00033698509600000521
为第
Figure BDA00033698509600000534
次迭代第j个时滞矩阵，
Figure BDA00033698509600000522
为第
Figure BDA00033698509600000533
次迭代的输出数据矩阵，在
Figure BDA00033698509600000616
时，Yq,1为
Figure BDA0003369850960000061
Figure BDA0003369850960000062
为第
Figure BDA00033698509600000617
次更新的标准化输入数据集X*，
Figure BDA00033698509600000618
为第
Figure BDA00033698509600000619
次更新的输入动态时滞矩阵Xg，
Figure BDA00033698509600000620
为第
Figure BDA00033698509600000621
次更新的输出数据矩阵
Figure BDA0003369850960000063
Figure BDA00033698509600000622
为第
Figure BDA00033698509600000623
次迭代的负载向量，
Figure BDA0003369850960000064
为第
Figure BDA00033698509600000624
次迭代的输出得分向量。
上述进一步方案的有益效果为：实现了动态回归模型的迭代更新，确保了动态特征的充分提取，确保了提取的动态特征包含过程信息量最大的同时，尽可能的提取输出变量的相关信息，使得监测的动态过程数据降维到与输出相关的方向，从而有效监测待测武器装备系统的存在造成系统运行出错的故障。
进一步地，所述步骤S209中潜结构动态模型为：
Figure BDA0003369850960000065
Figure BDA0003369850960000066
Figure BDA0003369850960000067
其中，X*″为上述循环最终得到的标准化输入数据集，z-1为单位时滞算子，
Figure BDA0003369850960000068
为上述循环最终得到的
Figure BDA0003369850960000069
M为输入时延得分矩阵集合，
Figure BDA00033698509600000625
Figure BDA00033698509600000626
P为负载矩阵，
Figure BDA00033698509600000628
为第
Figure BDA00033698509600000627
次迭代的负载向量，
Figure BDA00033698509600000610
为
Figure BDA00033698509600000611
的残差，
Figure BDA00033698509600000612
为X*的残差，
Figure BDA00033698509600000613
Figure BDA00033698509600000614
为第
Figure BDA00033698509600000629
次迭代的输出总得分，D1(z-1)至DA(z-1)为第1次迭代到第A次迭代的q个时滞时刻，
Figure BDA00033698509600000615
为时滞的变量。
上述进一步方案的有益效果为：构造了正交分解的动态模型，有效降低了质量相关空间中的冗余信息，从而避免了因冗余信息异常而导致的误报警，提高了动态过程故障检测的整体性能。
进一步地，所述步骤S3包括以下分步骤：
S301、将潜结构动态模型进一步改写：
Figure BDA0003369850960000071
Figure BDA0003369850960000072
其中，Rj为标准化输入数据集
Figure BDA0003369850960000073
的系数矩阵，
Figure BDA0003369850960000074
为X*的残差，Rj,1、…、Rj,A为系数矩阵Rj的元素，θj为动态内模型中的权重系数，
Figure BDA0003369850960000075
为
Figure BDA0003369850960000076
的残差，W为收敛的输入投影向量，
Figure BDA0003369850960000077
为第j个时滞矩阵；
S302、令
Figure BDA0003369850960000078
Yq可以被计算为：
Figure BDA0003369850960000079
其中，
Figure BDA00033698509600000710
为第j个时滞矩阵，Nj为
Figure BDA00033698509600000711
与每个时滞矩阵
Figure BDA00033698509600000712
的系数矩阵；
S303、将
Figure BDA00033698509600000713
看作第j个输出时滞矩阵
Figure BDA00033698509600000714
的估计值
Figure BDA00033698509600000715
对NjNj T进行奇异值分解：
Figure BDA00033698509600000716
其中，
Figure BDA00033698509600000717
为非零特征值ΛM,j对应的特征向量，
Figure BDA00033698509600000718
为零值特征值对应的特征向量，
Figure BDA00033698509600000719
为由标准化输出数据集Y*中第j个采样数据到第n-q+j个采样数据组成；
S304、根据零值特征值对应的特征向量
Figure BDA00033698509600000720
和非零特征值ΛM,j对应的特征向量
Figure BDA00033698509600000721
将第s时刻的采样数据xs投影到正交质量相关空间，得到采样数据xs对应的潜变量
Figure BDA00033698509600000722
Figure BDA00033698509600000723
其中，
Figure BDA00033698509600000724
为第s个非零特征值ΛM,s对应的特征向量，
Figure BDA00033698509600000725
为第s个零值特征值对应的特征向量；
S305、建立采样数据xs对应的潜变量
Figure BDA00033698509600000726
的变量自回归模型：
Figure BDA00033698509600000727
其中，
Figure BDA0003369850960000081
为历史时刻潜变量
Figure BDA0003369850960000082
至
Figure BDA0003369850960000083
的权重系数，vs为s时刻静态质量相关潜变量；
S306、根据变量自回归模型，得到s时刻静态质量相关潜变量vs，
Figure BDA0003369850960000084
其中，
Figure BDA0003369850960000085
为
Figure BDA00033698509600000819
时刻潜变量；
S307、根据s时刻静态质量相关潜变量vs，计算历史数据统计量
Figure BDA0003369850960000086
Figure BDA0003369850960000087
其中，
Figure BDA0003369850960000088
为历史数据统计量，
Figure BDA0003369850960000089
为参数矩阵，通过历史数据训练得到，
Figure BDA00033698509600000820
为
Figure BDA00033698509600000821
时刻的静态质量相关潜变量，
Figure BDA00033698509600000826
上述进一步方案的有益效果为：去除历史信息的影响，构造了反映当前时刻变化的静态潜变量，从而实现对当前时刻样本的真实异常表征。
进一步地，所述步骤S4包括以下分步骤：
S401、根据历史数据统计量
Figure BDA00033698509600000810
计算控制限：
Figure BDA00033698509600000811
其中，
Figure BDA00033698509600000812
为控制限，g＝b/2a，h＝2a2/b，a为统计量
Figure BDA00033698509600000813
的均值，b为统计量
Figure BDA00033698509600000814
的方差，
Figure BDA00033698509600000815
为卡方分布，g为控制限系数，h为卡方分布的自由度；
S402、采集武器装备系统的传感数据，构建待测数据集，将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影，得到待测数据的静态潜变量：
Figure BDA00033698509600000816
其中，xnew,s为待测数据集中第s个待测数据，
Figure BDA00033698509600000817
为第s个非零特征值ΛM,s对应的特征向量，
Figure BDA00033698509600000818
为第
Figure BDA00033698509600000823
个待测数据
Figure BDA00033698509600000827
对应的潜变量，vnew,s为第s个待测数据的静态潜变量；
S403、根据待测数据的静态潜变量vnew,s，计算待测数据统计量：
Figure BDA0003369850960000091
其中，
Figure BDA0003369850960000092
为第s个待测数据的统计量；
S404、判断待测数据的统计量
Figure BDA0003369850960000093
是否小于等于控制限
Figure BDA0003369850960000094
若是，则待测武器装备系统的待测数据为正常数据，不存在造成系统运行出错的扰动，待测武器装备系统运行正常，为质量无关故障，若否，待测武器装备系统的待测数据为非正常数据，存在造成系统运行出错的扰动，为质量相关故障。
上述进一步方案的有益效果为：构造了反映动态过程整体状态的控制限，并设计了故障检测逻辑，可以有效实现装备测试在动态过程中测试样本的实时监测。
综上，本发明的有益效果为：本发明有效提出了武器装备系统的过程变量与关键性能指标的动态特征。具有良好的过程监测性能以及更加优异的质量相关故障检测率和更低的误报率。且根据武器装备系统运行过程中的传感数据，即可判断出其发生故障的类型和严重程度。为大型武器装备的故障监测提供理论依据和技术支撑，从而节约经费开支，避免不必要的经济损失，有很好的工程应用价值。
附图说明
图1为一种基于正交子块投影的武器装备系统的故障诊断方法的流程图；
图2为质量相关故障IDV(8)的故障检测结果；
图3为质量无关故障IDV(3)的故障检测结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于正交子块投影的武器装备系统的故障诊断方法，包括以下步骤：
S1、采集武器装备系统的传感数据，并对传感数据依次进行线性标准化和数据动态扩展处理，得到输入动态时滞矩阵和输出数据矩阵；
步骤S1中武器装备系统的传感数据包括：电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据，其中，电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X，伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
监测武器装备系统的对应类型故障，即可采集对应类型故障的过程数据，得到输入数据集X，将监测武器装备系统输出的能反应对应故障的输出数据作为输出数据集Y，例如电压电流增大时，伺服机构转速会提高，那么电压电流数据为过程数据，即输入数据，伺服机构转速作为关键性指标数据，即输出数据，建立正常情况下输入数据与输出数据的对应关系，可用于监测系统的运行情况。
步骤S1中对传感数据进行线性标准化的公式为：
Figure BDA0003369850960000101
Figure BDA0003369850960000102
其中，
Figure BDA0003369850960000103
为标准化处理后的输入数据集X的第
Figure BDA0003369850960000104
个传感器的第i次采样数据，
Figure BDA0003369850960000105
为输入数据集X的第
Figure BDA0003369850960000106
个传感器的第i次采样数据，n为总的采样次数，
Figure BDA0003369850960000107
为标准化处理后的输出数据集Y的第s个传感器的第i次采样数据，ys,i为输出数据集Y的第s个传感器的第i次采样数据，标准化处理后的
Figure BDA0003369850960000111
构成标准化输入数据集
Figure BDA0003369850960000112
m为采集输入数据集X的传感器数量，标准化处理后的
Figure BDA0003369850960000113
构成标准化输出数据集
Figure BDA0003369850960000114
p为采集输出数据集Y的传感器数量。
步骤S1中对标准化输入数据集X*和标准化输出数据集Y*进行数据动态扩展处理，得到输入动态时滞矩阵Xg和输出数据矩阵
Figure BDA0003369850960000115
Figure BDA0003369850960000116
其中，
Figure BDA0003369850960000117
为第j个输入时滞矩阵，
Figure BDA0003369850960000118
由标准化输入数据集X*中第j个采样数据到第j+n-q个采样数据组成，q为q个时延块，
Figure BDA0003369850960000119
Figure BDA00033698509600001110
Figure BDA00033698509600001111
为标准化输入数据集X*对应的第i个采样数据，
Figure BDA00033698509600001112
包含m个变量，取与
Figure BDA00033698509600001113
对应的
Figure BDA00033698509600001114
Figure BDA00033698509600001115
Figure BDA00033698509600001116
由标准化输出数据集Y*中第q个采样数据到第n个采样数据组成。
S2、根据输入动态时滞矩阵和输出数据矩阵，构建潜结构动态模型；
所述步骤S2中的原理如下：
A1、考虑动态过程中当前数据受历史数据的影响，建立输入数据与输出数据潜变量的目标函数：
Figure BDA00033698509600001117
约束：||w||＝||ξ||＝1，β1 2+…+βq 2＝1
其中，w为标准化输入数据集X*的输入投影矩阵，
Figure BDA00033698509600001118
为第1个输入时滞矩阵，β1、…、βj、…、βq为对应
Figure BDA00033698509600001119
至
Figure BDA00033698509600001120
的权重系数，ξ为
Figure BDA00033698509600001121
的输出投影矩阵；
A2、将目标函数简化：
Figure BDA00033698509600001122
约束：||w||＝||ξ||＝||β||＝1
其中，
Figure BDA0003369850960000121
为直积运算，β为时滞矩阵的权重矩阵，
Figure BDA0003369850960000122
Figure BDA0003369850960000123
A3、采用拉格朗日算子求解A2的函数：
Figure BDA0003369850960000124
其中，λw为拉格朗日算子中w约束的系数，λc为拉格朗日算子中ξ约束的系数，λβ为拉格朗日算子中β约束的系数；
A4、分别对步骤A3中的β、w和ξ求偏导：
Figure BDA0003369850960000125
Figure BDA0003369850960000126
Figure BDA0003369850960000127
其中，I为单位矩阵；
A5、将式(8)分别带入式(6)和式(7)，得动态外模型：
Figure BDA0003369850960000128
Figure BDA0003369850960000129
A6、根据
Figure BDA00033698509600001210
(10)和(9)有如下关系式：
Swβ＝λβλcβ (11)
Sβw＝λwλcw (12)
Figure BDA00033698509600001211
Figure BDA00033698509600001212
Figure BDA00033698509600001213
其中，Sw为公式(11)的中间变量，Sβ为公式(12)的中间变量，S为Xg和
Figure BDA00033698509600001214
的协方差矩阵，≡为恒等号；
A7、根据(11)计算得到β，根据计算的β，通过(12)得到w，通过w计算输入数据与输出数据潜变量：
t＝X*w (16)
Figure BDA0003369850960000131
其中，t为输入潜变量矩阵，t＝[t1,…,tj,…,tq]，tj为第j个输入潜变量，
Figure BDA0003369850960000132
X*为标准化输入数据集，uq为第q个输出潜变量；
A8、构建输入潜变量和输出潜变量的关系式，即动态内模型：
uq＝θ1t(1)+θ2t(2)+…+θqt(q)+r (18)
其中，θ1、…、θq为输入潜变量t1到tq的权重系数，r为输入潜变量预测输出潜变量的残差，上式表明动态内模型为由时滞的输入潜变量ti来估计输出潜变量uq，t(1)、…、t(q)为q个时滞矩阵
Figure BDA0003369850960000133
的潜变量。为从历史输入潜变量中估计当前时刻输出潜变量，输出潜变量的估计值为：
Figure BDA0003369850960000134
其中，
Figure BDA0003369850960000135
为
Figure BDA0003369850960000136
的输出潜变量估计值，
Figure BDA0003369850960000137
为第j个输入潜变量tj的系数，
Figure BDA0003369850960000138
Figure BDA0003369850960000139
Figure BDA00033698509600001310
为时滞输入潜变量的系数向量，
Figure BDA00033698509600001311
可以通过最小二乘估计求解
Figure BDA00033698509600001312
uq为第q个时刻(当前时刻)的输出潜变量，Tq为q个时滞输入潜变量组成的时滞潜变量矩阵，Tq＝[tq,…,t1]，tq,…,t1为q个时滞矩阵
Figure BDA00033698509600001313
的潜变量；
A9、式(19)可以被估计为：
Figure BDA00033698509600001314
所述步骤S2包括以下分步骤：
S201、初始化
Figure BDA00033698509600001315
输入投影矩阵w＝[1,0,…,0]T；
S202、对公式(11)进行特征分解，得到权重系数
Figure BDA00033698509600001316
Swβ＝λβλcβ (11)
Sβw＝λwλcw (12)
Figure BDA0003369850960000141
Figure BDA0003369850960000142
Figure BDA0003369850960000143
其中，Sw为公式(11)的中间变量，Sβ为公式(12)的中间变量，S为Xg和
Figure BDA0003369850960000144
的协方差矩阵，≡为恒等号，λw，λc和λβ为拉格朗日乘数法的系数，
Figure BDA0003369850960000145
为直积运算，
Figure BDA00033698509600001411
为第
Figure BDA00033698509600001413
次迭代的权重系数，
Figure BDA00033698509600001412
为时滞矩阵
Figure BDA0003369850960000146
的权重矩阵，
Figure BDA00033698509600001414
为时滞矩阵的权重矩阵
Figure BDA00033698509600001415
的元素，Xg为输入动态时滞矩阵，I为单位矩阵；
S203、根据时滞矩阵的权重系数
Figure BDA00033698509600001416
对公式(12)进行特征分解，得到输入投影向量
Figure BDA00033698509600001417
S204、判断输入投影向量
Figure BDA00033698509600001418
是否收敛，若是，则跳转至步骤S205，若否，则跳转至步骤S202，并将当前的输入投影向量
Figure BDA00033698509600001419
带入步骤S202中；
S205、根据收敛的输入投影向量
Figure BDA00033698509600001420
计算各时滞矩阵的得分向量，得到输入时延得分矩阵
Figure BDA00033698509600001421
步骤S205中得到输入时延得分矩阵
Figure BDA00033698509600001422
Figure BDA0003369850960000147
Figure BDA0003369850960000148
其中，
Figure BDA0003369850960000149
为第
Figure BDA00033698509600001423
次迭代第j个时滞矩阵，
Figure BDA00033698509600001424
为第
Figure BDA00033698509600001425
次迭代第j个时滞矩阵的潜变量，
Figure BDA00033698509600001426
为第
Figure BDA00033698509600001427
次迭代的输入时延得分矩阵。
S206、根据输入时延得分矩阵
Figure BDA00033698509600001428
计算输出投影向量：
Figure BDA00033698509600001410
其中，
Figure BDA00033698509600001533
为第
Figure BDA00033698509600001534
次迭代的输出投影向量，
Figure BDA0003369850960000151
为第
Figure BDA00033698509600001535
次迭代的输出数据矩阵，
Figure BDA0003369850960000152
为输出数据矩阵
Figure BDA0003369850960000153
Figure BDA00033698509600001537
为第
Figure BDA00033698509600001538
次迭代第j个时滞矩阵
Figure BDA0003369850960000154
的权重系数，
Figure BDA00033698509600001536
为第
Figure BDA00033698509600001539
次迭代中第j个时滞矩阵
Figure BDA0003369850960000155
的潜变量；
S207、根据输出投影向量
Figure BDA00033698509600001540
计算输出得分向量：
Figure BDA0003369850960000156
其中，
Figure BDA0003369850960000157
为第
Figure BDA00033698509600001543
次迭代的输出得分向量，
Figure BDA00033698509600001541
为第
Figure BDA00033698509600001542
次迭代的输入时延得分矩阵；
S208、根据输入时延得分矩阵
Figure BDA00033698509600001544
和输出得分向量
Figure BDA0003369850960000158
对标准化输入数据集X*、输出数据矩阵
Figure BDA0003369850960000159
和输入动态时滞矩阵Xg进行更新；
步骤S208中对标准化输入数据集X*、输出数据矩阵
Figure BDA00033698509600001510
和输入动态时滞矩阵Xg进行更新的公式为：
Figure BDA00033698509600001511
Figure BDA00033698509600001512
Figure BDA00033698509600001513
Figure BDA00033698509600001514
Figure BDA00033698509600001515
其中，
Figure BDA00033698509600001516
为第
Figure BDA00033698509600001546
迭代的标准化输入数据集，在
Figure BDA00033698509600001545
时，
Figure BDA00033698509600001517
为X*，
Figure BDA00033698509600001518
为第
Figure BDA00033698509600001547
次迭代第j个时滞矩阵，
Figure BDA00033698509600001519
为
Figure BDA00033698509600001520
Figure BDA00033698509600001521
为
Figure BDA00033698509600001522
Figure BDA00033698509600001523
为
Figure BDA00033698509600001524
Figure BDA00033698509600001548
为
Figure BDA00033698509600001525
的潜变量，
Figure BDA00033698509600001551
为
Figure BDA00033698509600001526
的潜变量，
Figure BDA00033698509600001527
为第
Figure BDA00033698509600001550
次迭代第j个时滞矩阵，
Figure BDA00033698509600001528
为第
Figure BDA00033698509600001549
次迭代的输出数据矩阵，在
Figure BDA00033698509600001552
时，Yq,1为
Figure BDA00033698509600001529
Figure BDA00033698509600001530
为第
Figure BDA00033698509600001553
次更新的标准化输入数据集X*，
Figure BDA00033698509600001556
为第
Figure BDA00033698509600001557
次更新的输入动态时滞矩阵Xg，
Figure BDA00033698509600001554
为第
Figure BDA00033698509600001555
次更新的输出数据矩阵
Figure BDA00033698509600001531
Figure BDA00033698509600001558
为第
Figure BDA00033698509600001559
次迭代的负载向量，
Figure BDA00033698509600001532
为第
Figure BDA00033698509600001560
次迭代的输出得分向量。
S209、判断
Figure BDA00033698509600001561
是否等于迭代阈值A，若是，则得到潜结构动态模型，若否，则
Figure BDA00033698509600001625
自加1，跳转至步骤S202，并将更新后的标准化输入数据集X*、输出数据矩阵
Figure BDA0003369850960000161
和输入动态时滞矩阵Xg带入循环中。
步骤S209中潜结构动态模型为：
Figure BDA0003369850960000162
Figure BDA0003369850960000163
Figure BDA0003369850960000164
其中，X*″为上述循环最终得到的标准化输入数据集，z-1为单位时滞算子，
Figure BDA0003369850960000165
为上述循环最终得到的
Figure BDA0003369850960000166
M为输入时延得分矩阵集合，
Figure BDA00033698509600001626
Figure BDA00033698509600001627
P为负载矩阵，
Figure BDA00033698509600001629
为第
Figure BDA00033698509600001628
次迭代的负载向量，
Figure BDA0003369850960000167
为
Figure BDA0003369850960000168
的残差，
Figure BDA0003369850960000169
为X*的残差，
Figure BDA00033698509600001610
Figure BDA00033698509600001611
为第
Figure BDA00033698509600001630
次迭代的输出总得分，D1(z-1)至DA(z-1)为第1次迭代到第A次迭代的q个时滞时刻，
Figure BDA00033698509600001612
为时滞的变量。
S3、根据潜结构动态模型，计算历史数据统计量；
步骤S3包括以下分步骤：
S301、将潜结构动态模型进一步改写：
Figure BDA00033698509600001613
Figure BDA00033698509600001614
其中，Rj为标准化输入数据集
Figure BDA00033698509600001615
的系数矩阵，
Figure BDA00033698509600001616
为X*的残差，Rj,1、…、Rj,A为系数矩阵Rj的元素，θj为动态内模型中的权重系数，
Figure BDA00033698509600001617
为
Figure BDA00033698509600001618
的残差，W为收敛的输入投影向量，
Figure BDA00033698509600001619
为第j个时滞矩阵；
S302、令
Figure BDA00033698509600001620
Yq可以被计算为：
Figure BDA00033698509600001621
其中，
Figure BDA00033698509600001622
为第j个时滞矩阵，Nj为
Figure BDA00033698509600001623
与每个时滞矩阵
Figure BDA00033698509600001624
的系数矩阵；
S303、将
Figure BDA0003369850960000171
看作第j个输出时滞矩阵
Figure BDA0003369850960000172
的估计值
Figure BDA0003369850960000173
对NjNj T进行奇异值分解：
Figure BDA0003369850960000174
其中，
Figure BDA0003369850960000175
为非零特征值ΛM,j对应的特征向量，
Figure BDA0003369850960000176
为零值特征值对应的特征向量，
Figure BDA0003369850960000177
为由标准化输出数据集Y*中第j个采样数据到第n-q+j个采样数据组成；
S304、根据零值特征值对应的特征向量
Figure BDA0003369850960000178
和非零特征值ΛM,j对应的特征向量
Figure BDA0003369850960000179
将第s时刻的采样数据xs投影到正交质量相关空间，得到采样数据xs对应的潜变量
Figure BDA00033698509600001710
Figure BDA00033698509600001711
其中，
Figure BDA00033698509600001712
为第s个非零特征值ΛM,s对应的特征向量，
Figure BDA00033698509600001713
为第s个零值特征值对应的特征向量；
S305、建立采样数据xs对应的潜变量
Figure BDA00033698509600001714
的变量自回归模型：
Figure BDA00033698509600001715
其中，
Figure BDA00033698509600001716
为历史时刻潜变量
Figure BDA00033698509600001717
至
Figure BDA00033698509600001718
的权重系数，vs为s时刻静态质量相关潜变量；
S306、根据变量自回归模型，得到s时刻静态质量相关潜变量vs，
Figure BDA00033698509600001719
其中，
Figure BDA00033698509600001720
为
Figure BDA00033698509600001725
时刻潜变量；
S307、根据s时刻静态质量相关潜变量vs，计算历史数据统计量
Figure BDA00033698509600001721
Figure BDA00033698509600001722
其中，
Figure BDA00033698509600001723
为历史数据统计量，
Figure BDA00033698509600001724
为参数矩阵，通过历史数据训练得到，
Figure BDA00033698509600001726
为
Figure BDA00033698509600001727
时刻的静态质量相关潜变量，
Figure BDA00033698509600001728
S4、采集待测武器装备系统的传感数据，得到待测传感数据，根据历史数据统计量对待测传感数据进行故障监测。
所述步骤S4包括以下分步骤：
S401、根据历史数据统计量
Figure BDA0003369850960000181
计算控制限：
Figure BDA0003369850960000182
其中，
Figure BDA0003369850960000183
为控制限，g＝b/2a，h＝2a2/b，a为统计量
Figure BDA0003369850960000184
的均值，b为统计量
Figure BDA0003369850960000185
的方差，
Figure BDA0003369850960000186
为卡方分布，g为控制限系数，h为卡方分布的自由度；
S402、采集武器装备系统的传感数据，构建待测数据集，将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影，得到待测数据的静态潜变量：
Figure BDA0003369850960000187
其中，xnew,s为待测数据集中第s个待测数据，
Figure BDA0003369850960000188
为第s个非零特征值ΛM,s对应的特征向量，
Figure BDA0003369850960000189
为第
Figure BDA00033698509600001814
个待测数据
Figure BDA00033698509600001815
对应的潜变量，vnew,s为第s个待测数据的静态潜变量；
S403、根据待测数据的静态潜变量vnew,s，计算待测数据统计量：
Figure BDA00033698509600001810
其中，
Figure BDA00033698509600001811
为第s个待测数据的统计量；
S404、判断待测数据的统计量
Figure BDA00033698509600001812
是否小于等于控制限
Figure BDA00033698509600001813
若是，则待测武器装备系统的待测数据为正常数据，不存在造成系统运行出错的扰动，待测武器装备系统运行正常，为质量无关故障，若否，待测武器装备系统的待测数据为非正常数据，存在造成系统运行出错的扰动，为质量相关故障。
为验证大型复杂装备的动态过程异常监测，过田纳西-伊斯曼(TEP)实验中采集的数据来进行验证。考虑到大型复杂装备系统是多指标、高维度、大样本、存在过程变量和关键性能指标等特点，与TEP类似，因此采用TEP来验证所提方法的有效性。TEP是由伊士曼化工公司Downs和Vogel于1993年开发的一个小型工业流程，整个流程由五个操作单元组成，包括化学反应器、冷凝器、压缩机、汽/液分离器和分离器。
TEP含有八种成分：A，B，C，D，E，F，G和H，其中，气态物质A，C，D和E以及惰性物质B是反应物，G和H是反应产物，F是反应副产物。
TEP共生成22个数据集用于过程监控和故障诊断，包括1个正常数据和8个质量相关故障训练集和4个质量无关故障训练集。在训练集中，正常数据集包含480个样本，用于建立训练模型和计算控制限，故障数据集包含480个故障样本，用于建立故障库；在测试集中，每个测试数据集包含960个样本，前160个为正常样本，后面800个为故障样本，用于实验验证。每个输入样本分别包括33个变量，测试样本为3个变量。故障类型IDV(1,2,6,8,12-14)被认定是质量相关故障数据，IDV(3,4,9,15)被认定是质量无关故障数据。
表1质量相关故障检测
Figure BDA0003369850960000191
表1展示了8种质量相关故障的检测情况，由检测率可以看出，本发明的方法针对动态的复杂过程具有良好的监测性能，检测率基本均大于90％。给出故障IDV(8)具体检测结果如图2所示。在IDV(8)中，前160个被检测均为正常样本，都处于控制限下；后800个故障样本也基本得到有效报警。
表2质量无关故障检测结果
Figure BDA0003369850960000201
表2显示了4类质量无关故障的检测情况。在这些故障中，过程变量发生了故障，但是因为是质量无关的，所以不会引起关键性能指标的故障。因此在对关键性能指标的检测中，不应对该类故障进行报警，若报警，则为误报警。由表3可知，4类质量无关故障误报率均在10％之内，特别故障IDV(3,9,15)的误报率在5％左右。给出故障IDV(3)的具体检测结果如图3所示。在图3中，统计量只存在少量的误报警，具有良好的检测性能。

Claims (10)

1.一种基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，包括以下步骤：
S1、采集武器装备系统的传感数据，并对传感数据依次进行线性标准化和数据动态扩展处理，得到输入动态时滞矩阵和输出数据矩阵；
S2、根据输入动态时滞矩阵和输出数据矩阵，构建潜结构动态模型；
S3、根据潜结构动态模型，计算历史数据统计量；
S4、采集待测武器装备系统的传感数据，得到待测传感数据，根据历史数据统计量对待测传感数据进行故障监测。
2.根据权利要求1所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S1中武器装备系统的传感数据包括：电压电流数据、气压液压数据、压力数据、振动数据、温度数据、伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据，其中，电压电流数据、气压液压数据、压力数据、振动数据和温度数据作为输入数据集X，伺服机构速率数据、伺服机构转速数据和伺服机构反馈电压数据作为输出数据集Y。
3.根据权利要求1所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S1中对传感数据进行线性标准化的公式为：
Figure FDA0003369850950000011
Figure FDA0003369850950000012
其中，
Figure FDA0003369850950000013
为标准化处理后的输入数据集X的第
Figure FDA0003369850950000014
个传感器的第i次采样数据，
Figure FDA0003369850950000015
为输入数据集X的第
Figure FDA0003369850950000016
个传感器的第i次采样数据，n为总的采样次数，
Figure FDA0003369850950000017
为标准化处理后的输出数据集Y的第s个传感器的第i次采样数据，ys,i为输出数据集Y的第s个传感器的第i次采样数据，标准化处理后的
Figure FDA0003369850950000018
构成标准化输入数据集
Figure FDA0003369850950000021
m为采集输入数据集X的传感器数量，标准化处理后的
Figure FDA0003369850950000022
构成标准化输出数据集
Figure FDA0003369850950000023
p为采集输出数据集Y的传感器数量。
4.根据权利要求3所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S1中对标准化输入数据集X*进行数据动态扩展处理，得到输入动态时滞矩阵Xg，并提取标准化输出数据集Y*中采样数据，得到输出数据矩阵
Figure FDA0003369850950000024
Figure FDA0003369850950000025
其中，
Figure FDA0003369850950000026
为第j个时滞矩阵，
Figure FDA0003369850950000027
由标准化输入数据集X*中第j个采样数据到第j+n-q个采样数据组成，q为q个时延块，
Figure FDA0003369850950000028
Figure FDA0003369850950000029
Figure FDA00033698509500000210
为标准化输入数据集X*对应的第j个采样数据，
Figure FDA00033698509500000211
包含m个变量，
Figure FDA00033698509500000212
Figure FDA00033698509500000213
由标准化输出数据集Y*中第q个采样数据到第n个采样数据组成。
5.根据权利要求4所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S2包括以下分步骤：
S201、初始化i＝1，输入投影矩阵w＝[1,0,…,0]T；
S202、对公式(11)进行特征分解，得到权重系数βi；
Swβ＝λβλcβ (11)
Sβw＝λwλcw (12)
Figure FDA00033698509500000214
Figure FDA00033698509500000215
Figure FDA00033698509500000216
其中，Sw为公式(11)的中间变量，Sβ为公式(12)的中间变量，S为Xg和
Figure FDA00033698509500000217
的协方差矩阵，≡为恒等号，λw，λc和λβ为拉格朗日乘数法的系数，
Figure FDA00033698509500000218
为直积运算，
Figure FDA0003369850950000031
为第
Figure FDA00033698509500000338
次迭代的权重系数，
Figure FDA0003369850950000032
为时滞矩阵
Figure FDA0003369850950000033
的权重矩阵，
Figure FDA0003369850950000034
为时滞矩阵的权重矩阵
Figure FDA0003369850950000035
的元素，Xg为输入动态时滞矩阵，I为单位矩阵；
S203、根据时滞矩阵的权重系数
Figure FDA0003369850950000036
对公式(12)进行特征分解，得到输入投影向量
Figure FDA0003369850950000037
S204、判断输入投影向量
Figure FDA0003369850950000038
是否收敛，若是，则跳转至步骤S205，若否，则跳转至步骤S202，并将当前的输入投影向量
Figure FDA0003369850950000039
带入步骤S202中；
S205、根据收敛的输入投影向量
Figure FDA00033698509500000310
计算各时滞矩阵的得分向量，得到输入时延得分矩阵
Figure FDA00033698509500000311
S206、根据输入时延得分矩阵
Figure FDA00033698509500000312
计算输出投影向量：
Figure FDA00033698509500000313
其中，
Figure FDA00033698509500000314
为第
Figure FDA00033698509500000315
次迭代的输出投影向量，
Figure FDA00033698509500000316
为第
Figure FDA00033698509500000317
次迭代的输出数据矩阵，
Figure FDA00033698509500000318
为输出数据矩阵
Figure FDA00033698509500000319
Figure FDA00033698509500000320
为第
Figure FDA00033698509500000321
次迭代第j个时滞矩阵
Figure FDA00033698509500000322
的权重系数，
Figure FDA00033698509500000323
为第
Figure FDA00033698509500000324
次迭代中第j个时滞矩阵
Figure FDA00033698509500000325
的潜变量；
S207、根据输出投影向量
Figure FDA00033698509500000326
计算输出得分向量：
Figure FDA00033698509500000327
其中，
Figure FDA00033698509500000328
为第
Figure FDA00033698509500000329
次迭代的输出得分向量，
Figure FDA00033698509500000330
为第
Figure FDA00033698509500000331
次迭代的输入时延得分矩阵；
S208、根据输入时延得分矩阵
Figure FDA00033698509500000332
和输出得分向量
Figure FDA00033698509500000333
对标准化输入数据集X*、输出数据矩阵
Figure FDA00033698509500000334
和输入动态时滞矩阵Xg进行更新；
S209、判断
Figure FDA00033698509500000335
是否等于迭代阈值A，若是，则得到潜结构动态模型，若否，则
Figure FDA00033698509500000336
自加1，跳转至步骤S202，并将更新后的标准化输入数据集X*、输出数据矩阵
Figure FDA00033698509500000337
和输入动态时滞矩阵Xg带入循环中。
6.根据权利要求5所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S205中得到输入时延得分矩阵
Figure FDA0003369850950000041
Figure FDA0003369850950000042
Figure FDA0003369850950000043
其中，
Figure FDA0003369850950000044
为第
Figure FDA0003369850950000045
次迭代第j个时滞矩阵，
Figure FDA0003369850950000046
为第
Figure FDA0003369850950000047
次迭代第j个时滞矩阵的潜变量，
Figure FDA0003369850950000048
为第
Figure FDA0003369850950000049
次迭代的输入时延得分矩阵。
7.根据权利要求5所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S208中对标准化输入数据集X*、输出数据矩阵
Figure FDA00033698509500000410
和输入动态时滞矩阵Xg进行更新的公式为：
Figure FDA00033698509500000411
Figure FDA00033698509500000412
Figure FDA00033698509500000413
Figure FDA00033698509500000414
Figure FDA00033698509500000415
其中，
Figure FDA00033698509500000416
为第
Figure FDA00033698509500000417
迭代的标准化输入数据集，在
Figure FDA00033698509500000418
时，
Figure FDA00033698509500000419
为X*，
Figure FDA00033698509500000420
为第
Figure FDA00033698509500000421
次迭代第j个时滞矩阵，
Figure FDA00033698509500000422
为
Figure FDA00033698509500000423
Figure FDA00033698509500000424
为
Figure FDA00033698509500000425
Figure FDA00033698509500000426
为
Figure FDA00033698509500000427
Figure FDA00033698509500000428
为
Figure FDA00033698509500000429
的潜变量，
Figure FDA00033698509500000430
为
Figure FDA00033698509500000431
的潜变量，
Figure FDA00033698509500000432
为第
Figure FDA00033698509500000433
次迭代第j个时滞矩阵，
Figure FDA00033698509500000434
为第
Figure FDA00033698509500000435
次迭代的输出数据矩阵，在
Figure FDA00033698509500000436
时，Yq,1为
Figure FDA00033698509500000437
Figure FDA00033698509500000438
为第
Figure FDA00033698509500000439
次更新的标准化输入数据集X*，
Figure FDA00033698509500000440
为第
Figure FDA00033698509500000441
次更新的输入动态时滞矩阵Xg，
Figure FDA00033698509500000442
为第
Figure FDA00033698509500000443
次更新的输出数据矩阵
Figure FDA00033698509500000444
Figure FDA00033698509500000445
为第
Figure FDA00033698509500000446
次迭代的负载向量，
Figure FDA00033698509500000447
为第
Figure FDA00033698509500000448
次迭代的输出得分向量。
8.根据权利要求5所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S209中潜结构动态模型为：
Figure FDA00033698509500000449
Figure FDA0003369850950000051
Figure FDA0003369850950000052
其中，X*″为上述循环最终得到的标准化输入数据集，z-1为单位时滞算子，
Figure FDA0003369850950000053
为上述循环最终得到的
Figure FDA0003369850950000054
M为输入时延得分矩阵集合，
Figure FDA0003369850950000055
Figure FDA0003369850950000056
P为负载矩阵，
Figure FDA0003369850950000057
为第
Figure FDA0003369850950000058
次迭代的负载向量，
Figure FDA0003369850950000059
为
Figure FDA00033698509500000510
的残差，
Figure FDA00033698509500000511
为X*的残差，
Figure FDA00033698509500000512
Figure FDA00033698509500000513
为第
Figure FDA00033698509500000514
次迭代的输出总得分，D1(z-1)至DA(z-1)为第1次迭代到第A次迭代的q个时滞时刻，
Figure FDA00033698509500000515
为时滞的变量。
9.根据权利要求8所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S3包括以下分步骤：
S301、将潜结构动态模型进一步改写：
Figure FDA00033698509500000516
Figure FDA00033698509500000517
其中，Rj为标准化输入数据集
Figure FDA00033698509500000518
的系数矩阵，
Figure FDA00033698509500000519
为X*的残差，Rj,1、…、Rj,A为系数矩阵Rj的元素，θj为动态内模型中的权重系数，
Figure FDA00033698509500000520
为
Figure FDA00033698509500000521
的残差，W为收敛的输入投影向量，
Figure FDA00033698509500000522
为第j个时滞矩阵；
S302、令
Figure FDA00033698509500000523
Yq可以被计算为：
Figure FDA00033698509500000524
其中，
Figure FDA00033698509500000525
为第j个时滞矩阵，Nj为
Figure FDA00033698509500000526
与每个时滞矩阵
Figure FDA00033698509500000527
的系数矩阵；
S303、将
Figure FDA00033698509500000528
看作第j个输出时滞矩阵
Figure FDA00033698509500000529
的估计值
Figure FDA00033698509500000530
对NJNj T进行奇异值分解：
Figure FDA00033698509500000531
其中，
Figure FDA0003369850950000061
为非零特征值ΛM,j对应的特征向量，
Figure FDA0003369850950000062
为零值特征值对应的特征向量，
Figure FDA0003369850950000063
为由标准化输出数据集Y*中第j个采样数据到第n-q+j个采样数据组成；
S304、根据零值特征值对应的特征向量
Figure FDA0003369850950000064
和非零特征值ΛM,j对应的特征向量
Figure FDA0003369850950000065
将第s时刻的采样数据xs投影到正交质量相关空间，得到采样数据xs对应的潜变量
Figure FDA0003369850950000066
Figure FDA0003369850950000067
其中，
Figure FDA0003369850950000068
为第s个非零特征值ΛM,s对应的特征向量，
Figure FDA0003369850950000069
为第s个零值特征值对应的特征向量；
S305、建立采样数据xs对应的潜变量
Figure FDA00033698509500000610
的变量自回归模型：
Figure FDA00033698509500000611
其中，
Figure FDA00033698509500000612
为历史时刻潜变量
Figure FDA00033698509500000613
至
Figure FDA00033698509500000614
的权重系数，vs为s时刻静态质量相关潜变量；
S306、根据变量自回归模型，得到s时刻静态质量相关潜变量vs，
Figure FDA00033698509500000615
其中，
Figure FDA00033698509500000616
为l时刻潜变量；
S307、根据s时刻静态质量相关潜变量vs，计算历史数据统计量
Figure FDA00033698509500000617
Figure FDA00033698509500000618
其中，
Figure FDA00033698509500000619
为历史数据统计量，
Figure FDA00033698509500000620
为参数矩阵，通过历史数据训练得到，vl为l时刻的静态质量相关潜变量，0≤l≤s。
10.根据权利要求9所述的基于正交子块投影的武器装备系统的故障诊断方法，其特征在于，所述步骤S4包括以下分步骤：
S401、根据历史数据统计量
Figure FDA00033698509500000621
计算控制限：
Figure FDA0003369850950000071
其中，
Figure FDA0003369850950000072
为控制限，g＝b/2a，h＝2a2/b，a为统计量
Figure FDA0003369850950000073
的均值，b为统计量
Figure FDA0003369850950000074
的方差，
Figure FDA0003369850950000075
为卡方分布，g为控制限系数，h为卡方分布的自由度；
S402、采集武器装备系统的传感数据，构建待测数据集，将待测数据集中每一项待测数据沿正交质量相关投影矩阵投影，得到待测数据的静态潜变量：
Figure FDA0003369850950000076
其中，xnew,s为待测数据集中第s个待测数据，
Figure FDA0003369850950000077
为第s个非零特征值ΛM,s对应的特征向量，
Figure FDA0003369850950000078
为第θ个待测数据xnew,l对应的潜变量，vnew,s为第s个待测数据的静态潜变量；
S403、根据待测数据的静态潜变量vnew,s，计算待测数据统计量：
Figure FDA0003369850950000079
其中，
Figure FDA00033698509500000710
为第s个待测数据的统计量；
S404、判断待测数据的统计量
Figure FDA00033698509500000711
是否小于等于控制限
Figure FDA00033698509500000712
若是，则待测武器装备系统的待测数据为正常数据，不存在造成系统运行出错的扰动，待测武器装备系统运行正常，为质量无关故障，若否，待测武器装备系统的待测数据为非正常数据，存在造成系统运行出错的扰动，为质量相关故障。
CN202111395543.4A 2021-11-23 2021-11-23 一种基于正交子块投影的武器装备系统的故障诊断方法 Active CN114112374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395543.4A CN114112374B (zh) 2021-11-23 2021-11-23 一种基于正交子块投影的武器装备系统的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395543.4A CN114112374B (zh) 2021-11-23 2021-11-23 一种基于正交子块投影的武器装备系统的故障诊断方法

Publications (2)

Publication Number Publication Date
CN114112374A true CN114112374A (zh) 2022-03-01
CN114112374B CN114112374B (zh) 2024-07-09

Family

ID=80439973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395543.4A Active CN114112374B (zh) 2021-11-23 2021-11-23 一种基于正交子块投影的武器装备系统的故障诊断方法

Country Status (1)

Country Link
CN (1) CN114112374B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120316835A1 (en) * 2010-01-14 2012-12-13 Shunji Maeda Anomaly detection method and anomaly detection system
US20180039865A1 (en) * 2015-08-07 2018-02-08 Hefei University Of Technology Analog circuit fault mode classification method
CN111913475A (zh) * 2020-08-07 2020-11-10 清华大学 动态系统中故障检测方法、检测器以及存储介质
CN112611936A (zh) * 2020-11-27 2021-04-06 云南大学 一种基于边缘计算的配网变压器故障动态检测与分类系统
CN113076211A (zh) * 2021-03-29 2021-07-06 中国人民解放军火箭军工程大学 一种基于故障重构的质量相关故障诊断及误报警反馈方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120316835A1 (en) * 2010-01-14 2012-12-13 Shunji Maeda Anomaly detection method and anomaly detection system
US20180039865A1 (en) * 2015-08-07 2018-02-08 Hefei University Of Technology Analog circuit fault mode classification method
CN111913475A (zh) * 2020-08-07 2020-11-10 清华大学 动态系统中故障检测方法、检测器以及存储介质
CN112611936A (zh) * 2020-11-27 2021-04-06 云南大学 一种基于边缘计算的配网变压器故障动态检测与分类系统
CN113076211A (zh) * 2021-03-29 2021-07-06 中国人民解放军火箭军工程大学 一种基于故障重构的质量相关故障诊断及误报警反馈方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔祥玉;解建;罗家宇;杜柏阳;李强: "基于局部信息增量与MPLS的质量相关故障检测方法", 《控制与决策》, 31 July 2021 (2021-07-31) *

Also Published As

Publication number Publication date
CN114112374B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN108803520B (zh) 一种基于变量非线性自相关性剔除的动态过程监测方法
CN104714537B (zh) 一种基于联合相对变化分析和自回归模型的故障预测方法
Volponi et al. The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study
CN108508865B (zh) 一种基于分散式osc-pls回归模型的故障检测方法
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
CN114936520B (zh) 基于改进mset的汽轮机故障预警分析方法
CN110942258B (zh) 一种性能驱动的工业过程异常监测方法
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN113703422B (zh) 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法
Yao et al. Fault diagnosis based on RseNet-LSTM for industrial process
CN113076211B (zh) 一种基于故障重构的质量相关故障诊断及误报警反馈方法
Dong et al. Dynamic-inner canonical correlation analysis based process monitoring
CN114112374B (zh) 一种基于正交子块投影的武器装备系统的故障诊断方法
Uchida et al. Process fault diagnosis method based on MSPC and LiNGAM and its application to Tennessee Eastman process
Ma et al. Process monitoring of the pneumatic control valve using canonical variate analysis
CN114034332B (zh) 一种用于武器装备系统的故障监测方法
Huang et al. A fault detection method based on stacking the SAE-SRBM for nonstationary and stationary hybrid processes
CN117556202B (zh) 基于概率相关慢特征分析的工业过程微小故障检测方法
Cao et al. Dynamic latent variable modelling and fault detection of Tennessee Eastman challenge process
Chen et al. Canonical correlation analysis–based fault diagnosis method for dynamic processes
Wang et al. Part mutual information based quality-related component analysis for fault detection
CN112101731B (zh) 一种基于混合核典型相关分析的污水厂在线故障监测方法
CN113465930B (zh) 基于混合方法的燃气轮机多传感器故障检测方法
CN110928263B (zh) 一种预先考虑动态关系的复杂过程的故障检测方法及系统
Yang et al. Chemical process fault detection using modified CVDA with memory mechanism

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