[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

说明书

本发明公开了一种基于工业过程运行状态趋势分析的故障预警方法，包括以下步骤：步骤一：获取工业过程中历史正常过程数据和带有故障的过程数据；步骤二：通过对带有故障的数据进行监测获取故障数据监测统计量的值；步骤三：对带有故障过程数据及其观测值建立高斯过程回归(GPR)模型；步骤四：使用定性趋势分析对观测值进行描述，得到7种基本趋势基，并通过核字典学习(KDL)提取带有故障的过程数据7种基本趋势，建立系统运行状态的趋势库；步骤五：使用GPR模型预测在线采集过程数据的观测值，作为KDL的输入向量，对不同的趋势进行分类分析，实现故障早期预警。该方法可有效反映故障发展趋势，对工业过程实现有效故障诊断与健康管理具有重要作用。

技术领域

本发明属于流程工业过程故障诊断与预警领域，具体是涉及到一种基于高斯过程回归的状态预测和核字典学习的趋势提取的流程工业过程故障预警方法。

背景技术

随着国民经济的快速发展，工业生产规模不断扩大，现代工业过程向着非线性、非高斯、非稳态和多模态等复杂化方向发展，工业生产事故频发，事故危害和损失及其巨大，工业过程安全直接关系到国家经济发展和人民生命财产安全，过程安全、产品质量以及节能减排增效逐渐成为现代工业的核心目标。故障趋势预测是故障诊断和健康管理领域的一个重要内容，工业过程的运行状态直接影响到产品质量和安全生产。因此，及时掌握和发现工业过程运行状态的趋势，预测工业过程故障的发展过程是保障过程安全和可靠运行的关键。目前，工业过程运行状态预测的主要方法包括自回归滑动平均方法、支持向量回归和神经网络等方法；通过自回归滑动平均方法对工业过程时序数据进行预测其参数难以确定，造成对不同时序过程数据预测鲁棒性不足等问题；支持向量回归对于一些复杂非线性工业过程数据预测具有很大的难度；神经网络方法则需要大量的训练样本和易陷入过拟合等问题，难以进行有效的预测。

高斯过程回归是一种随机过程，是对高维高斯分布的一个扩展，具有建模参数少，优化时间短，对处理非线性高维数据具有良好的适应性。相对于神经网络方法，高斯过程回归预测精度更高；相比于支持向量回归，高斯过程回归泛化能力和鲁棒性更强。高斯过程回归由均值函数和协方差函数进行描述，先计算历史过程数据的先验概率分布以及历史过程数据和预测数据的联合概率分布，最后根据贝叶斯定理获得预测数据的后验率分布，从而确定预测值。字典学习通过去除样本矩阵中的冗余信息，寻找合适的稀疏表达字典，达到降低学习任务难度、降低计算和存储开销和提高可解释的作用。首先根据过程数据运行状态的7种基本趋势对历史过程数据进行标记，利用标记历史过程数据进行核字典学习，实现剔除降噪和冗余分量的效果，然后对所预测出时序数据进行识别，判断出工业过程运行状态的趋势，从而实现故障的早期预测。

名词解释：

PCA方法：主成分分析法，即通过线性变换,将原始数据变换为一组各维度线性无关的数据表示方法。

KPCA方法：核主成分分析，一种对PCA算法的非线性扩展。

PLS方法：偏最小二乘回归方法。

发明内容

本发明要解决的技术问题是提供一种基于工业过程运行状态趋势分析的故障预警方法。本发明通过结合定性趋势分析和过程状态预测建立基于工业过程运行状态趋势的故障预警方法，能够准确、直观的反映工业过程运行的状态。

本发明的内容包括：

一种基于工业过程运行状态趋势分析的故障预警方法，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；