[发明专利]一种基于判别分析的工业过程多故障诊断方法

说明书

本发明公开了一种基于判别分析的工业过程多故障诊断方法，包括：基于工业过程的正常样本集，确定该工业过程故障样本并建立故障样本集；利用改进的Fisher判别分析提取故障样本每个变量的特征属性；特征属性反映该变量偏离正常分布的程度，以特征属性大小为重构顺序，依次进行多维度重构，直到重构后监测统计量小于控制限。本发明通过多维重构，确定全部故障变量，并通过特征属性大小区分主要故障变量、次要过程变量；并且多维度重构方法不受变量间“污染”效应，适用于复杂的多故障情形下的故障，因此，本发明能够在复杂的多故障情形下进行故障诊断，克服了传统单维重构的“污染”效应，同时诊断结果能够提供有关故障变量主次的故障信息。

技术领域

本发明属于工业过程故障诊断及隔离技术领域，特别是涉及一种基于判别分析的工业过程多故障诊断方法。

背景技术

在工业制造过程中，有效的过程监控与故障诊断能够确保安全性，提高产品质量。基于模型与基于数据的方法，一直以来作为两大流派，拥有众多的研究成果，但是基于模型的方法深入了解系统机理，往往面临困难。随着计算机技术的快速发展，基于数据的方法得到了更多的重视。

基于数据的方法包含有主元分析法PCA、偏最小二乘法PLS、独立成分分析法ICA等。其中主元分析法PCA被广泛应用于过程监测中，其核心思想是将高维数据分解为主元子空间与残差子空间，计算监测统计量与其对应的控制限，通过与控制限进行对比，判断是否发生故障。

在监测到故障发生后，需要进行故障隔离，故障隔离主要判断发生故障的变量，从而辨识出故障源头。早期的学者提出基于贡献图的方法来进行故障隔离，这种方法简单有效，在实际工业中应用非常广泛。但是由于变量之间的相关性，故障变量容易影响到其他正常变量，从而使得正常变量的贡献值甚至超过故障变量，导致出现错误的诊断结果，这被称为“污染效应”。后来有专家提出了基于重构贡献(Reconstruction-based Contribution,RBC)的方法，这种方法能够保证单变量故障问题诊断的正确性，但是面对多维故障等复杂情形时，依然会出错。针对更复杂的多变量故障问题，有学者提出了缺失变量分析法，并且使用分支定界法进行搜索，但是会面临高昂的计算代价问题。因此，有学者将故障隔离问题转换为LASSO进行惩罚回归进行计算，但提供的诊断信息过少，且计算代价仍然较大。

发明内容

本发明提供一种基于判别分析的工业过程多故障诊断方法，用以解决现有工业过程故障诊断技术在故障样本存在复杂多维故障时不能同时兼容低计算复杂度和高诊断精确度的技术问题。

本发明解决上述技术问题的技术方案如下：一种基于判别分析的工业过程多故障诊断方法，包括：

步骤1、基于工业过程的正常样本集，确定该工业过程的故障样本并建立故障样本集；

步骤2、分别将所述正常样本集和所述故障样本集向其空间同一直线上投影，基于Fisher判别分析，以投影后的所述正常样本集和所述故障样本集之间的类间散度矩阵最大为目标，得到投影系数向量；

步骤3、基于所述投影系数向量中各元素的绝对值大小，确定所述故障样本中各变量方向的重构优先级；

步骤4、沿所述重构优先级中的前k个变量方向，对所述故障样本进行多维重构，使得重构后所述故障样本为正常样本，并将所述前k个变量方向确定为故障方向，完成故障诊断，其中，k为正整数。