[发明专利]一种基于多个误差生成模型的故障分类诊断方法

说明书

本发明公开一种基于多个误差生成模型的故障分类诊断方法，通过多个单分类的模型实施故障诊断。首先，本发明方法将每种故障类型可用训练数据转换成能体现变量间相互关系特征的误差，然后对各个故障训练数据转换后误差分别建立单分类匹配模型。在线故障类型识别时，先将在线故障样本按不同故障类型对应的误差生成模型转换为误差后，在计算相应的统计指标数值，并依据统计指标最小数值识别故障类型。与传统方法相比，本发明方法针对各测量变量单独建立一个偏最小二乘模型以生成误差，体现出了分散式建模的特点。此外，本发明方法将故障分类诊断的多分类问题转换成了多个单分类模型实施故障分类。因此，本发明方法是一种更为优选的故障分类诊断方法。

技术领域

本发明涉及一种数据驱动的工业故障诊断方法，尤其涉及一种基于多个误差生成模型的故障分类诊断方法。

背景技术

通常意义上来讲，对生产过程运行状态实施监测的目的首先在于及时而准确地发现故障，其次在于识别出故障的根源或类型。因此，故障检测与诊断两者缺一不可，它们对于保证安全生产与维持产品质量稳定是具有重要意义的。近十几年来，针对故障检测的研究层出不穷，涌现出了一大批故障检测新方法与新思路。相比之下，针对故障诊断的研究却寥寥无几。当前，由于工业信息化建设的大举推进，实施故障检测与诊断的主流技术是数据驱动的方法，这主要得益于现代化工过程的大型化建设以及先进仪表与计算机技术的广泛应用，生产过程可以采集海量的数据。数据驱动的故障诊断方法发展至今主要的实施方案有两种，其一是监测变量的贡献度分析，其二是将故障诊断当成一种分类问题实施故障分类。变量的贡献度分析由于变量间的交错关系，很容易将正常变量定位成故障根源。故障分类通过判别故障类型，在保证分类模型精确性的前提下可以较好地识别出故障类型。

然而，与传统分类问题不同的是，故障分类所能使用的数据皆采集自工况切换的过渡过程阶段，不仅数据的时变特性非常强，而且各类故障的可用参考样本有限。这主要是因为在故障发生后，现场操作人员会在第一时间内将过程修复至正常运行状态，各种故障工况下采集到的数据量是有限的。针对故障分类的研究若是直接采用模式识别领域常用的分类算法如判别分析、支持向量机、神经网络等建立多分类模型通常得不到满意的效果。此外，支持向量机与神经网络需要大量的数据实施训练才能保证模型精度，它们通常不适合用作故障分类诊断。

纵观现有的故障分类诊断方法的文献与专利，还鲜有涉及将故障多分类模型转变成多个单分类模型实施故障类型识别的解决思路。一般而言，针对某个故障类型进行特征描述建立单分类的模型与实施故障检测有相似之处，其特点在于可以针对每种故障类型实施其各自的特征挖掘与分析。然而，由于每种故障的可用训练数据时变特性强，建立单分类的模型实施故障类型匹配还有很多挑战性的难点未得到有效解决。

发明内容

本发明所要解决的主要技术问题是：如何通过多个单分类的模型实施故障类型识别。具体来讲，本发明方法首先将每种故障类型的可用训练数据转换成能体现变量间相互关系特征的误差，然后对误差建立分类的“故障检测”模型从而用于在线故障类型识别。

本发明解决上述技术问题所采用的技术方案为：一种基于多个误差生成模型的故障分类诊断方法，包括以下步骤：

(1)从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成不同的参考故障数据集其中N_c为第c种故障的可用样本数，c＝1，2，…，C，R为实数集，表示N_c×m维的实数矩阵，m为过程测量变量的个数。

(2)对各类型故障的参考故障数据集X₁，X₂，…，X_C按列实施标准化处理，对应得到均值为0，标准差为1的新数据矩阵并初始化i＝1。

(3)将新数据矩阵中的第i列向量x_i取出，新数据矩阵中其余的列组成新矩阵再利用偏最小二乘算法建立由Y_i预测输出x_i的误差生成模型，具体的实施过程如下所示：