[发明专利]一种基于工业过程运行状态趋势分析的故障预警方法

权利要求书

1.一种基于工业过程运行状态趋势分析的故障预警方法，其特征在于，包括以下步骤：

S1：基于工业现场的过程数据传感器采集系统，获取工业过程中历史正常过程数据样本集X和带有故障的过程数据样本集S；

S2：通过样本集X构建故障监测模型，然后对样本集S进行监测，获取故障数据监测统计量SPE的值，作为描述过程数据传感器采集系统运行状态的观测向量Y；

S3：对样本集S和观测向量Y构建高斯过程回归模型；

S4：通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库；

S5：使用高斯过程模型对在线采集过程数据X_New进行预测，获得预测值Y_New；

S6：根据核字典学习所建立的系统运行状态的趋势库对趋势基其中，表示第一个预测值，表示第二个预测值，表示第三个预测值进行分类，识别系统运行变化的趋势，从而实现故障早期预警；

步骤S4所述的通过核字典学习提取样本数据集S中的基本趋势，建立系统运行状态的趋势库的具体步骤如下：

S41：根据设定的7种基本趋势对样本数据集S的SPE统计量值进行有监督的标记；设定的7种基本趋势包括A(+,0)、B(0,0)、C(-,0)、D(+,-)、E(-,+)、F(-,-)和G(+,+)；A(+,0)表示趋势直线向上，B(0,0)表示趋势保持不变，C(-,0)表示趋势直线向下；D(+,-)表示趋势曲线向上且变化逐渐减缓，E(-,+)表示曲线向下且变化逐渐减缓；F(-,-)表示趋势曲线向上且变化逐渐加快；G(+,+)表示趋势曲线向上且变化逐渐加快；

S42：采用核字典学习进行有监督的学习建立核字典学习模型，表示为核函数为T表示为趋势集，Φ(T)为趋势集T的高维特征空间，D为在高维空间所学习到的字典，A_i所对应高维特征空间样本Φ(T)_i的稀疏表示，A表示Φ(T)的稀疏表示，λ表示稀疏惩罚系数，i表示样本索引，c表示核参数；

S43：首先初始化D，然后采用变量交替优化的策略求解；

S44：根据学习得到的核字典学习模型建立系统运行状态的趋势库；

步骤S5所述使用高斯过程模型对在线采集过程数据X_New进行预测，获得预测值Y_New的具体步骤如下：

S51:定义预测样本(x_*,y^*)，求取训练数据集的观测向量Y和测试数据预测值y^*之间的联合概率分布其中，x_*表示预测的样本，y^*表示测试数据预测值，S表示样本集；σ表示噪声的标准差；I表示单位矩阵；

S52:根据贝叶斯定理，基于样本集S建立的先验概率分布和联合概率分布求取新测试样本(x_*,y^*)的后验概率分布K(x*,x*)表示预测样本x_*的核函数映射，y表示原始样本的观测值；

S53：取新样本(x_*,y^*)预测的均值作为预测值y^*；

步骤S6根据核字典学习所建立的运行状态趋势库对时序的预测值进行分类，识别系统运行变化的趋势，从而实现故障早期预警的步骤如下：

S61：将时序预测值输入核字典学习模型，获得核字典所对应稀疏参数γ；

S62：求取核字典中基本趋势中每一类的ψ＝||Y_new-Dγ||₂，ψ表示残差值，Y_new表示时序预测值向量；

S63：将最小值ψ值所对应的基本趋势作为时序预测值的变化趋势类型，实现对工业现场故障早期预警。

2.如权利要求1所述的基于工业过程运行状态趋势分析的故障预警方法，其特征在于，步骤S2所述的对样本集X构建的故障监测模型具体目标为：通过多元统计过程监测方法进行离线建模，构建过程监测统计量SPE及SPE的阈值；然后对所采集样本集S进行在线监测，根据离线建模的信息获取样本集S的过程监测统计量SPE的集合Y_SPE；最后将所获得样本集S的SPE值作为描述过程数据传感器采集系统运行状态的观测向量Y。