[发明专利]基于判别核慢特征分析的非线性过程故障辨识方法及系统

说明书

本发明提供了一种基于判别核慢特征分析的非线性过程故障辨识方法及系统。其中，基于判别核慢特征分析的非线性过程故障辨识方法，包括根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性，利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向；比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性，根据相似性系数确定出待辨识故障数据的故障类型。其能够利用非线性过程数据的类别标签信息，提高非线性过程的故障辨识性能。

技术领域

本发明属于多变量非线性工业过程故障识别领域，尤其涉及一种基于判别核慢特征分析的非线性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发明相关的背景技术信息，不必然构成在先技术。

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。随着计算机控制系统的广泛应用，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)和慢特征分析(SFA)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，如何继续辨识工业过程的故障类型，特别是辨识非线性工业过程的故障类型是故障诊断领域中一种更具有挑战性的研究问题。

贡献图法是一种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，故障的影响会从真实的故障变量传播到正常过程变量，导致贡献图无法正确识别故障发生的根源。此外，贡献图法也不适用于基于非线性的过程监控方法，因为在非线性方法中过程变量从原始空间被非线性变换到高维特征空间，导致过程变量丢失了对监控模型的贡献度和相关性信息。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和正常工况数据中提取的判别特征信息，基于判别分析的方法能够更加准确和高效的识别故障类型。Bohmer等首先提出基于核技巧的非线性SFA方法。近年来，核SFA(KSFA)作为一种有效的非线性工业过程故障检测技术，引起了国内外研究人员的广泛关注。为了解决过程数据具有的非线性特征问题，KSFA首先将原始过程数据通过核函数非线性变换到高维特征空间，然后在特征空间中实施SFA技术，提取非线性过程数据的低维特征信息。虽然基于KSFA的方法取得了一定的应用成果，但是发明人发现，KSFA方法缺点在于：(1)KSFA是一种无监督的算法，无法利用过程数据的类别标签信息，降低了故障诊断的性能。(2)KSFA一直被用于检测非线性过程的故障，仅仅只是用来检测故障，但是还无法判断故障的类型。

发明内容

为了解决上述问题，本发明提供一种基于判别核慢特征分析的非线性过程故障辨识方法及系统，其能够利用非线性过程数据的类别标签信息，提高非线性过程的故障辨识性能。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面提供一种基于判别核慢特征分析的非线性过程故障辨识方法，其包括：

根据最小化正常工况数据集的时间变化且同时最大化正常工况数据集和待辨识故障数据集之间的类间可分离性，利用判别核慢特征分析算法提取待辨识故障数据集和历史故障模式数据集的故障方向；

比较待辨识故障数据集的故障方向与历史故障模式数据集的故障方向之间的相似性，根据相似性系数确定出待辨识故障数据的故障类型。

本发明的第二个方面提供一种基于判别核慢特征分析的非线性过程故障辨识系统，其包括：