[发明专利]一种基于加权关键主元的工业过程故障检测方法及系统

说明书

本发明涉及一种基于加权关键主元的工业过程故障检测方法及系统，包括以下步骤：S1：获取正常工况下的设备样本数据，构建得分矩阵并计算得分矩阵的局部离群因子值，获取设备的控制限；S2：在线采集设备的样本数据，获取其海林格距离变化率，基于海林格距离变化率构建加权得分矩阵，计算加权得分矩阵的局部离群因子值，判断加权得分矩阵的局部离群因子值是否大于设备的控制限，若是，判断设备发生故障，否则，判断设备正常，返回步骤S2。与现有技术相比，本发明能够很好地检测到故障的发生，故障漏报率低，误报率低。

技术领域

本发明涉及故障检测领域，尤其是涉及一种基于加权关键主元的工业过程故障检测方法及系统。

背景技术

随着现代工业的快速发展，工业生产的安全性与可靠性变得尤为重要。以故障检测为主导的过程监测方法与技术成为了工业安全领域的热点。目前故障检测的方法主要有三类：基于数学模型的故障检测方法、基于定性知识的故障检测方法和基于数据驱动的故障检测方法；其中基于数据驱动的故障检测方法不需要精准的系统模型，而且随着传感器技术的飞速发展，海量数据的获得也变得更加容易，因此该方法越来越引起人们重视。主成分分析(PCA)算法作为基于数据驱动的故障检测算法之一，由于其简便的算法流程以及处理高维数据的高效能力而受到了广泛的研究与关注，相关的拓展算法如概率PCA、核PCA、动态PCA等。

尽管目前对于PCA算法的各种改进较多，但PCA算法中主元的选取及后续处理问题依然需要更深入研究。传统的主元选取方法有累计方差贡献法(cumulative percentvariance,CPV)，重构误差方差法(variance of the reconstruction error,VRE)和平均特征值法(average eigenvalue,AE)等，这些方法都是认为较大方差所对应的主元包含更多的信息，而较小的方差所对应的主元则常常被忽视。Jolliff提出具有较小方差的主元和具有较大方差的主元同等重要，Togkalidou指出具有较大方差的主元不一定具有最多信息量。因此，仅凭方差大小的贡献度来确定主元的方法过于主观机械，会造成有用信息的遗失。同时，传统主元选取方法根据正常工况数据进行线下建模，没有考虑故障样本对于建模的影响。上述问题都会导致故障检测性能的大幅下降。为此，Tao等人将RelifeF算法与PCA算法相结合，从故障特征角度出发，避免了主元选取时的主观性。Jiang等人统计单个主元统计量的变化率，通过选取与监测敏感主元进行故障检测，但在选取主元的阶段仍采用传统CPV方法，这会导致有用信息的丢失，影响检测效果。Cang等人通过构造累计统计量的变化率，表现主元的变异程度，但是传统统计量要求数据变量服从正态分布，实际工业流程中采集到的数据显然很难满足此限制条件。同时从几何角度来看，统计量实质上是一个椭圆形控制边界，误差较大。Song提出全变量表达(full variable expression,FVE)的主元选取方法，选出对各个变量解释性最大的主元作为关键主元，保留了所有变量信息，但该方法仍然是依据统计量的形式构造相应统计量进行检测，其次，上述所有方法同等看待被选主元，实际上，故障发生时只有某些主元含有与故障相关的重要信息。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于加权关键主元的工业过程故障检测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于加权关键主元的工业过程故障检测方法，包括以下步骤：

S1：获取正常工况下的设备样本数据，构建得分矩阵并计算得分矩阵的局部离群因子值，获取设备的控制限；

S2：在线采集设备的样本数据，获取其海林格距离变化率，基于海林格距离变化率构建加权得分矩阵，计算加权得分矩阵的局部离群因子值，判断加权得分矩阵的局部离群因子值是否大于设备的控制限，若是，判断设备发生故障，否则，判断设备正常，返回步骤S2。

优选地，所述的步骤S1具体包括：

S11：采集正常工况下的样本数据，并进行标准化，获取原始数据矩阵；