[发明专利]一种用于复杂故障的工业过程故障诊断方法

说明书

本发明公开了一种用于复杂故障的工业过程故障诊断方法，包括：采集正常模式下的样本数据并建立故障监控模型；使用极大似然估计求解参数，得到变量i的概率密度函数；采集待诊断的样本并计算统计量；当检测到故障发生时，计算每一个变量的偏差因子，并训练出偏差因子的条件概率密度函数，由此计算出后验概率；选取后验概率最高的变量进行多维重构，找出故障变量。本发明计算量小，可以准确在复杂故障下进行工业过程故障诊断。对工业过程结果显著，有效针对小故障、多变量同时故障、变量维度过高等复杂故障问题。

技术领域

本发明属于工业过程故障诊断及隔离技术领域，更具体地，涉及一种用于复杂故障的工业过程故障诊断方法。

背景技术

在工业过程中，快速检测与识别异常事件的发生对提高系统的安全性和降低生产损失至关重要。因此，故障检测与诊断是过程控制领域中的一项非常重要的课题。传统的故障检测方法从系统的模型与机理出发，但随着现代工业系统越来越复杂庞大，机理模型的建立面临极大困难。同时，随着计算机计算能力的提升，大规模工业数据的运算成为可能。因此，数据驱动方法的研究成为热门课题。

数据驱动技术中用来故障检测最广泛的方法有主成分分析法(PrincipalComponent Analysis，PCA)和最小二乘法(Partial Least Squares，PLS)。PCA通过将训练数据集的协方差矩阵分解为主元空间与残差空间，计算相应的SPE(Squared PredictionError)统计量和T²统计量作为故障检测指标进行故障检测。

在检测到故障发生后，需要对引起故障的原因进行跟踪与定位，找出发生故障的变量，这就是称为故障诊断。早期诊断技术有贡献图方法，这种方法通过找出对SPE或T²统计量贡献最大的变量作为故障变量，但这种方法容易受到变量之间“相互作用力”的影响，在针对最简单的单变量故障问题时也可能出错。后来有专家提出了基于重构贡献(Reconstruction-based Contribution，RBC)的方法，这种方法能够保证单变量故障问题诊断的正确性，但是面对多变量故障等复杂情形时，依然会出错。针对更复杂的多变量故障问题，有专家又提出了多维方向的重构方法与缺失变量分析法，并且使用分支定界法、LASSO等方法进行变量组合的搜索，但是这些方法面临非常大的计算量，同时在微小故障与高噪音的复杂情形下也无能为力。

由此可见，现有技术存在计算量大，无法准确在复杂故障下进行工业过程故障诊断的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种用于复杂故障的工业过程故障诊断方法，由此解决现有技术存在计算量大，无法准确在复杂故障下进行工业过程故障诊断的技术问题。

为实现上述目的，本发明提供了一种用于复杂故障的工业过程故障诊断方法，包括：

(1)采集正常模式下的样本数据，组成训练集数据矩阵X∈R^n×m，其中n为样本的个数，m为变量的维度；

(2)对于正常模式下的样本数据，使用极大似然估计求解参数，得到变量i的概率密度函数p(x_i|N)；

(3)利用预处理后的训练集数据矩阵建立故障监控模型，利用故障监控模型计算正常模式下的统计量和正常模式下的控制限；

(4)采集待诊断的样本x(t)，使用预处理后的训练集数据矩阵计算x(t)的统计量，当x(t)的统计量大于正常模式下的控制限时，则发生故障；

(5)在t时刻对变量i的概率密度函数p(x_i|N)进行积分，得到t时刻样本的第i个变量的偏差因子并作为故障样本的特征量；

(6)利用正常模式下的样本数据，得到故障样本的特征量在正常模式和故障模式下的条件概率密度函数；