[发明专利]一种基于ICA重构的故障预测方法

说明书

技术领域

本发明涉及故障预测领域，尤其涉及一种基于独立元分析(ICA)重构的故障预测方法。

背景技术

旋转机械是工业上应用最广泛的一类机械设备，广泛应用于石化、电力等支柱产业中的大型高速压缩机、汽轮机等诸多企业的核心设备都属于旋转机械。旋转机械常常出现各种不同形式的故障而影响其正常工作，有时甚至会由某种故障引发事故，一旦发生事故会引起链式反应，损伤不可估量。轻则影响生产效率，重则导致设备停机、生产中断，导致整个生产过程不能正常运行乃至瘫痪，甚至发生灾难性的事故，造成重大经济损失，甚至危及人们的生命财产安全，造成极其严重的后果。

目前已有的旋转机械故障预测技术只有基于数据的方法最为实用(包括结合了一定专家知识的方法)。由于主元分析(PCA)的投影结构性质清楚，基于PCA的故障检测、诊断和重构方法已经得到了深入研究，基代表方法有基于PCA故障重构的故障预测方法，将故障重构技术与故障预测技术相结合(Gang Li，S.Joe Qin，2010)。当关心过程中所有的变化时，而且对所有的异常情况同样对待，基于PCA模型进行监控就可以达到要求。当进一步的关心过程中所有的信号变化时，而且着重关心信号的非高斯性，则应该使用ICA模型进行监控。另一方面，针对工业过程的测量变量一般数量众多，导致过程变化因素也很多，监测过程中所有的变化都有可能带来误报和漏报情况。如果考虑采用提高控制限来降低误报率势必会带来更多的漏报。因此，人们越来越期望能够监控那些和重要生产指标相关的变化。

针对机械振动信号中蕴含着丰富的设备运行状态信息，而且振动信号对多数机械故障都很敏感。一旦机械设备发生了故障必然会引起振级的增加，振动特性也会随着发生相应的变化。因此，振动信号是反映机械运行状态和故障演化情况的一个极其重要的参数指标。传统的预测方法是利用单变量的振动信号对机械故障进行一个趋势预测并不能对故障进行直接预测。采用单变量振动数据的状态趋势预测技术无法利用多维测量数据的有效信息，而且忽略了安装在不同部位测量传感器之间的相互影响。多变量预测可以把过程同一时刻的测量数据中多个变量间的内在联系和相互影响考虑在内。目前，国内外基于多变量数据的故障预测方法的研究才刚刚起步，成果相对较少。因此，研究多变量数据驱动的旋转机械故障预测方法具有广泛的发展空间。由于ICA模型是完全基于数据的模型，因此基于ICA的故障预测技术可以容易地应用到工业实际中去。研究基于ICA重构的故障预测技术具有技术上的可行性。

发明内容

针对现有技术中存在的上述问题，本发明提供了一种基于独立元分析(ICA)重构的故障预测方法。

本发明提供了一种基于ICA重构的故障预测方法，包括：

步骤1，计算分离矩阵W；