[发明专利]基于多块信息提取的PCA故障诊断方法

说明书

本发明公开了一种基于多块信息提取的PCA故障诊断方法，首先，对过程变量的累计误差和变化率信息进行定义，从而能够从数据中提取新的特征信息，并基于每种特征将过程划分为3个子块；然后，利用PCA方法对每个子块进行建模与监测，通过贝叶斯方法对监测结果进行融合；最后，提出一种基于加权贡献图的故障诊断方法，分离出引发故障的源变量。本发明考虑了变量在每个时刻具有观测值、累计误差和变化率等具有实际物理意义的多个特征，并通过多块监测方法，将多种特征提取出来用于过程监测，从而有效的提升监测性能。

技术领域

本发明涉及属于复杂工业过程建模和故障诊断领域,尤其是一种基于多块信息提取的PCA故障诊断方法。

背景技术

现代工业生产规模日趋庞大、工艺复杂程度日益增加，为了确保生产过程的平稳运行、提高生产效率与产品质量，对生产过程进行监控变得十分重要。

基于这样的背景下，多元统计方法(MSPM)已广泛应用于过程监控领域。其中常见的多元统计过程监控方法有主元分析法(PCA)、偏最小二乘法(PLS)、独立元分析法(ICA)。PCA方法是故障监测领域中最常用的一种算法，它能对数据进行降维，消除变量间的相关性，通过建立主元子空间和残差子空间的统计量进行过程监控。

但传统的PCA方法仍然存在着一些问题，例如当过程呈现很强的非线性、非高斯，以及变量自相关性等特性时，监测性能会下降。为此，一些学者从多个方面进行了改进研究，如：Lee等利用KPCA方法，通过核技巧处理数据中的非线性特征，与线性PCA 方法相比具有更优越的性能；Ge等提出ICA-PCA方法，提取数据中的高斯与非高斯信息用于故障监测与诊断；Li等针对过程动态特性，提出一种动态潜隐变量模型，提升了对动态过程的解释性与监测性能；谭帅等利用差分分段方法，对稳定模态与过度模态进行划分，再建立PCA模型，实现了多模态过程的在线监测；王健等考虑到传统PCA算法忽略局部流行特征的缺陷，提出了局部保持PCA算法，使得投影得到的低维空间保持了相似的全局结构与局部近邻结构。Zhao等将历史故障数据用于建模过程中，提出了故障相关主元分析算法，对特定故障的监测具有更好的敏感性。上述方法从不同角度出发，对PCA故障监测算法做了改进，取得了一些成果。

为了更好的实现工业过程的实时监控，由Macgregor等首先提出的多块监测方法引起了国内外学者的广泛关注。多块监测方法通过将过程拆分成若干个子块进行监测，再进行决策融合，在大型工业过程的监控中十分有效。Westerhuis等将多块PCA与PLS 方法进行完善，提出了在将变量分成有意义的子块情况下，利用标准PCA与PLS方法对子块建模，最后再融合计算结果的方法。上述方法均依靠过程的机理进行子块划分，然而在一些复杂工业过程中这些先验知识通常难以得到，使这类方法的应用受到了较大的局限。因此，基于过程数据的子块划分方法迅速成为研究热点。Ge等提出了一种基于线性子空间与贝叶斯决策的非线性过程故障监测方法(BSPCA)，将原始非线性空间近似为若干个线性子空间，每个子空间作为一个子块分别进行监测，并通过贝叶斯方法融合各子块监测结果；同时又提出了分布式PCA(DPCA)方法，通过在每个主元方向上建立子块，并基于投票的方法进行决策融合。Wang等在此基础上根据载荷矩阵的广义Dice系数选取相近的主成分构造子块，计算各子块的T²统计量并通过贝叶斯方法进行融合；Huang等利用变量的不同分布特性将过程划分为高斯子块与非高斯子块，并用动态PCA与动态ICA方法分别对两个子块进行监控。Jiang等分析了过程变量的选择对 PCA监测性能的影响，并利用遗传算法选择与每种故障最相关的变量子集划分子块，进而建立多块监测模型。上述多块过程监测方法，通过分析各变量间的相关关系构建子块，有效的提升了过程监测性能，但均是利用每个过程变量的观测值构造潜变量进行监测，忽略了过程数据中隐含的其他有效信息。传统的PCA故障监测方法针对大部分幅值明显的故障，可以很好地监测到这些故障的发生；但当故障变量处于振荡或故障幅值较小时，此时若只利用各个时刻的观测值进行建模则收效甚微。因此本文考虑了变量在每个时刻具有观测值、累计误差和变化率等具有实际物理意义的多个特征，并通过多块监测方法，将多种特征提取出来用于过程监测，从而有效的提升监测性能。