a)是將nRBCi(x t)作為特征量時(shí)，特征值的取值 情況；圖4(b)是將pRBCi(Xt)作為特征量時(shí)，特征值的取值情況;從圖4(b)中可以看出，采用 本發(fā)明提供的故障診斷方法，變量1和變量3的特征量值更趨近于1;而在以重構(gòu)貢獻(xiàn)值為基 礎(chǔ)的方法中，如圖4(a)所示，變量1的特征量值基本在0.7附近。因此，本發(fā)明提供的故障診 斷方法能夠更加明顯地區(qū)分主要故障變量和其他變量。
[0110] 圖5(a)，圖5(b)，圖5(c)分別是貢獻(xiàn)圖方法、基于最大后驗(yàn)概率方法和本發(fā)明提供 的故障診斷方法三種不同方法在實(shí)施例3中的診斷結(jié)果。圖5(a)表明當(dāng)采用貢獻(xiàn)圖方法進(jìn) 行故障診斷時(shí)，很多正常的過(guò)程變量由于過(guò)程變量之間的關(guān)聯(lián)性和"污染效應(yīng)"導(dǎo)致被誤診 斷為故障變量;圖5(b)表明在采用基于最大后驗(yàn)概率方法時(shí)，變量1，變量4和變量44被診斷 為故障變量，其中變量4被誤診斷為導(dǎo)致故障發(fā)生的根源變量;從圖5(c)中可以看出當(dāng)采用 本發(fā)明的故障診斷方法時(shí)，變量1和變量44被診斷為故障變量，和實(shí)際情況相符。
[0111] 圖6(a)，圖6(b)，圖6(c)分別是貢獻(xiàn)圖方法、基于最大后驗(yàn)概率方法和本發(fā)明提供 的故障診斷方法三種不同方法在實(shí)施例4中的診斷結(jié)果。圖6(a)表明當(dāng)采用貢獻(xiàn)圖方法進(jìn) 行故障診斷時(shí)，"污染"效應(yīng)的存在使得結(jié)果出現(xiàn)許多誤判；圖6(b)表明在采用基于最大后 驗(yàn)概率方法時(shí)，變量10，變量19，變量28，變量34和變量47均被診斷為故障變量;從圖6(c)中 可以看出當(dāng)采用本發(fā)明的故障診斷方法時(shí)，變量10,變量28,變量34和變量47被診斷為故障 變量，和實(shí)際情況相符。
[0112]本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以 限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含 在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種工業(yè)過(guò)程故障診斷方法，其特征在于，包括W下步驟： (1) 采集正常工況下的數(shù)據(jù)，組成建模所需的訓(xùn)練樣本集矩陣義G ：?2"1^";其中，111為樣 本個(gè)數(shù)，η為變量個(gè)數(shù)； (2) 對(duì)所述訓(xùn)練樣本集矩陣進(jìn)行歸一化處理； (3) 利用主元分析法對(duì)所述歸一化后的樣本集矩陣進(jìn)行PCA分解，將高維的訓(xùn)練樣本集 矩陣進(jìn)行降維處理，建立監(jiān)測(cè)模型； 獲取監(jiān)測(cè)模型的S陽(yáng)統(tǒng)計(jì)量、SPE統(tǒng)計(jì)量的控制限、Hotelling Τ2統(tǒng)計(jì)量、Hotelling Τ2統(tǒng)計(jì)量的控制限； (4) 采集待檢測(cè)樣本數(shù)據(jù)，對(duì)待測(cè)樣本數(shù)據(jù)進(jìn)行減均值、除標(biāo)準(zhǔn)差的預(yù)處理，獲取待測(cè) 樣本數(shù)據(jù)的S陽(yáng)統(tǒng)計(jì)量W及化telling T2統(tǒng)計(jì)量； 將待測(cè)樣本的SPE統(tǒng)計(jì)量與所述監(jiān)測(cè)模型的SPE統(tǒng)計(jì)量的控制限進(jìn)行比較，將 化telling T2統(tǒng)計(jì)量與所述監(jiān)測(cè)模型的化telling T2統(tǒng)計(jì)量的控制限進(jìn)行比較;根據(jù)比較 結(jié)果判定當(dāng)前時(shí)刻的樣本是否發(fā)生故障； (5) 利用重構(gòu)貢獻(xiàn)方法對(duì)當(dāng)前時(shí)刻的故障樣本進(jìn)行重構(gòu)，得到該時(shí)刻故障樣本每個(gè)過(guò) 程變量的重構(gòu)貢獻(xiàn)值W及重構(gòu)貢獻(xiàn)值的期望值； 根據(jù)每個(gè)過(guò)程變量的重構(gòu)貢獻(xiàn)值和期望值獲得該時(shí)刻故障樣本每個(gè)過(guò)程變量的相對(duì) 重構(gòu)貢獻(xiàn)值，W及每個(gè)過(guò)程變量的特征量； (6) 根據(jù)所述過(guò)程變量的特征量，獲取當(dāng)前時(shí)刻樣本每個(gè)過(guò)程變量在故障模式下的條 件概率密度函數(shù)P(xt|Fi)，與正常模式下的條件概率密度函數(shù)p(xtlNi); (7) 根據(jù)所述故障模式下的條件概率密度函數(shù)與正常模式下的條件概率密度函數(shù)及先 驗(yàn)概率，獲得后驗(yàn)概率，并對(duì)后驗(yàn)概率進(jìn)行限定處理； 根據(jù)限定處理后的后驗(yàn)概率與改進(jìn)后的0-1損失函數(shù)，獲得在故障模式下與正常模式 下的條件風(fēng)險(xiǎn)值;根據(jù)條件風(fēng)險(xiǎn)準(zhǔn)則W及所述條件風(fēng)險(xiǎn)值對(duì)當(dāng)前時(shí)刻樣本的過(guò)程變量進(jìn)行 故障分類(lèi)； (8) 利用后驗(yàn)概率與故障分類(lèi)結(jié)果更新下一時(shí)刻樣本的過(guò)程變量的先驗(yàn)概率； (9) 重復(fù)上述步驟(4)~(8)，直到所有時(shí)刻的待測(cè)樣本故障分類(lèi)完畢，獲得最后一批待 測(cè)樣本的故障診斷結(jié)果。2. 如權(quán)利要求1所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(2)具體為:對(duì)訓(xùn) 練樣本集矩陣X進(jìn)行歸一化處理，使得各個(gè)過(guò)程變量的均值為0、方差為1 ;其中， X e化饋。3. 如權(quán)利要求1或2所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(3)包括如下 子步驟： (3.1)采集正常運(yùn)行下產(chǎn)生的原始高維數(shù)據(jù)，通過(guò)對(duì)其協(xié)方差矩陣進(jìn)行特征值分解，將 樣本空間分為主元空間和殘差空間； 其中，協(xié)方差矩陣主元空間的載 荷矩陣P € 滿(mǎn)差空間的載荷矩陣F ￡ 八=扣曰旨{^，人2，，。，^|是對(duì)角矩陣，人1，人2，。'，人1是與主元對(duì)應(yīng)的特征值，1是選取的主 元個(gè)數(shù)； (3.2) 根據(jù)下式獲取平方預(yù)測(cè)誤差統(tǒng)計(jì)量SPE:利用卡方(X2)分布獲取SPE統(tǒng)計(jì)量的控制限根據(jù)下式獲取HotellingT2統(tǒng)計(jì)量:T2ΞχTpA-lpTχ = χ?χ,化tellingT2統(tǒng)計(jì)量的控制 限戈綜合SPE統(tǒng)計(jì)量與Ho tel ling T2統(tǒng)計(jì)量，采用綜合指標(biāo)學(xué)作為模型統(tǒng)計(jì)量，其中，gSPE = 02^iλι是協(xié)方差矩 陣S的第i個(gè)特征值；其4α為置信 度，狀為自由度； (3.3) 將上述統(tǒng)計(jì)量變換為：其中index(x)的控制限為其中對(duì)置信度。4. 如權(quán)利要求1或2所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(5)具體包括 如下子步驟： (5.1) 對(duì)故障變量進(jìn)行重構(gòu)：Zi = x-Cifi，得到重構(gòu)值Zi的統(tǒng)計(jì)指標(biāo)為：index(zi) = I |M (1/2)(X-Cifi)||2; 使重構(gòu)值統(tǒng)計(jì)指標(biāo)最小，得到故障幅值的最優(yōu)解； 良P; 過(guò)程變量的重構(gòu)貢獻(xiàn)值為：重構(gòu)貢獻(xiàn)值的控制限為過(guò)程變量的重構(gòu)貢獻(xiàn)值的期望值為其中，X是指發(fā)生故障的數(shù)據(jù)樣本，Χ = Χ*+ξι。;其中X*代表數(shù)據(jù)的正常部分，ξ為故障方 向向量表示故障發(fā)生在第i個(gè)變量上，fi表示故障變量的故障幅值，i = 1，2，…，η; (5.2) 根據(jù)相對(duì)重構(gòu)貢獻(xiàn)值越大，變量越有可能是故障狀態(tài)的運(yùn)一特性，獲取當(dāng)前時(shí)刻 樣本xt的第i個(gè)過(guò)程變量的特征量夫庚中，該時(shí)刻樣本xt的 第i個(gè)過(guò)程變量的相對(duì)重構(gòu)貢獻(xiàn)值為5. 如權(quán)利要求1或2所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(6)具體如 下： 利用貝塔分布與所述過(guò)程變量的特征量，構(gòu)建過(guò)程變量在故障模式下的條件概率密度 函數(shù)p(xt I Fi)，W及正常模式下的條件概率密度函數(shù)P(xt I Ni):其中〇1，〇2，〇3，〇4為參數(shù)，〇1〉〇2，〇3〉〇4;Fi是指 第i個(gè)變量為故障，Ni表示第i個(gè)變量為正常;檢測(cè)的初始時(shí)刻的先驗(yàn)概率P(Fi)和P(Ni)均為 0.5。6.如權(quán)利要求1或2所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(7)包括如下 子步驟： (7.1) 獲取過(guò)程變量屬于故障類(lèi)別下的后驗(yàn)概率，W及過(guò)程變量屬于正常類(lèi)別下的后 驗(yàn)概率，具體如下；(7.2) 對(duì)上述后驗(yàn)概率做限定處理，將后驗(yàn)概率限定到[Plb，Pub]范圍內(nèi)，W避免概率過(guò) 大或過(guò)小;處理后的后驗(yàn)概率如下： P(Fi I Xt) =PLB+(PuB-PLB)P(Fi I Xt)； P(Ni I Xt) =PLB+(PuB-PLB)P(Ni I Xt)； 其中，Plb = 0.01 ,Pub = 0.99; (7.3) 采用改進(jìn)的0-1損失函數(shù)來(lái)衡量分類(lèi)錯(cuò)誤的程度； 根據(jù)0-1損失函數(shù)規(guī)則有：在實(shí)際工業(yè)過(guò)程中，將實(shí)際為故障狀態(tài)的樣本歸為正常狀態(tài)所造成的損失遠(yuǎn)遠(yuǎn)要大于 將實(shí)際為正常狀態(tài)的樣本歸為故障狀態(tài)，將0-1損失函數(shù)進(jìn)一步改進(jìn)，獲得對(duì)變量i做出不 同決策所造成的損失函數(shù)： -t.. L 其中-ki為可調(diào)參數(shù);Qi表示對(duì)變量i所做的決策， 取=或巧.|·二康示變量i的實(shí)際狀態(tài)，Wi = Fi或《4 =仍；1佔(zhàn)|町)表示變量1在實(shí) 際狀態(tài)為wi時(shí)做出決策αι所造成的損失； (7.4) 根據(jù)下式獲取在不同決策下的條件風(fēng)險(xiǎn)R(ai I X):巧= 的)/>W托)，二 /(如斬,.的)戶(hù)(巧|如； (7.5)根據(jù)條件風(fēng)險(xiǎn)，按照W下規(guī)則判別故障狀態(tài)：其中，ki是調(diào)節(jié)因子，ki〉l。7.如權(quán)利要求1或2所述的工業(yè)過(guò)程故障診斷方法，其特征在于，所述步驟(8)具體如 下： (a) 當(dāng)后驗(yàn)概率滿(mǎn)足將下一時(shí)刻的待測(cè)樣本中該過(guò)程變量 的先驗(yàn)概率初始化至P I Ni,t+i) =P(Fi,t+i) = 0.5; (b) 當(dāng)后驗(yàn)概率滿(mǎn)足kiP(Fi I xt) < P(Ni I xi)或P(Fi I xt) > P(Ni I xt)時(shí)，則用當(dāng)前樣本的后 驗(yàn)概率更新下一時(shí)刻待測(cè)樣本的先驗(yàn)概率，即： P(Fi,"i) =P(Fi I xt)，P(Ni,"i) =P(Ni I xt)。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種工業(yè)過(guò)程故障診斷方法，包括如下步驟：采集工業(yè)過(guò)程的歷史正常數(shù)據(jù)；利用工業(yè)過(guò)程的歷史正常數(shù)據(jù)計(jì)算檢測(cè)統(tǒng)計(jì)量；采集待檢測(cè)的工業(yè)過(guò)程數(shù)據(jù)；當(dāng)檢測(cè)到工業(yè)過(guò)程故障時(shí)，利用相對(duì)重構(gòu)貢獻(xiàn)方法提取特征量；根據(jù)特征量計(jì)算故障模式下的條件概率密度函數(shù)和正常模式下的條件概率密度函數(shù)；根據(jù)先驗(yàn)概率和條件概率密度函數(shù)計(jì)算后驗(yàn)概率；采用最小風(fēng)險(xiǎn)貝葉斯決策理論對(duì)當(dāng)前時(shí)刻樣本進(jìn)行故障變量識(shí)別；根據(jù)診斷后的結(jié)果更新下一時(shí)刻樣本的先驗(yàn)概率，再次進(jìn)行下一輪的故障診斷及識(shí)別；本發(fā)明區(qū)分當(dāng)前樣本的主要故障變量、次要過(guò)程變量和正常變量，并將上一時(shí)刻樣本的過(guò)程變量的診斷結(jié)果應(yīng)用于當(dāng)前樣本的診斷中，消除工業(yè)過(guò)程故障診斷中的“污染”效應(yīng)。
【IPC分類(lèi)】G05B23/02
【公開(kāi)號(hào)】CN105700518
【申請(qǐng)?zhí)枴緾N201610134654
【發(fā)明人】鄭英, 毛思敏, 劉淑杰, 汪上曉
【申請(qǐng)人】華中科技大學(xué)
【公開(kāi)日】2016年6月22日
【申請(qǐng)日】2016年3月10日