[发明专利]基于重构幅值趋势特征的工业过程故障诊断方法

权利要求书

1.一种基于重构幅值趋势特征的工业过程故障诊断方法，其特征在于，包括：

S1、基于预先建立的潜结构模型对工业过程的实时数据进行检测，确认检测的数据是否存在异常数据；所述潜结构模型为预先采用历史正常数据建立的；

S2、在检测的数据中存在异常数据时，获取异常数据的故障幅值；

S3、基于动态时间扭曲算法获取所述异常数据的故障幅值序列和历史故障的故障幅值序列中每一故障幅值的相似度；

S4、根据所述相似度和指定阈值的比较结果，确定所述异常数据的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述S1之前，还包括：

S0、获取第一预设时间段内工业过程中正常的历史数据，利用动态内在主元分析对正常的历史数据建立潜结构模型，以及计算对应的综合指标控制限。

3.根据权利要求1或2所述的方法，其特征在于，所述S3之前，还包括：

S3a、获取第二预设时间段内工业过程中异常的历史故障数据，利用奇异值分解每一所述历史故障数据，并提取历史故障方向；以及

对每一历史故障数据沿着其所属的历史故障方向重构，估计出该历史故障数据的故障幅值；

将所有的历史故障数据的故障幅值组成故障幅值序列。

4.根据权利要求2所述的方法，其特征在于，

所述潜结构模型为：

其中，t_j为j时刻的动态潜变量，s为动态阶数，β_i(i＝1，2，...，s)为自回归模型的系数，x_j为j时刻的采样数据，t_j-i为当前j时刻之前i个时刻的动态潜变量，v_j为当前时刻动态潜变量的模型误差；

P为动态负载矩阵，为动态潜变量的预测值，e_j为当前时刻样本的模型残差，P_r为e_j经主元分析建模所得的负载矩阵，t_r，j为e_j的潜变量，e_r，j为残差e_j经主元分析建模后的静态残差部分。

5.根据权利要求3所述的方法，其特征在于，S3a包括：

所述历史故障数据的故障幅值依据以下公式获得：

其中，Φ_e用于将原始变量投影为统计指标的正定矩阵，e_j为动态潜结构模型残差，为所述历史故障方向向量，若故障为单故障，所述故障方向向量由故障方向矩阵退化而来，所述故障方向矩阵为利用奇异值分解每一所述历史故障数据X_l(l＝1，2，...，L)，并依据以下公式获得：

其中，为历史故障数据集中的各个历史故障数据X_l(l＝1，2，...，L)的残差，U_h是对做奇异值分解时左奇异向量组成的矩阵，D_h是对故奇异值分解时奇异值组成的对角矩阵，是对做奇异值分解时右奇异向量组成的矩阵。

6.根据权利要求1所述的方法，其特征在于，所述S1包括：

对于实时采样数据x_j，采用所述潜结构模型计算综合指标：

如果则确认数据x_j为异常数据；

所述S2包括：

将所述异常数据的残差沿着由步骤2中提取的每一故障方向重构：

其中，为所述异常数据的故障幅值。