一种工业过程故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105700518A(43)申请公布日2016.06.22(21)申请号201610134654.2(22)申请日2016.03.10(71)申请人华中科技大学地址430074湖北省武汉市洪山区珞喻路1037号(72)发明人郑英毛思敏刘淑杰汪上晓(74)专利代理机构华中科技大学专利中心42201代理人赵伟(51)Int.Cl.G05B23/02(2006.01)权利要求书4页说明书8页附图5页(54)发明名称一种工业过程故障诊断方法(57)摘要本发明公开了一种工业过程故障诊断方法，包括如下步骤：采集工业过程的历史正常数据；利用工业过程的历史正常数据计算检测统计量；采集待检测的工业过程数据；当检测到工业过程故障时，利用相对重构贡献方法提取特征量；根据特征量计算故障模式下的条件概率密度函数和正常模式下的条件概率密度函数；根据先验概率和条件概率密度函数计算后验概率；采用最小风险贝叶斯决策理论对当前时刻样本进行故障变量识别；根据诊断后的结果更新下一时刻样本的先验概率，再次进行下一轮的故障诊断及识别；本发明区分当前样本的主要故障变量、次要过程变量和正常变量，并将上一时刻样本的过程变量的诊断结果应用于当前样本的诊断中，消除工业过程故障诊断中的“污染”效应。CN105700518ACN105700518A权利要求书1/4页1.一种工业过程故障诊断方法，其特征在于，包括以下步骤：(1)采集正常工况下的数据，组成建模所需的训练样本集矩阵其中，m为样本个数，n为变量个数；(2)对所述训练样本集矩阵进行归一化处理；(3)利用主元分析法对所述归一化后的样本集矩阵进行PCA分解，将高维的训练样本集矩阵进行降维处理，建立监测模型；获取监测模型的SPE统计量、SPE统计量的控制限、HotellingT2统计量、HotellingT2统计量的控制限；(4)采集待检测样本数据，对待测样本数据进行减均值、除标准差的预处理，获取待测样本数据的SPE统计量以及HotellingT2统计量；将待测样本的SPE统计量与所述监测模型的SPE统计量的控制限进行比较，将HotellingT2统计量与所述监测模型的HotellingT2统计量的控制限进行比较；根据比较结果判定当前时刻的样本是否发生故障；(5)利用重构贡献方法对当前时刻的故障样本进行重构，得到该时刻故障样本每个过程变量的重构贡献值以及重构贡献值的期望值；根据每个过程变量的重构贡献值和期望值获得该时刻故障样本每个过程变量的相对重构贡献值，以及每个过程变量的特征量；(6)根据所述过程变量的特征量，获取当前时刻样本每个过程变量在故障模式下的条件概率密度函数p(xt|Fi)，与正常模式下的条件概率密度函数p(xt|Ni)；(7)根据所述故障模式下的条件概率密度函数与正常模式下的条件概率密度函数及先验概率，获得后验概率，并对后验概率进行限定处理；根据限定处理后的后验概率与改进后的0-1损失函数，获得在故障模式下与正常模式下的条件风险值；根据条件风险准则以及所述条件风险值对当前时刻样本的过程变量进行故障分类；(8)利用后验概率与故障分类结果更新下一时刻样本的过程变量的先验概率；(9)重复上述步骤(4)～(8)，直到所有时刻的待测样本故障分类完毕，获得最后一批待测样本的故障诊断结果。2.如权利要求1所述的工业过程故障诊断方法，其特征在于，所述步骤(2)具体为：对训练样本集矩阵X进行归一化处理，使得各个过程变量的均值为0、方差为1；其中，3.如权利要求1或2所述的工业过程故障诊断方法，其特征在于，所述步骤(3)包括如下子步骤：(3.1)采集正常运行下产生的原始高维数据，通过对其协方差矩阵进行特征值分解，将样本空间分为主元空间和残差空间；其中，协方差矩阵主元空间的载荷矩阵残差空间的载荷矩阵Λ＝diag{λ1,λ2,…,λl|是对角矩阵，λλ,λ2,…,λl是与主元对应的特征值，l是选取的主2CN105700518A权利要求书2/4页元个数；(3.2)根据下式获取平方预测误差统计量SPE：利用卡方(χ2)分布获取SPE统计量的控制限：根据下式获取HotellingT2统计量：T2≡xTPΛ-1PTx≡xTDx，HotellingT2统计量的控制限为综合SPE统计量与HotellingT2统计量，采用综合指标作为模型统计量，的控制限为SPE其中，g＝θ2/θ1，λi是协方差矩阵S的第i个特征值；其中α为置信度，为自由度；(3.3)将上述统计量变换为：index(x)≡xTMx＝||M(1/2)x||2，其中index(x)的控制限为：其中α为置信度。4.如权利要求1或2所述的工业过程故障诊断方法，其特征在于，所述步骤(5)具体包括如下子步骤：(5.1)对故障