[发明专利]一种基于特征变量加权的故障分类诊断方法

说明书

本发明公开一种基于特征变量加权的故障分类诊断方法，旨在为各参考故障实施特征变量选择与加权，并建立特征变量加权主成分分析模型，从而实施在线故障分类诊断。具体来讲，本发明方法利用近邻成分分析算法，逐个为各参考故障类型区分出特征变量及其异常程度。然后，利用主成分分析算法为各个故障类型加权后的特征变量建立单分类模型。最后，利用这些单分类模型实施在线故障数据所对应的故障类型的诊断。本发明方法利用各故障的特征变量实施故障分类诊断不仅能消除非特征变量的干扰影响，而且在建立单分类模型时通过加权处理还能凸显各个特征变量的差异。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故障诊断方法，尤其涉及一种基于特征变量加权的故障分类诊断方法。

背景技术

准确地诊断出生产对象运行中出现的故障，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。正是由于这个原因，过程监测一直都是工业界与学术界广泛关注的研究课题。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。相比之下，针对故障诊断的研究成果却屈指可数。与可用的故障检测方法技术相比，现有科研可文献与专利中少有故障诊断方面的成果。通常来讲，故障检测的任务在于告诉我们生产过程对象出现异常工况，而故障诊断在于找出问题所在，两者缺一不可。故障诊断发展至今大体有两种思路：其一是正确地定位出现故障的测量变量；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，与多分类问题不同的是，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。各故障类型的训练数据变化情况非常复杂，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，且主要集中于过渡过程。故障分类诊断若是直接采用模式分类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。

考虑到故障分类诊断问题的特殊性，故障发生后并非是所有的测量变量都会出现异常波动，而且各个故障类型会引起不同测量变量出现不同程度的异常变化。因此，如何区分出各个参考故障的特征变量及其相应的异常变化程度，是解决故障分类诊断难题的有效途径。此外，由于测量变量之间的交错关系，甄别故障特征变量理应从整体层面优选的角度出发，而不是单个分开考虑各个测量变量。由于不同的故障类型会对应着不同的特征变量，无法统一而论地建立单个的多分类模型。一种可行的思路是针对各个故障类型，只利用特征变量建立其各自的单分类模型，从而判别在线故障数据的归属。

发明内容

本发明所要解决的主要技术问题是：如何针对历史数据库中各故障类型实施故障特征变量的选择与加权处理，并利用特征变量建立各故障类型的单分类模型，从而实施故障分类诊断。为此，本发明方法利用近邻成分分析(Neighborhood Component Analysis，NCA)这种新型的特征选择方法，逐个为各参考故障类型区分出特征变量及其异常程度。然后，利用主成分分析算法为各个故障类型加权后的特征变量建立单分类模型。最后，利用这些单分类模型实施在线故障数据所对应的故障类型的诊断。

本发明解决上述技术问题所采用的技术方案为：一种基于特征变量加权的故障分类诊断方法，包括以下步骤：

(1)：采集生产过程处于正常运行工况下的N₀个样本数据，组成正常工况训练数据矩阵计算数据矩阵X₀中各列向量的均值μ₁，μ₂，…，μ_m与标准差δ₁，δ₂，…，δ_m，其中R表示实数集，表示N₀×m维的实数矩阵，N₀为正常样本的个数，m为过程测量变量的总个数。