[发明专利]一种动态系统中分布式数据驱动的最优故障检测方法

说明书

本发明公开了一种动态系统中分布式数据驱动的最优故障检测方法，包括：基于动态系统中传感器子节点采集的正常工况时的历史数据，每个子节点进行数据驱动的过程建模；根据动态系统中传感器子节点的网络拓扑结构，基于平均一致性算法，所有子节点进行分布式的过程建模；基于提升技术，每个子节点重新构建过程模型；基于分布式卡尔曼滤波器，每个子节点构建最优故障检测模型。应用本发明的动态系统中分布式数据驱动的故障检测方法，能够有效减少集中式诊断策略的数据传输风险和计算负担，具有成本低、交互数据少、可靠性高等优点，在一定程度上缓解了集中式诊断结构的安全风险。

技术领域

本发明涉及工业过程的控制和监测技术领域，特别涉及一种动态系统中分布式数据驱动的最优故障检测方法。

背景技术

近年来，根据研究和应用领域的安全要求，工业生产过程的故障检测问题受到普遍关注。实际的工业生产过程机理复杂、工序众多、存在动态特性，易发生故障且故障危害性大。一旦发生故障不能被及时检测出来并有效处理，轻则影响产品质量，重则造成设备损坏，甚至造成人员伤亡。因此设计合适的故障检测单元对工业生产过程进行实时监测，确保生产过程安全、可靠运行，在工程应用上有着重大需求。

传统的基于模型和数据驱动的故障诊断方法大多数采用集中式策略。集中式策略是将所有的测量数据传输到一个中心站中，在中心站中执行相应的数据处理和故障诊断操作。众所周知，集中式诊断策略计算量大、传输数据的成本和风险较高，因此可能导致可靠性和安全性问题。近年来，智能传感系统和计算设备的广泛使用驱动了分布式诊断策略的发展。平均一致性技术已成功地应用于分布式过程和多智能体过程中的数据融合和状态估计，并成为处理分布式问题的成熟工具。据检索，开发基于数据驱动的分布式卡尔曼滤波器的故障检测系统受到的关注非常有限。而且大多数分布式数据驱动的故障检测方法主要集中在分布式或并行计算以及故障检测算法的实现上，没有考虑现有的通信拓扑和数据传输策略。特别是在数据驱动的训练阶段，大多数采用集中式的方式而不是分布式的方式。

发明内容

针对上述问题，为减少集中式故障检测的数据传输风险和计算负担，本发明提供一种动态系统中分布式数据驱动的最优故障检测方法，针对大规模的动态系统，采用分布式的故障诊断策略，基于分布式数据驱动的过程建模，设计基于分布式卡尔曼滤波器的故障检测模型，实现了动态系统的分布式最优故障检测。

为解决上述技术问题，本发明的实施例提供如下方案：

一种动态系统中分布式数据驱动的最优故障检测方法，包括以下步骤：

S1，基于动态系统中传感器子节点采集的正常工况时的历史数据，每个子节点进行数据驱动的过程建模；

S2，根据动态系统中传感器子节点的网络拓扑结构，基于平均一致性算法，所有子节点进行分布式的过程建模；

S3，基于提升技术，每个子节点重新构建过程模型；

S4，基于分布式卡尔曼滤波器，每个子节点构建最优故障检测模型。

优选地，所述步骤S1具体包括以下步骤：

S11，动态系统中各子节点收集正常工况时的历史数据，构建如下数据矩阵：

其中，表示第i个传感器子节点第k次采样的测量值，Y_i,p、Y_i,f、和均为第i个子节点构建的数据矩阵，s是一个整数，N是一个较大的整数；

本步骤中，子节点集合表示为所述动态系统中各子节点包括动态系统中的每个子节点，即i＝1,…,M；

S12，各子节点计算如下的投影：