[发明专利]一种基于故障特征变量选择的故障类型匹配方法

说明书

本发明公开一种基于故障特征变量选择的故障类型匹配方法，旨在解决如何在各故障类型训练样本数据量有限的前提下，针对历史数据库中各故障类型实施故障特征变量选择，并利用该特征变量实施故障类型匹配的问题。具体来讲，本发明方法首先利用近邻成分分析逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量。然后，利用故障特征变量实施窗口矩阵之间的相似度计算。最后，通过最大相似度判别故障类型。本发明方法利用各故障的特征变量实施故障类型匹配不仅能消除非特征变量的干扰影响，而且还能直接降低变量维数，从而使样本数有限的问题不显得那么突出。因此，本发明方法是一种更为优选的故障诊断方法。

技术领域

本发明涉及一种数据驱动的故障诊断方法，尤其涉及一种基于故障特征变量选择的故障类型匹配方法。

背景技术

一般而言，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者故障类型。因此，故障检测与故障诊断两者缺一不可，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。纵观近年来在过程监测领域的研究成果，针对故障检测的研究层出不穷，而针对故障诊断的研究成果却屈指可数。这种现象在数据驱动的故障诊断研究领域尤为突出，与可用的故障检测方法技术相比，现有科研文献与专利中少有故障诊断方面的成果。通常来讲，故障诊断发展至今大体有两种思路：其一是找出故障根源，主要依赖于正确地定位出异常测量变量；其二是通过匹配历史数据库中的已知故障类型，以识别出当前被检测出故障的类型。前者依赖于测量变量的贡献度，而后者则多借鉴于模式识别领域的分类方法。

然而，与传统模式识别问题不同的是，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。各故障类型的训练数据变化情况优化复杂，且各故障发生后会导致不同测量变量出现不同程度的异常变化。此外，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通常也是有限的。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。

从不同故障类型的角度出发，各个故障类型会引起不同测量变量出现异常变化，为各个故障类型挑选出相对应的故障特征变量是实施故障类型识别首先需要考虑的问题。因为，特征变量的选择不仅可以降低测量变量的维数，使得样本数有限的问题不那么明显，而且还可以剔除非特征变量的干扰影响。可是，在有限的故障训练样本数据量下，如何甄别出这些特征变量同时给解决该问题提出了较大的挑战。最后，如何在甄别出的故障特征变量的基础上实施故障类型识别是最后一个需要考虑的问题。

发明内容

本发明所要解决的主要技术问题是：如何在各故障类型训练样本数据量有限的前提下，针对历史数据库中各故障类型实施故障特征变量选择，并利用该特征变量实施故障类型匹配。为此，本发明方法利用近邻成分分析(Neighborhood Component Analysis，NCA)这种依赖于单个样本之间近邻关系的算法，逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量。然后，利用故障特征变量实施窗口矩阵之间的相似度计算。最后，通过最大相似度判别故障类型。

本发明解决上述技术问题所采用的技术方案为：一种基于故障特征变量选择的故障类型匹配方法，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，组成各个参考故障的数据矩阵X₁，X₂，…，X_C，其中N_c为第c种故障的可用样本数，下标号c＝1，2，…，C，R为实数集，表示N_c×m维的实数矩阵，m为过程测量变量的总个数，C为参考故障的类别总数。