[发明专利]一种基于自适应ICA的冷水机组故障检测方法

摘要

本发明公开一种自适应ICA冷水机组故障检测的方法，包括：步骤一、首先对机组正常运行下采集的数据进行预处理；然后采用独立成分分析(ICA)提取数据的独立成分信息；之后构造统计量，并利用核密度估计方法确定控制限；最后以训练数据的SPE统计量阈值作为剔除异常值的判断标准，循环剔除每个采样点的统计值高于统计量阈值的数据，直至所有采样点的统计值均低于统计量阈值，将得到的数据重新训练，得到一个更加准确的控制限；步骤二、对新采集的数据按照模型进行处理，计算其统计值并与控制限进行比较，判断冷水机组是否运行正常。采用本发明的技术方案，可以自动的剔除实际中的异常采样点，故障检测的准确率较高。

主权项

1.一种基于自适应ICA的冷水机组故障检测方法，其特征在于，包括以下步骤：A.建模阶段：1)采集实验所需正常数据采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X_1i,X_2i,...X_ki...,X_Ki)^T表示，其中，i＝1,2,...,I，X_ki表示第k采样时刻第i个变量的测量值；X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；2)对数据进行标准化处理，处理方式如下：首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中第k采样时刻的第i个过程变量的均值的计算公式为：其中，x_ki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差s_k,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差，然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：其中，i＝1,...,I，k＝1,...,K；3)利用独立成分分析(ICA)方法提取独立成分首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L^‑1/2U^T，其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X进行白化，白化公式为：Z＝QX, 白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(Fast ICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝B^TZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数；4)构造I²和SPE两种统计量I²统计量由k时刻独立成分s_d(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：I²(k)＝s_d(k)^Ts_d(k)5)估计控制限采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限；6)自动去除异常点对原始正常数据进行行分解，计算每一时刻的SPE值，用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点，记录这一行信息，继续执行，直到所有采样点执行完毕，在原始正常数据中将所有的异常采样点信息剔除，重新建立I²和SPE统计量，并得到相应的更加准确的控制限；步骤6)具体包括：6.1)对原始正常数据进行行分解，计算每个采样点时刻的独立成分，即：s_k＝WX_k，其中，W为分离矩阵，X_k为第k时刻的采集数据；6.2)通过6.1)得到的s_k计算每一时刻的SPE值；6.3)用当前时刻SPE值和之前建立的SPE统计量值Q_a比较，如果当前值超出Q_a，则认为这一采样数据是异常点；6.4)记录6.3)得到的当前异常采样点信息，继续执行下一个采样点，直到所有采样点都执行完毕，记录所有异常点信息；6.5)在原始正常数据中将所有的异常采样点信息剔除，重新按步骤1)到5)建立I²和SPE统计量，并得到相应的更加准确的控制限；B.检测阶段：7)采集监控数据，并对其进行标准化采集当前第k采样时刻的I个过程变量的数据x_k，并根据步骤2)中得到的均值和方差对其进行标准化，得到其中第k采样时刻的第i个过程变量的标准化公式如下：其中，x_k,i为当前第k采样时刻第i个过程变量，为第k采样时刻的第i个过程变量的平均值，s_k,i为第k采样时刻的第i个过程变量的方差，i＝1,...,I，k＝1,...,K；8)提取当前时刻独立信息提取标准化后的k时刻采集数据的独立成分s_k，计算公式如下：其中，W为分离矩阵；9)计算当前时刻统计值计算当前k时刻采集数据的I²和SPE统计值，计算公式如下：10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。