[发明专利]一种多变量工业过程故障辨识方法及系统

说明书

本公开公开了一种多变量工业过程故障辨识方法及系统，包括：接收正常操作工况数据集和故障模式数据集，根据正常操作工况数据集将故障模式数据集得到归一化的故障模式数据集；采用移动窗口技术获得各故障模式数据集的统计量模式矩阵；检测到工业过程发送故障后，接收实时故障数据组成的待辨识数据集，根据正常操作工况数据集得到归一化的待辨识数据集；采用移动窗口技术获得待辨识数据集的统计量模式矩阵；在统计量模式空间中，从各故障模式数据集的统计量模式矩阵中提取出故障方向，依次沿各故障模式数据的故障方向对待辨识数据的统计量模式矩阵在残差空间中进行故障重构；计算故障识别指标，确定待识别故障数据的故障类型。

技术领域

本公开属于多变量工业过程故障识别的技术领域，涉及一种多变量工业过程故障辨识方法及系统，尤其涉及一种基于统计量模式分析故障重构的多变量工业过程故障辨识方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着计算机控制系统的广泛应用，现代工业系统日益趋于大型化、集成化、复杂化，工业过程的故障诊断已经成为保证现代工业系统安全、可靠、无故障稳定运行的关键技术。由于在工业过程中能够实时采集和存储丰富的过程运行数据，基于数据驱动的故障检测与诊断技术逐渐成为工业过程监控领域的研究热点。研究人员提出了一系列基于数据驱动的故障诊断方法，比如主元分析(PCA)、偏最小二乘(PLS)和统计量模式分析(SPA)等。

然而，发明人在研究过程中发现，现有故障诊断方法的研究大多数集中在故障检测问题上(即如何快速有效的发现过程在运行时出现故障)，检测到故障发生后，针对故障源的诊断问题(即识别故障的类型和发生的原因)的研究相对较少。因此检测到故障后，如何继续辨识故障的类型是工业过程故障诊断中一种更具有挑战性的研究问题。

贡献图法是一种比较成熟和广泛使用的故障变量辨识方法，该方法简单易行且不需要与故障有关的先验知识。但是，由于过程变量间的相关性和相互耦合，贡献图法容易产生“smearing”效应，导致故障的影响会从真实的故障变量传播到正常过程变量，无法正确识别故障发生的根源。当工业过程数据库中存在一些已知的故障模式数据时，利用从故障模式数据中提取的故障方向，基于PCA故障重构的方法能够更加准确和高效的识别故障类型。Dunia等首先提出基于PCA故障重构的方法。近年来，基于PCA的故障重构法作为一种有效的故障识别技术，引起了国内外研究人员的广泛关注。该方法基于故障方向消除故障的影响以计算重构后的正常数据样本，当真实的故障方向被应用于消除故障影响时，重构后的数据样本会回到正常状态。虽然基于PCA故障重构的方法取得了一定的应用成果，但是其缺点在于：

(1)在故障重构时均假定过程数据服从高斯分布，然而如果过程数据实际上不服从高斯分布则会恶化故障类型的识别效果；

(2)直接在原始过程数据上进行故障重构，无法充分利用过程数据的高阶统计信息。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种多变量工业过程故障辨识方法及系统,基于统计量模式分析(SPA)的故障重构技术，首先提取待辨识故障数据和数据库中故障模式数据的统计量模式以充分挖掘数据的高阶统计信息，然后在统计量模式空间中基于各故障模式的方向对待辨识故障数据进行重构，解决过程数据不服从高斯分布的问题，并有效辨识其故障类型。

根据本公开的一个或多个实施例的一个方面，提供一种多变量工业过程故障辨识方法。

一种多变量工业过程故障辨识方法，该方法包括：

接收正常操作工况数据集和故障模式数据集，根据正常操作工况数据集将故障模式数据集进行标准化处理，得到归一化的故障模式数据集；

采用移动窗口技术获得各故障模式数据集的统计量模式矩阵；