一種工業(yè)過程故障診斷方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明屬于工業(yè)過程故障診斷及識別技術(shù)領(lǐng)域，更具體地，涉及一種工業(yè)過程故 障診斷方法。
【背景技術(shù)】
[0002] 工業(yè)過程中的有效監(jiān)控和快速診斷故障對于確保安全可靠、保質(zhì)保量的生產(chǎn)環(huán)境 具有重要意義。目前在工業(yè)過程中應(yīng)用最廣泛的數(shù)據(jù)驅(qū)動技術(shù)是多變量統(tǒng)計過程監(jiān)測，基 于主元分析（Principal Component Analysis，PCA)和偏最小二乘（Partial Least Squares，PLS)的模型，用模型的平方預(yù)測誤差（Squared Prediction Error，SPE)統(tǒng)計量和 Hotelling T2統(tǒng)計量作為檢測指標進行故障檢測。
[0003] 現(xiàn)有技術(shù)中的故障診斷方法包括基于貢獻圖的故障診斷方法、基于重構(gòu)的故障診 斷方法;基于貢獻圖的故障診斷方法認為對故障檢測指標有最大貢獻的變量就是最有可能 故障的變量，診斷結(jié)果的準確性不能保證?；谥貥?gòu)的故障診斷方法需要事先知道所有可 能故障方向的集合，當正確的故障方向用于重構(gòu)時，故障變量對檢測指標的影響將會被消 除，重構(gòu)檢測指標也將回到控制限內(nèi)；該方法屬于基于監(jiān)督的方法，其局限性在于需要事先 知道所有可能故障方向的先驗信息，這在有些工業(yè)過程中是很難獲取到的。
[0004] 現(xiàn)有的基于貢獻圖的故障診斷方法和基于重構(gòu)的故障診斷方法都存在"污染效 應(yīng)"，故障變量將對檢測指標的影響"污染"到非故障變量上，使得非故障變量也具有異常的 貢獻值，超過其控制限從而造成誤判。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種工業(yè)過程故障診斷方 法，其目的在于，通過當前樣本的各個過程變量的相對重構(gòu)貢獻值得到當前樣本的各個過 程變量的特征量，以此來區(qū)分當前樣本的主要故障變量、次要過程變量和正常變量；同時利 用貝葉斯理論將上一時刻樣本的過程變量的診斷結(jié)果應(yīng)用于當前樣本的診斷中，消除工業(yè) 過程故障診斷中的"污染"效應(yīng)。
[0006] 為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種工業(yè)過程故障診斷方法，包 括以下步驟：
[0007] (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X 6災(zāi)mxn;其中，m 為樣本個數(shù)，η為變量個數(shù)，龍為η維向量空間；
[0008] (2)對上述訓(xùn)練樣本集矩陣進行歸一化處理；
[0009] (3)利用主元分析法對上述歸一化后的樣本集矩陣進行PCA分解，將高維的訓(xùn)練樣 本集矩陣進行降維，建立監(jiān)測模型，得到模型的SPE統(tǒng)計量和SPE統(tǒng)計量的控制限、 Hotelling Τ2統(tǒng)計量、Hotel ling Τ2統(tǒng)計量的控制限；
[0010] (4)采集待檢測樣本數(shù)據(jù)，對待測樣本數(shù)據(jù)進行減均值、除標準差的預(yù)處理并獲取 待測樣本數(shù)據(jù)的SPE統(tǒng)計量以及Hotel ling T2統(tǒng)計量；
[0011] 將待測樣本的SPE統(tǒng)計量與監(jiān)測模型的SPE統(tǒng)計量的控制限進行比較，將 Hotelling T2統(tǒng)計量與監(jiān)測模型的Hotel ling T2統(tǒng)計量的控制限進行比較;根據(jù)比較結(jié)果 判定當前時刻的樣本是否發(fā)生故障:若待測樣本的SPE統(tǒng)計量、Hotelling T2統(tǒng)計量中的一 個或兩個超過了各自對應(yīng)的控制限，則認為該時刻的樣本發(fā)生故障；
[0012] (5)利用重構(gòu)貢獻方法(Reconstruction based Contribution，RBC)對當前時刻 的故障樣本進行重構(gòu)，得到該時刻故障樣本每個過程變量的重構(gòu)貢獻值以及重構(gòu)貢獻值的 期望值；
[0013] 根據(jù)每個過程變量的重構(gòu)貢獻值和期望值計算該時刻故障樣本每個過程變量的 相對重構(gòu)貢獻值，獲得每個過程變量的特征量;這種特征量的選取方式和現(xiàn)有技術(shù)相比，更 有效地區(qū)分了該時刻故障樣本中的主要故障變量、次要故障變量和正常變量；
[0014] (6)根據(jù)上述過程變量的特征量，獲取當前時刻樣本每個過程變量在故障模式下 的條件概率密度函數(shù)pUtlFO,與正常模式下的條件概率密度函數(shù)pUtlNO;其中， Xt為當前 時刻樣本，^是指第i個變量為故障變量，K是指第i個變量為正常變量；
[0015] (7)根據(jù)上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) 及先驗概率，計算后驗概率；
[0016] 并對后驗概率進行限定處理，根據(jù)限定處理后的后驗概率與改進后的0-1損失函 數(shù)，獲得在故障模式下和正常模式下各自的條件風險值；
[0017] 根據(jù)條件風險準則對當前時刻樣本的過程變量進行故障分類;其中，在故障模式 和正常模式下各自的先驗概率的初始值均設(shè)定為0.5;
[0018] (8)利用后驗概率與故障分類結(jié)果更新下一時刻樣本的過程變量的先驗概率；
[0019] (9)重復(fù)上述步驟(4)~(8)，直到所有時刻的待測樣本故障分類完畢，獲得最后一 批待測樣本的故障診斷結(jié)果。
[0020] 優(yōu)選地，步驟(2)具體過程為:對訓(xùn)練樣本集矩陣X進行歸一化處理，使得各個過程 變量的均值為0、方差為1;其中，X e災(zāi)/" 。
[0021] 優(yōu)選地，步驟(3)包括如下子步驟：
[0022] (3.1)采樣收集正常運行下產(chǎn)生的原始高維數(shù)據(jù)，通過對其協(xié)方差矩陣進行特征 值分解，將樣本空間分為主元空間和殘差空間；
[0023]
主元空間 的載荷矩陣p e災(zāi)mx:i，殘差空間的載荷矩陣F e
[0024] Λ zdiagWA，···，λ!}是對角矩陣，λχ,λ〗，…，λ!是與主元對應(yīng)的特征值，1是選取 的主元個數(shù)；
[0025] (3. 2)對某一時刻待測樣本X，根據(jù)下式獲取其平方預(yù)測誤差統(tǒng)計量SPE:
[0026] 利用卡方(X2)分布獲取SPE統(tǒng)計量的控制限：
[0027] 根據(jù)下式獲取Hotelling Τ2統(tǒng)計量:Τ2三χτΡΛ-Vx三xTDx，Hotelling Τ2統(tǒng)計量的 控制限為Ξ
[0028] 綜合SPE統(tǒng)計量和Hotel ling T2統(tǒng)計量，采用綜合指標妒作為模型統(tǒng)計量， φ ξ :τΓφ尤,φ的控制限為ζ2 =
[0029]

入,是協(xié)方差矩陣S的第i個特征值； α為置信度，/if為自由度；
[0030] (3.3)將上述統(tǒng)計量變換為：index(x)5xTMx= | |M(1/2)x| |2，
[0031] Μ = C/D/φ-,
[0032] index(x)的控制限表達式為：?]=從(/.?.irtde;c );
[0034]優(yōu)選地，步驟(5)具體包括如下子步驟：
[0035] (5.1)對故障變量進行重構(gòu):Zi = x_Cifi，得到重構(gòu)值Zi的統(tǒng)計指標為：index(Zi)= M(1/2)(x-Cifi)| I2；
[0036]通過使重構(gòu)值統(tǒng)計指標最小得到故障幅值的最優(yōu)解；
[0038]過程變量的重構(gòu)貢獻值為= i:ndex(X) - i'ndexOJ =

[0041] 其中，x是指發(fā)生故障的數(shù)據(jù)樣本，1 其中，代表數(shù)據(jù)的正常部分，為故 障方向向量表示故障發(fā)生在第i個變量上，fi表示故障變量的故障幅值，i = 1，2，…，η;
[0042] (5.2)根據(jù)相對重構(gòu)貢獻值越大，變量越有可能是故障狀態(tài)的這一特性，選取當前 時刻樣本xt的第i個過程變量的特征量
，其中，該時刻樣本
xt的第i個過程變量的相對重構(gòu)貢獻值為
[0043]由上述當前時刻樣本的過程變量的特征量可以看出，pRBCi(xt)的值越接近于1，變 量i為故障變量的可能性越大，pRBCi(xt)的值越接近于0,變量i為故障變量的可能性越小。
[0044] 優(yōu)選地，上述步驟(6)具體如下：
[0045] 利用貝塔分布與步驟5獲得過程變量的特征量，構(gòu)建過程變量在故障模式下的條 件概率密度函數(shù)p(Xt | ，以及正常模式下的條件概率密度函數(shù)p(Xt | :

[0048] 其中，叫巧，CT2) = 初始時刻第i個變量為故障的先驗概率P(Fi)，第i個變量為正常的先驗概率P(Ni)均為0.5。
[0049] 優(yōu)選地，上述步驟(7)包括如下子步驟：
[0050] (7.1)獲取過程變量屬于故障類別下的后驗概率，以及過程變量屬于正常類別下 的后驗概率，具體如下：
[0053] (7.2)對上述后驗概率做限定處理，將后驗概率限定到[PLB，Pub]范圍內(nèi)，以避免出 現(xiàn)概率過大或過小;處理后的后驗概率如下：
[0054] P(Fi | xt) =PLB+(PuB-PLB)P(Fi | xt)
[0055] p (吣 I xt) = PLB+ (PUB-PLB)P (Ni I xt);其中，Plb = 0 · 01，Pub = 0 · 99;
[0056] (7.3)采用改進的0-1損失函數(shù)來衡量分類錯誤的程度；
[0058]在實際工業(yè)過程中，將實際為故障狀態(tài)的樣本歸為正常狀態(tài)所造成的損失遠遠要 大于將實際為正常狀態(tài)的樣本歸為故障狀態(tài)，將0-1損失函數(shù)進一步改進，獲得對變量i做 出不同決策所造成的損失函數(shù)：
[0060] 其中為可調(diào)參數(shù);αι表示對變量i所做的決 策，α_?_ = 表示變量i的實際狀態(tài)，Wi = Fi或Wi = Ni;l(ai|Wi)表示變量i在
實際狀態(tài)為wi時做出決策ai所造成的損失；
[0061] (7 .4)根據(jù)下式獲取在不同決策下的條件風險
[0062