[发明专利]基于符号有向图和数据重构的故障诊断方法

说明书

技术领域

本发明涉及多变量复杂系统的故障诊断系统领域，尤其涉及一种基于符号有向图和数据重构的故障诊断方法。

背景技术

随着工业过程控制系统不断朝着大规模化、智能化和复杂化的方向发展，安全问题日益成为大家关心的主要问题之一。作为过程控制系统的核心组成部分之一，动态系统的故障检测与诊断（FDD）技术就是为了适应工业系统对提高可靠性和降低事故风险的需要而形成和发展起来的。在过去的几十年中，故障诊断问题得到了国内外学者的广泛关注，涌现出关于故障检测与隔离的各种方法。这些方法从整体上可以分为定性方法和定量分析两大类。其中，在定量分析方法中，基于数据驱动的方法是近年来关注最多的方法。

在基于数据驱动的故障诊断方法中，基于多元统计的故障诊断方法是近几年备受关注的方法之一。传统的基于贡献图的多元统计方法是鉴别哪个变量使得相应的统计量超出正常值的最受欢迎的方法，那些对统计量具有最大贡献值的变量被认为是引起故障的原因变量。但该方法最大的不足在于，贡献值容易从一个变量转移到其他变量，即贡献值最大的变量不一定是引起故障的根本原因。此外，传统的基于贡献图的多元统计方法没有考虑到故障在系统中的传播问题，因此很难检测出引起故障的根本原因。

因此，本领域的技术人员致力于开发一种基于符号有向图和数据重构的故障诊断方法，考虑故障在系统中的传播问题，有效地诊断出引起故障的根本原因。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于符号有向图和数据重构的故障诊断方法，该方法使用平方预测误差（SPE）和累积和（CUSUM）统计量进行故障检测，通过在故障发生时对SDG的所有相容路径方向的样本数据进行重构，重构后残差变化最大的方向被认为是故障的传播方向，该方向上的起始节点为导致故障的原因变量，有效地诊断出引起故障的根本原因。

为实现上述目的，本发明提供了一种基于符号有向图和数据重构的故障诊断方法，包括如下步骤：

步骤一：采集系统运行过程中一定数量的多变量正常数据，并对所述多变量正常数据进行预处理，作为已知状态测量数据；

步骤二：对步骤一中所述已知状态测量数据进行PCA分解，将所述已知状态的测量数据分解为主元部分和残差部分，并求出所述已知状态的测量数据的平方预测误差的控制限；

步骤三：根据所述系统的结构特性及反应特性，建立所述系统的有向符号图（SDG），所述有向符号图的节点为系统单变量参数，并设定误报率、漏报率参数，根据系统的SDG确定所述已知状态测量数据各变量V-mask的参数值；

步骤四：实时采集系统运行过程中一定数量的多变量过程数据，并对所述多变量过程数据进行预处理，作为未知状态测量数据，统计所述未知状态测量数据累积和CUSUM统计值及所述未知状态测量数据的平方预测误差SPE，如果SPE超出步骤二的控制限，则表示系统出现故障；

步骤五：如果系统没有出现故障，重复步骤四，若系统出现故障，通过V-mask的双臂判断所述SDG的节点是否有效，对于超过V上下臂的所述过程数据变量，节点符号分别为“+”和“-”号；

步骤六：确定所有节点状态后，搜索所述SDG中所有的相容路径，即相邻节点符号相乘为正的路径；

步骤七：在所有有效节点方向和所述相容路径方向上对所述未知状态测量数据进行重构，将重构指标最大的方向便设为故障的传播路径，判定所述故障的传播路径上的起始节点为导致故障发生的根本原因。

在本发明的较佳实施方式中，所述步骤一中的所述多变量正常数据预处理步骤为：首先将采集的所述一定数量的多变量正常数据减去所述多变量正常数据的均值，然后除以所述多变量正常数据的方差。

在本发明的另一较佳实施方式中，所述步骤二中PCA方法按照特征值贡献率选取主元，要求贡献率在85%以上。

在本发明的较佳实施方式中，所述步骤二中平方预测误差控制限计算公式为其中(1-α)×100%为所述控制限的置信度，这里λ_i为所述预处理后的所述多变量正常数据样本协方差矩阵的第i大的特征值。

在本发明的另一较佳实施方式中，所述步骤三中所述V-mask的参数为：和h＝d*k，其中k为V的斜率，d为最近的采样点离V定点的距离，h为最近的采样点离V的上下臂的距离，α为误报率，β为漏报率，δ为能检测到的偏移量（样本标准差的倍数），σ_x为样本的标准差。