本發(fā)明涉及一種工業(yè)過(guò)程故障診斷方法，特別涉及一種基于非相似度指標(biāo)的故障分類診斷方法。

背景技術(shù)：

隨著現(xiàn)代工業(yè)過(guò)程的復(fù)雜化與大型化趨勢(shì)，對(duì)生產(chǎn)過(guò)程持續(xù)正常運(yùn)行的要求日益提高，及時(shí)而準(zhǔn)確地診斷出生產(chǎn)過(guò)程中發(fā)生的故障受到越來(lái)越多的重視?，F(xiàn)代工業(yè)過(guò)程中，由于廣泛采納DCS控制系統(tǒng)與先進(jìn)測(cè)量?jī)x表，可以存儲(chǔ)和在線實(shí)時(shí)測(cè)量大量的采樣數(shù)據(jù)。這些采樣數(shù)據(jù)蘊(yùn)含著生產(chǎn)過(guò)程是否正常、產(chǎn)品質(zhì)量是否合格等重要信息，為數(shù)據(jù)驅(qū)動(dòng)的過(guò)程監(jiān)測(cè)方法提供了堅(jiān)實(shí)的基礎(chǔ)。通常來(lái)講，過(guò)程監(jiān)測(cè)主要包括兩方面的內(nèi)容：故障檢測(cè)與故障診斷。故障檢測(cè)旨在判斷過(guò)程對(duì)象是否發(fā)生了故障，而故障診斷的主要任務(wù)就是識(shí)別出故障類型，從而指導(dǎo)操作人員消除故障的影響。然而，在現(xiàn)有專利與文獻(xiàn)中，數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法和技術(shù)層出不窮，有效而實(shí)用的故障診斷方法卻鮮有涉及。這主要是受到了以下兩個(gè)方面原因的阻礙：首先，故障被檢測(cè)出來(lái)后，操作人員通常會(huì)在第一時(shí)間內(nèi)消除故障，使系統(tǒng)只能采集到有限的參考故障數(shù)據(jù)；其次，采集到的故障數(shù)據(jù)大都處于故障發(fā)生的起始階段，不同故障類型間的數(shù)據(jù)會(huì)存在很大程度的重疊。

在已有的基于數(shù)據(jù)的故障分類診斷方法中，采用判別分析算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等建立分類模型是最主流的技術(shù)手段?？墒?，這些方法都要求歷史數(shù)據(jù)庫(kù)中具備充足可用的故障數(shù)據(jù)，這樣建立的分類模型才可靠。正如前面所提到的，可參考的數(shù)據(jù)量有限，而且不同類型故障數(shù)據(jù)在空間分布上還會(huì)重疊，這給傳統(tǒng)分類模型方法的應(yīng)用提出了嚴(yán)峻的挑戰(zhàn)。一般來(lái)講，數(shù)據(jù)樣本數(shù)不充足是相對(duì)于測(cè)量變量而言的。相對(duì)于現(xiàn)代工業(yè)過(guò)程中數(shù)以百計(jì)的測(cè)量點(diǎn)，可想而知，實(shí)際過(guò)程中允許采集到的某種故障類型的數(shù)據(jù)樣本難以滿足樣本數(shù)充足條件所需的最低樣本數(shù)。與此同時(shí)，由于生產(chǎn)過(guò)程與控制系統(tǒng)的耦合性，測(cè)量變量間存在很大程度的相關(guān)性，不同故障發(fā)生后有可能導(dǎo)致某些變量出現(xiàn)相同的異常變化。這就會(huì)導(dǎo)致不同故障類型的采樣數(shù)據(jù)間在空間分布上存在重疊，以單個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分類診斷的分類模型方法會(huì)出現(xiàn)大量的誤分類診斷現(xiàn)象。如何解決這兩方面的問(wèn)題，可以說(shuō)是數(shù)據(jù)驅(qū)動(dòng)的故障分類診斷方法能否適用于現(xiàn)代工業(yè)過(guò)程所面臨的最大考驗(yàn)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明提供一種基于非相似度指標(biāo)的故障分類診斷方法。該發(fā)明方法先通過(guò)對(duì)每種故障類型進(jìn)行特征變量選擇，選擇出該種故障最能區(qū)別于正常數(shù)據(jù)的變量。然后，利用特征變量?jī)蓛蓪?duì)比在線故障數(shù)據(jù)窗口與參考故障數(shù)據(jù)窗口的分布非相似度，在線檢測(cè)出的故障類型就對(duì)應(yīng)于取得最小非相似度指標(biāo)的參考故障類型。該方法通過(guò)變量選擇降低了樣本數(shù)據(jù)的不充分的制約性，還通過(guò)窗口數(shù)據(jù)相似匹配來(lái)實(shí)施故障診斷，能最大化地避免重疊數(shù)據(jù)的錯(cuò)分類情況。

本發(fā)明方法解決上述問(wèn)題所采用的技術(shù)方案為：一種基于非相似度指標(biāo)的故障分類診斷方法，包括以下步驟：

(1)收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成數(shù)據(jù)矩陣X₀∈R^n×m，收集生產(chǎn)過(guò)程在不同故障操作狀態(tài)下的采樣數(shù)據(jù)，組成不同的參考故障數(shù)據(jù)集其中，n為訓(xùn)練樣本數(shù)，m為過(guò)程測(cè)量變量數(shù)，下標(biāo)號(hào)c＝1，2，…，C表示第c種參考故障類型，N_c為第c種故障的可用樣本數(shù)，R為實(shí)數(shù)集，R^n×m表示n×m維的實(shí)數(shù)矩陣。

(2)對(duì)矩陣X₀進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為0，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣并利用矩陣X₀的均值向量與標(biāo)準(zhǔn)差向量對(duì)進(jìn)行同樣的處理，得到矩陣然后初始化c＝1與i＝1。

(3)按下式計(jì)算中第i個(gè)測(cè)量變量與中第i個(gè)測(cè)量變量的變化差異：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，與分別為矩陣與中的第i個(gè)測(cè)量變量(即第i列)，符號(hào)||||表示計(jì)算向量的長(zhǎng)度。

(4)令i＝i+1，若i≤m，返回至步驟(3)；反之，將得到的m個(gè)測(cè)量變量間的變化差異值組成向量J_c＝[J₁，J₂，…，J_m]。

(5)再次初始化i＝1后，從向量J_c中找出數(shù)值大于Q(J_c)的所有元素，將這些元素所對(duì)應(yīng)的變量標(biāo)號(hào)組成第c種參考故障類型的特征變量集F_c，并利用F_c從參考故障數(shù)據(jù)矩陣中挑選出相應(yīng)變量組成新參考故障數(shù)據(jù)矩陣其中，Q(J_c)表示計(jì)算向量J_c的較大四分位數(shù)，即J_c中所有數(shù)值由小到大排列后第75％的數(shù)值。

(6)令c＝c+1，若c≤C，返回至步驟(3)；反之，保存得到的C個(gè)特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C以及新參考故障數(shù)據(jù)矩陣

(7)當(dāng)在線檢測(cè)到的故障數(shù)據(jù)樣本數(shù)積累到w時(shí)，先利用矩陣X₀的均值向量與標(biāo)準(zhǔn)差向量對(duì)該在線故障數(shù)據(jù)窗口矩陣Y_w進(jìn)行標(biāo)準(zhǔn)化處理得到后利用特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C對(duì)分別進(jìn)行變量選擇得到矩陣

(8)先分別從各參考故障數(shù)據(jù)矩陣中選擇前w行樣本組成相應(yīng)的參考故障窗口矩陣后利用非線性相似度分析算法分別計(jì)算兩對(duì)應(yīng)窗口矩陣與間的非線性相似度指標(biāo)其中c＝1，2，…，C。

(9)將中的最小值所對(duì)應(yīng)的參考故障類型判別為當(dāng)前故障數(shù)據(jù)的故障類型。

(10)當(dāng)下一個(gè)故障數(shù)據(jù)樣本可測(cè)量時(shí)，數(shù)據(jù)窗口長(zhǎng)度變?yōu)閣＝w+1，重復(fù)步驟(8)～(9)重新識(shí)別故障類型。

與現(xiàn)有方法相比，本發(fā)明方法的優(yōu)點(diǎn)如下：

1.本發(fā)明方法通過(guò)分別比較每種參考故障類型與正常數(shù)據(jù)間的變化差異，以選擇最能體現(xiàn)不同故障類型非正常變化的特征變量。這不僅能在很大程度上降低測(cè)量變量維數(shù)，使參考故障可用樣本數(shù)較少的限制力大大縮減，而且還能剔除未顯著出現(xiàn)非正常變化的測(cè)量變量對(duì)非相似度計(jì)算的“干擾”影響，使非相似度間的差異性變得更為突出。

2.相比于傳統(tǒng)方法使用單個(gè)樣本進(jìn)行分類識(shí)別，本發(fā)明方法采用的窗口數(shù)據(jù)集能包含更多的數(shù)據(jù)動(dòng)態(tài)變化信息。此外，本發(fā)明方法所采用的非相似度分析是建立在數(shù)據(jù)集空間分布相似性上的，即使不同參考故障類型的窗口數(shù)據(jù)有部分重疊，該非相似度指標(biāo)也能將其區(qū)分開(kāi)來(lái)。

附圖說(shuō)明

圖1為本發(fā)明方法的實(shí)施流程示意圖。

圖2為本發(fā)明方法的特征選擇實(shí)施示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

如圖1所示，本發(fā)明公開(kāi)了一種基于非相似度指標(biāo)的故障分類診斷方法，該方法的具體實(shí)施步驟如下所示：

步驟1：收集生產(chǎn)過(guò)程正常運(yùn)行狀態(tài)下的采樣數(shù)據(jù)，組成數(shù)據(jù)矩陣X₀∈R^n×m，收集生產(chǎn)過(guò)程在不同故障操作狀態(tài)下的采樣數(shù)據(jù)，組成不同的參考故障數(shù)據(jù)集其中，n為訓(xùn)練樣本數(shù)，m為過(guò)程測(cè)量變量數(shù)，下標(biāo)號(hào)c＝1，2，…，C表示第c種參考故障類型，N_c為第c種故障的可用樣本數(shù)，R為實(shí)數(shù)集，R^n×m表示n×m維的實(shí)數(shù)矩陣。

步驟2：對(duì)矩陣X₀進(jìn)行標(biāo)準(zhǔn)化處理，得到均值為0，標(biāo)準(zhǔn)差為1的新數(shù)據(jù)矩陣并利用矩陣X₀的均值向量與標(biāo)準(zhǔn)差向量對(duì)進(jìn)行同樣的處理，得到矩陣

初始化c＝1與i＝1，并按照?qǐng)D2所示流程進(jìn)行特征變量選擇，詳細(xì)實(shí)施過(guò)程如下所示：。

步驟3：按下式計(jì)算中第i個(gè)測(cè)量變量與中第i個(gè)測(cè)量變量的變化差異：

$J_i={\left(\frac{1}{n}\right|\left|x_0^i\right||-\frac{1}{N_c}|\left|x_c^i\right|\left|\right)}^2---\left(1\right)$

上式中，與分別為矩陣與中的第i列(或第i個(gè)測(cè)量變量)，符號(hào)||||表示計(jì)算向量的長(zhǎng)度。

步驟4：令i＝i+1，若i≤m，返回至步驟(3)；反之，將得到的m個(gè)測(cè)量變量間的變化差異值組成向量J_c＝[J₁，J₂，…，J_m]。

步驟5：再次初始化i＝1后，從向量J_c中找出數(shù)值大于Q(J_c)的所有元素，將這些元素所對(duì)應(yīng)的變量標(biāo)號(hào)組成第c種參考故障類型的特征變量集F_c，并利用F_c從參考故障數(shù)據(jù)矩陣中挑選出相應(yīng)變量組成新參考故障數(shù)據(jù)矩陣其中，Q(J_c)表示計(jì)算向量J_c的較大四分位數(shù)，即J_c中所有數(shù)值由小到大排列后第75％的數(shù)值。

步驟6：令c＝c+1，若c≤C，返回至步驟(3)；反之，保存得到的C個(gè)特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C以及新參考故障數(shù)據(jù)矩陣

步驟7：當(dāng)在線檢測(cè)到的故障數(shù)據(jù)樣本數(shù)積累到w時(shí)，先利用矩陣X₀的均值向量與標(biāo)準(zhǔn)差向量對(duì)該在線故障數(shù)據(jù)窗口矩陣Y_w進(jìn)行標(biāo)準(zhǔn)化處理得到后利用特征變量集F₁，F(xiàn)₂，…，F(xiàn)_C對(duì)分別進(jìn)行變量選擇得到矩陣

步驟8：先分別從各參考故障數(shù)據(jù)矩陣中選擇前w行樣本組成相應(yīng)的參考故障窗口矩陣后利用非線性相似度分析算法分別計(jì)算兩對(duì)應(yīng)窗口矩陣與間的非線性相似度指標(biāo)其中c＝1，2，…，C，計(jì)算相似度指標(biāo)的具體過(guò)程如下所示：

首先，計(jì)算協(xié)方差矩陣其中上標(biāo)號(hào)T表示矩陣的轉(zhuǎn)置；

其次，對(duì)矩陣S進(jìn)行奇異值分解，得到S＝VΛV^T，其中Λ∈R^q×q為q個(gè)奇異值λ₁，λ₂，…，λ_q組成的對(duì)角矩陣，q為矩陣中變量個(gè)數(shù)，也等于特征變量集F_c中元素的個(gè)數(shù)，V∈R^q×q是由q個(gè)相互正交的列向量組成；

最后，按下式計(jì)算計(jì)算兩數(shù)據(jù)集與間的空間分布非相似度指標(biāo)：

$D_c^w=\frac{4}{q}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{({\mathrm{\λ}}_j-0.5)}^2---\left(3\right)$

步驟9：將中的最小值所對(duì)應(yīng)的參考故障類型判別為當(dāng)前故障數(shù)據(jù)的故障類型。

步驟10：當(dāng)下一個(gè)故障數(shù)據(jù)樣本可測(cè)量時(shí)，數(shù)據(jù)窗口長(zhǎng)度變?yōu)閣＝w+1，重復(fù)步驟7～9重新識(shí)別故障類型。

上述實(shí)施例只用來(lái)解釋本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改和改變，都落入本發(fā)明的保護(hù)范圍內(nèi)。