[发明专利]一种基于嵌套迭代费舍尔判别分析的故障诊断方法

说明书

技术领域

本发明属于化工过程统计监测领域，特别是涉及一种基于嵌套迭代费舍尔判别分析的故障诊断方法。

背景技术

作为工业生产中一种重要的生产方式，化工过程与人们的生活息息相关，已被广泛应用于冶金、炼油、造纸、制革等领域。如何保证化工过程生产安全，提高产品质量和经济效益是人们关注的焦点。随着化工过程日益复杂，在线故障检测及诊断也越来越重要。故障诊断是指在检测到故障发生后，进一步判断发生了哪种故障。提早诊断出故障可以保障生产的安全可靠运行以及产品的高质量，从而可以避免重大安全事故，减少人员伤亡以及提高经济效益。随着技术的发展，工业现场可以获得越来越多的数据，基于数据的在线故障诊断策略越来越受到研究人员和现场工程师的青睐。化工过程的统计建模、在线监测、故障诊断及质量预测已成为广泛的研究课题。

前人对此已经作了相应的研究与探讨，基于不同的角度提出了相应的在线故障诊断办法。归纳起来有如下几种：基于重构指标的方法、基于相似度计算的模式匹配方法、基于模型的改进隔离方法以及降维的方法。其中，降维的方法如主元分析、费舍尔判别分析能有效处理高维度、高相关性的数据，它们通过构造潜变量将高维度原始测量数据投影到低维度的监测空间，从而提高了故障诊断精度，被广泛应用于工业过程在线故障诊断。总体来说，上述几种基于降维的故障诊断方法各有各的适用场合与优缺点。相对而言，费舍尔判别分析方法侧重于区分具有不同特性的数据，在故障诊断方面更有优势。但是，基于传统费舍尔判别分析的在线故障诊断方法应用于实际化工过程时存在三方面的问题：首先，化工过程数据往往是高度耦合的，这可能导致类内散布矩阵是奇异的，从而无法进行奇异值分解提取过程数据潜在信息。其次，由于类间散布矩阵奇异，有可能导致判别成分的个数小于类别的个数，从而使得散布矩阵无法提供充足的过程信息。最后，在每个类中，所提取的判别成分是线性相关的，这就导致所提取的过程信息冗余。针对传统费舍尔判别分析方法的不足，研究人员提出了一系列的改进方法。总的来说，这些方法均采用两步法解决高耦合数据带来的散步矩阵奇异性问题，其关键在于如何在进行费舍尔判别分析之前进行数据降维。然而，前人的方法在解决奇异性问题时均存在一定程度的问题，如数据压缩不当而导致无法提取出过程数据的关键潜在信息，或者过程重要信息缺失等等，从而导致故障诊断精度欠缺。

本发明的内容深入考虑了化工过程的复杂性以及数据的高维度高耦合性，提出了一种基于嵌套迭代费舍尔判别分析的故障诊断方法。该方法充分发掘了过程数据所包含的潜在信息，能有效区分不同类别的过程数据，大大提高了在线故障诊断性能。到目前为止，尚未见到与本发明相关的研究报道。

发明内容

本发明的目的在于针对现有针对化工生产过程的在线故障诊断技术的不足，提供一种基于嵌套迭代费舍尔判别分析的故障诊断方法。

本发明的目的是通过以下技术方案来实现的：一种基于嵌套迭代费舍尔判别分析的故障诊断方法，该方法包括以下步骤：

(1)获取过程分析数据：设一个化工生产过程具有J个测量变量和操作变量，则每一次采样可得到一个1×J的向量，采样K次后得到的数据表述为一个二维矩阵X(K×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率；所述操作变量包括给料量、阀门开度；分别获取正常数据二维矩阵X_n(K×J)和故障数据二维矩阵X_f,m(K×J)，其中，下标n表示正常数据，下标f表示故障数据，m表示故障的类别；将正常数据和故障数据统一标示为X_i(K×J)，其中下标i表示数据的类别；

(2)选取正常数据样本和一类故障数据样本作为总样本其中，由X_i(i＝1,2)从上到下排列组成；

(3)数据准备：分别计算总样本均值向量每类样本均值向量总类内散布矩阵S_w和类间的散布矩阵S_b，计算公式如下：