[发明专利]一种基于统计量马氏距离的微小传感器故障检测和分离方法

说明书

本发明公开了一种基于统计量马氏距离的微小传感器故障检测和分离方法，属于工业过程监控和故障诊断领域，该方法包括：采集正常的传感器测量作为训练数据集；给定窗宽，依次计算各窗口内测量变量的样本统计量，得到由统计量构成的数据矩阵；计算数据矩阵的均值和协方差，并给定马氏距离的控制限；采集实时传感器测量作为测试数据；利用窗口内的测试数据计算其统计量，并利用上述均值和协方差计算马氏距离，与控制限对比判断是否有故障；若有故障，则利用故障重构求取每个传感器的统计量重构贡献，将具有最大贡献值的传感器定为故障传感器以完成故障分离。与现有技术相比，本发明无需过程数学模型，并可实现多种类型微小传感器故障的检测和分离。

技术领域

本发明属于工业过程监控和故障诊断领域，具体涉及一种基于统计量马氏距离的微小传感器故障检测和分离方法。

背景技术

现代化工业生产过程广泛采用分布式控制系统，同时配备大量的工业传感器如压力、温度和流量传感器等，以实现重要测量信息的采集。一方面，工业系统运行环境比较复杂，传感器通常会受到振动、高温、潮湿等恶劣因素的影响，从而导致传感器容易发生性能下降甚至测量失效；另一方面，传感器数量的激增也增大了故障发生概率。对传感器测量进行实时监测，及时发现并定位异常将有助于系统的安全、可靠、高效运行。近年来，数据驱动的过程监测和故障诊断技术发展迅速，相比成熟的模型驱动故障诊断方法，这类技术因无需已知被监控系统精确的数学模型而得到了学术界和工业界的广泛关注。

通常，故障具有一个演化过程，其初期具有较小幅值，随着时间的推移故障幅值加大，严重程度增加。一旦演化为严重故障，就有可能给系统带来灾害，导致安全事故的发生。针对一套实际的工业过程，通常要求其监测系统具有对微小故障的预测和诊断能力，从而将其有效地扼杀在萌芽状态。然而，在初期阶段故障表征不明显，引发的微小异常也容易被过程数据正常变化和噪声所掩盖，从而使其诊断具有挑战性。当前，已有少量数据驱动的故障诊断工作考虑了工业过程微小故障检测问题，但针对微小故障分离的问题解决方案相对来说更加稀少。而且，现有工作中给出的方法通常针对一类固定的微小传感器故障类型有效，缺乏一定的普适性。

因此，亟需一种新的故障诊断方法实现对工业过程微小传感器故障的检测和分离。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于统计量马氏距离的微小传感器故障检测和分离方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于统计量马氏距离的微小传感器故障检测和分离方法，包括如下步骤：

步骤1：采集工业过程正常工况下的一段传感器测量数据，并将其作为训练数据集；

步骤2：给定滑动时间窗口宽度，依次计算各个窗口内测量变量的样本统计量，从而得到由测量变量的样本统计量构成的数据矩阵；

步骤3：计算步骤2所构造的数据矩阵的样本统计量均值和样本统计量协方差矩阵，并给出马氏距离指标的控制限；

步骤4：采集工业过程实时工况下的传感器测量数据，并将其作为测试数据，测试数据中的测量变量与步骤1中训练数据集的测量变量相对应；

步骤5：利用窗口内的测试数据计算测试数据统计量，并利用步骤3中的样本统计量均值和样本统计量协方差参数计算马氏距离指标，然后与步骤3中的控制限对比判断是否有故障发生；

步骤6：若步骤5中故障分析的结果为有故障发生，则利用故障重构方法求取每个传感器的统计量重构贡献值，并将具有最大统计量重构贡献值的传感器变量确定为故障传感器，以实现故障分离。

优选地，在步骤2中，当前时刻窗口内测量变量的样本统计量s(k)具有如下所示的向量形式：