[发明专利]基于贝叶斯网的故障分离快速方法

说明书

技术领域

本发明涉及故障诊断领域，具体是一种适用于在工业控制过程，尤其是在复杂工业控制过程中过程出现故障时快速定位出故障源的方法。

背景技术

复杂工业过程一旦发生事故可能对生产安全、效率或产品质量造成不良影响，为了防止此类事情的发生，需要对工业过程实时进行故障诊断。对于传统的基于模型的故障诊断方法来说，很难对一个复杂过程建立精确的物理模型进行管理监控。而在复杂工业过程中，各种传感器又时刻产生大量反映过程运行机理和运行状态的数据。因此基于数据驱动的故障诊断方法在对过程运行数据进行分析时，无需知道系统精确解析模型，即可完成对系统的故障检测与诊断。

基于复杂工业过程数据的故障诊断方法是一种行之有效的检测和分离过程故障方法。该方法通过对工业过程关键部位安装传感器，通过对传感器产生数据进行分析，能够准确地判断出该工业过程是否发生故障，故障源在哪里。

为了保证工业过程正常运行，判断出是否发生故障、定位故障源，不仅需要准确还需要快速，因此本领域技术人员致力于寻找快速故障诊断方法。

发明内容

本发明的目的是提供一种快速故障诊断方法，实现在复杂工业过程中快速诊断并隔离故障，保证工作过程正常运行。

为实现上述目的，本发明通过结合贝叶斯网，快速对T²统计量进行分解，从而快速定位出故障源，保证工业过程正常运行。

本发明提供一种基于贝叶斯网的故障诊断方法，其特征在于，包括以下步骤：

（1）通过工业过程的历史数据，构造出工业过程的贝叶斯网，并计算工业过程故障的控制限；

（2）计算工业过程的当前T²统计量；

（3）如果当前T²统计量小于控制限，则工业过程处于正常运行状态，执行步骤（2）；如果当前T²统计量大于控制限，则工业过程发生故障；

（4）结合贝叶斯网，对当前T²统计量进行MYT分解；

（5）对步骤（4）得到的MYT分解项依次检测是否超过其对应的控制限；

（6）超过控制限的MYT分解项对应的条件因子就是故障的故障源，如果条件因子数为0，则MYT分解项对应的变量为工业过程的故障源；

条件因子数是指MYT分解项依赖变量的个数。

进一步地，步骤（1）中计算工业过程故障的控制限，包括以下步骤：

（11）根据工业过程的历史数据，计算工业过程的非故障数据的均值向量和方差-协方差矩阵；

（12）将步骤（11）计算的同一时刻的数据构成一个向量，向量的维数表示同一时刻采样的传感器个数或者工业过程的变量的个数；

（13）根据系统设定的误报率，计算工业过程故障的控制限。

进一步地，步骤（13）中计算所述工业过程故障的所述控制限的方法为：

CL=Tα2=p(n-1)(n+1)n(n-p)Fα(p,n-p),]]>

其中：F_α(p,n-p)是自由度为p和n-p、置信度为1-α的F分布，p为系统变量数，n为样本数。

进一步地，步骤（2）计算工业过程的当前T²统计量，包括以下步骤：

（21）读取当前时刻工业过程的传感器的采样值；