[发明专利]一种基于贝叶斯理论的工业过程故障诊断方法

说明书

本发明公开了一种基于贝叶斯理论的工业过程故障诊断方法：首先采集工业过程中重要变量的数据，再对数据进行标准化，利用标准化的数据进行变量选择的模型构建，并依据吉布斯采样方法求解回归模型，获取变量对应的回归系数，利用蒙特卡罗法计算出每个变量发生故障的概率，最终通过比较，找出那些概率超过95％的变量。该方法与传统的工业过程故障诊断方法相比，其明显提高了故障诊断结果的可靠性，降低了故障误诊的机率，有利于实现复杂工业过程的在线监控，为工业过程恢复提供有效的依据。

技术领域

本发明涉及工业过程监控与诊断技术领域，特别地，涉及一种基于贝叶斯理论的工业过程故障诊断方法。

背景技术

近年来，由于科技的不断进步和发展，工业过程的设备越来越先进，生产过程越来越复杂。虽然，计算机的发展和自动化技术在现代化工业过程中的应用，大大提高了生产率，降低了生产成本，减少了能源损耗，为企业和国家带来了巨大的经济效益和社会效益。但是，由于工业过程高度复杂、关联性强、易受干扰等特点，使得工业过程变得难以管理。如果工业过程的设备发生了一些很小的故障而不能及时的排除，那么将导致系统甚至整个生产过程都不能正常的工作，造成一定的人员和财产的损失，给我们的生活环境带来危害。所以，如何确保工业过程安全并且可靠的运行是一个非常重要的问题。故障诊断技术能及时发现过程中的一些故障，使工业过程能够安全有效地运行。该技术首先从系统中得到一些有用的信息，然后联合一些系统的先验知识，进行故障诊断。如果没有诊断出故障，则说明系统是处于正常的运行状态；如果诊断出已经发生了故障，便确定发生的是哪种类型的故障、发生故障的具体位置、发生故障的程度和发生故障的原因。因此，用故障诊断技术来替代人工的主观判断，会增加设备运行的安全性，保证产品的质量并降低成本，最重要的是可以最大限度地避免严重的过程事故。故障诊断已经成为当今科研人员一个迫切而且必要的研究课题，有着深刻的理论价值和不容忽视的重要性。

现有的故障诊断方法分成三类：基于解析模型的方法、基于数据驱动的方法和基于知识的方法。因现代流程工业广泛地采用了集散控制系统，由此而产生和存储了大量数据。所以，基于数据驱动的方法在工业过程的故障诊断中更为适用。现有基于数据驱动的故障诊断方法包括：主成分分析法[Van den Kerkhof P,Vanlaer J,Gins G,&Van Impe JF.Analysis of smearing-out in contribution plot based fault isolation forstatistical process control.Chemical Engineering Science,2013,104:285-293.]、基于重构的故障诊断方法[Dunia R,Joe Qin S.Subspace approach tomultidimensional fault identification and reconstruction.AIChE Journal,1998,44(8):1813-1831.]以及分支定界故障诊断法[Kariwala V,Odiowei P E,Cao Y,&ChenT.A branch and bound method for isolation of faulty variables through missingvariable analysis.Journal of Process Control,2010,20(10):1198-1206.]等。但是，现有基于数据驱动的方法存在：不同程度上依赖工业过程知识，故障诊断结果的可信度不高和容易得出错误诊断结果的缺点。特别值得注意的是，基于判别分析的工业过程故障诊断尤其是基于贝叶斯Lasso的故障诊断研究还鲜有报道。2015年，Kuang T H,Yan Z,Yao Y.[Kuang T H,Yan Z,Yao Y.Multivariate fault isolation via variable selection indiscriminant analysis.Journal of Process Control,2015,35:30-40.]将变量选择应用于工业过程故障诊断，提出一种基于变量选择的判别分析法，有效地解决了以往方法依赖过程知识的不足。但是这种做法过于武断，容易造成信息的损失，影响诊断结果的可信度。