[发明专利]一种适于非线性过程在线监控的工业故障检测与诊断方法

说明书

技术领域

本发明是一种工业故障检测与诊断方法，具体地说，是涉及一种适于非线性过程在线监控的基于QR分解的核判别分析法(IKDR/QR)的工业故障检测与诊断方法。

背景技术

随着近年来计算机系统、数据库系统的普及应用，工厂拥有了相当丰富的生产数据资源。在工业生产过程中，不可避免的会发生设备损耗和故障的情况，不但影响产品的质量，有时还会发生重大生产事故，完全依靠人力的传统监测方法己不足以解决复杂的质量控制问题。

故障是指使系统至少一个特性或参数出现较大的偏差，并超出了可接受的范围。此时系统的性能明显低于正常水平，难以完成其预期的功能。故障对整个系统的影响，小到如某个变量值不能正常显示，大到导致整个系统的崩溃，甚至产生人身事故。故障类型一般分为三类：(1)被控过程(对象)的故障；(2)仪表器件的故障；(3)软件故障。

实际生产过程中的生产数据有线性的、非线性的、静态的、动态的等，对于不同的生产过程所具有的特征，应选用不同的故障检测方法，这样才能有效地检测到故障。

经专利查询统计，国内已有一些故障检测与诊断方面的专利：例如，基于非线性频谱分析的故障检测与诊断方法（99115737.0）、故障诊断服务器、车辆故障检测与诊断方法、装置及系统（200910090461.1）、基于无人飞行器的接触网故障检测与诊断方法（201110037895.2）等。上述发明专利很少处理非线性数据且不适于在线学习应用。本发明针对这两方面问题，提出一种适于非线性过程在线监控的工业故障检测与诊断方法。该方法针对于工业系统中的非线性生产数据。近年来，对于普遍存在的非线性问题，核方法的出现大大推动了非线性过程研究的发展。主要的核方法有核主成分分析(kernel principal component analysis，KPCA)；核Fisher判别分析(kernel fisher discriminator analysis，KFDA)；核独立成分分析(kernel independent component analysis，KICA)等。本发明本质上也是一种核判别分析方法。

发明内容

本发明要克服现有技术无法处理非线性数据且不适于在线学习应用的缺点，提供一种高效的故障检测与诊断方法，充分利用基于QR分解的核判别分析法的先降维后特征提取思想，将核空间映射到低维空间进行计算，减少了构造核矩阵的计算量，降低了核矩阵的存储空间，同时引入了增量计算思想。其具有非线性处理能力且能够快速有效地处理高维数据，有效地解决了在线学习中冗余计算的问题。

本发明解决其技术问题所采用的技术方案是：

一种适于非线性过程在线监控的工业故障检测与诊断方法，包括以下步骤：

a)样本数据采集：利用TE过程的仿真数据，仿真数据包括15组不同类别的故障数据，每组故障数据包含301个样本和51种故障测量值，构成4515×51的数据集；

b)信号预处理：首先利用小波变换软阈值法对样本数据进行小波去噪，其中小波变换软阈值法采用三层小波分解，并将小波重构后的信号作为原始样本输入；

c)数据特征提取：运用基于QR分解的增量式核判别分析法计算最佳投影矩阵，根据最近投影矩阵对样本对象进行特征降维，后续根据新的训练样本数据及时更新最佳投影矩阵；

d)故障源分类判别：采用欧式近邻法进行判别分类；

e)结果输出：输出分类信息以确定故障源状态；

最后对故障源状态进行报警及应急处理。

具体来讲，在本发明的工业故障检测与诊断方法中，所述数据特征提取过程具体包括下述步骤：

a1确定前一次基于QR分解的增量式核判别分析法计算中类间散度矩阵B^Φ中的矩阵部分，确定前一次基于QR分解的增量式核判别分析法计算中总体散度矩阵T^Φ中的矩阵部分，确定每类样本数量n_i(i=1,2,…,c)，确定新插入的样本x；

a2根据步骤a1中的矩阵部分、每类样本数量n_i以及新插入的样本x更新类间散度矩阵B^Φ；

a3根据步骤a1中的矩阵部分、每类样本数量n_i以及新插入的样本x更新总体散度矩阵T^Φ；