[发明专利]基于相似性局部样条回归的工业过程故障诊断方法

说明书

本发明提供一种基于相似性局部样条回归的工业过程故障诊断方法，涉及故障监测与诊断技术领域。该方法通过采集工业过程数据，并进行部分标记和标准化处理，利用LSR方法求得预测标签，采用相似性分析方法对预测标签进行处理，对故障识别模糊的点进行标签修正，然后基于样条函数构建在线诊断模型，并采用岭回归的方法求得系数矩阵，在工业生产过程中采集新数据，通过在线诊断模型和系数矩阵求出其相应的标签，进行故障诊断。本发明解决工业生产过程中包含有大量的物理化学变量和图像声音视频等多源异构大数据的故障诊断问题，无需对所有工业生产数据进行故障识别，节约大量时间与人力，能大大降低误报警，提高故障检测的准确性和灵敏度。

技术领域

本发明涉及故障监测与诊断技术领域，尤其涉及一种基于相似性局部样条回归的工业过程故障诊断方法。

背景技术

在工业生产过程中，对工业系统的故障检测是比较关键的步骤，因为它直接关系到生产能否正常运行和生产产品的质量。过程监控的目的是监视系统运行状态。检测工业生产过程中是否发生故障，并对故障系统的异常变化幅度进行定量分析，判断故障类型、发生时间、变化幅度和影响程度，必要时，提出相应的维护与改进措施，就会大大减少企业生产过程的危险性，提高生产安全性和保障性。因此，适用于工业过程工况监控的过程监测方法得到了广泛的关注和迅速的发展。

传统的故障诊断方法仅仅是对工业过程物理化学变量等监测数据的统计分析，不足以支撑全流程复杂工况下生产流程的异常工况诊断。为了解决这个问题，大量监测手段被应用于生产流程中，获得了反映生产流程的异构、动态、多源的大数据。通过工业大数据的协同建模来提高异常工况诊断的准确率和灵敏度。因此，适用于工业大数据的故障诊断方法正逐步兴起。

工业大数据通常包括大量的物理化学变量和图像声音视频数据，数据的个数和维数都很大。在训练过程中，应用传统的故障诊断方法实现对故障的精准识别，需要对每一个训练样本对应的具体工业生产状况进行识别，要对其中的每一个样本所对应的实际生产状况进行标记，需耗费大量的人力及时间。LSR算法能利用少量的标记数据实现对大量的未标记数据的识别，对于特征明显，可区分性强的突发故障能以较高的准确率进行诊断。但对于衍变故障而言，在故障发生初期，其对整个工业生产流程的影响还不太明显，因此对应的故障数据与正常数据之间的分布十分接近，区别不够显著，而LSR在计算过程中未考虑数据的分布及数据间的内部特征等因素，因此将LSR直接用于故障诊断，异常工况的误报率和漏报率较高。此外，LSR方法是一种直推式的方法，仅能实现训练集内数据的故障识别，对于新来的数据，无法直接求得其对应的故障标签，故障检测的效率较差。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于相似性局部样条回归的工业过程故障诊断方法，简称SLSR方法，解决工业生产过程中包含有大量的物理化学变量和图像声音视频等多源异构大数据的故障诊断问题，无需对所有工业生产数据进行故障识别，节约了大量的时间与人力，不仅能大大降低误报警，还提高了故障检测的准确性和灵敏度。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于相似性局部样条回归的工业过程故障诊断方法，包括以下步骤：

步骤1：采集工业过程数据，建立测量数据集X∈R^n×m，X＝{x₁,x₂,…,x_n}，数据集中包含n个采样样本，每个采样样本包含m个变量，即x_i＝[x₁,x₂,…,x_m]^T∈R^m×1，i＝1,2,…,n；根据有无故障及故障的具体类型将数据分为c类，并对其中l个采样样本进行类型标记，打上相应的标签，标为正常数据或故障数据，其中故障数据标记出具体的故障类型；然后对采集的所有数据进行标准化处理；

步骤2：用标准化后的n个采样样本，利用LSR方法求得初步的预测标签F，如式(13)所示；