[发明专利]基于方向核偏最小二乘的工业过程故障诊断方法

说明书

技术领域

本发明属于工业过程的故障监测与诊断技术领域，具体涉及基于方向核偏最小二乘的工业过程故障诊断方法。

背景技术

随着现代科学技术的不断发展，特别是计算机科学水平与控制水平的飞速提高，现代工业过程越来越呈现出大型化、复杂化、整体化、高速化的形式。在提高工业过程生产效率和产量的同时，如何提高工业过程系统的安全性、可靠性，防止和杜绝影响系统正常运行的故障的发生和发展就成为一个重要的有待解决的问题。过程监测就是一门为了解决这类问题而发展起来的技术。其目的一方面在于通过监测系统的行为和特性，加深对系统的了解，以便更好地控制系统，提高产品的产量和质量，提高经济效益；另一方面在于避免了系统的故障、设备的损坏和人员的伤亡，减少故障所带来的经济损失，提高产业的经济和社会效益。传统的偏最小二乘(PLS)建模、监测与诊断方法虽然应用广泛，但其方法本身仍然存在一些问题，阻碍了生产过程的精确建模与准确监测。第一个问题是PLS的残差中仍然包含与输入变量有关的变异。由于输出相关变异的存在且没有被解释利用，PLS在监测和诊断与输出变量有关的故障时具有局限性，不能达到最好的效果。第二个问题是PLS残差空间中的变异量很大，不适合用平方预测误差(SPE)监测统计量对其进行监测。这是由于PLS主元不是按照方差大小排列，很多包含大方差的主元被留到了PLS残差子空间中。因此，PLS残差子空间中的变异必须被减少。传统的主元分析(PCA)故障重构方法是将故障数据空间分解成两个互相垂直的子空间，主元子空间和残差子空间。PCA是保持最主要的数据分布方向，这些方向可以有效表示数据分布特征，但是PCA模型只是研究了故障数据的内部关系，不能够有效隔离数据中的故障信息和正常信息，而且基于PCA的重构对于关注产品质量的生产过程适应性较差。另外实际工业过程中，变量之间往往呈现出非线性特征，利用传统的线性方法进行重构也是不能达到满意的效果，所以需要对传统重构方法进行改进，提高故障诊断水平。

发明内容

针对现有技术的不足，本发明提出基于方向核偏最小二乘的工业过程故障诊断方法。

本发明技术方案如下：

基于方向核偏最小二乘的工业过程故障诊断方法，包括以下步骤：

步骤1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异E_r及其主元T_r，则获得历史正常数据新的高维特征空间F的主元T_d＝[T，T_r]，计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPE_d，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPE_d的控制限；

步骤1.1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据：对m个历史正常数据进行n次采样，得到历史正常输入数据矩阵x和历史正常输出数据矩阵y；

步骤1.2：对历史正常输入数据矩阵x和历史正常输出数据矩阵y进行标准化处理，得到预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y；

步骤1.3：选取非线性变换φ(X)，将预处理后的历史正常输入数据X映射到历史正常输入数据的高维特征空间F，利用径向基内积核函数，求出历史正常输入数据的初始核矩阵K₁；

步骤1.4：对预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y进行KPLS运算，求得预处理后的历史正常输入数据X的PLS主元T、预处理后的历史正常输出数据Y的PLS主元U和经过α次迭代后使预处理后的历史正常输出数据Y的PLS主元U收敛的历史正常输出数据的核矩阵K_α+1；

步骤1.5：令高维特征空间F的PLS残差中有i个主元，求得高维特征空间F的PLS残差中与输出变量相关的变异E_r及其主元T_r，则获得新的高维特征空间F的主元T_d＝[T，T_r]；

步骤1.6：计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPE_d，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPE_d的控制限。