[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

说明书

本发明涉及一种基于重构幅值趋势特征的工业过程故障诊断方法，其特包括：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；所述潜结构模型为预先采用历史正常数据建立的；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；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；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。上述故障诊断方法由于对故障数据进行了重构并估计故障幅值，然后对其故障幅值序列利用动态时间扭曲计算相似性度，因此能分离故障方向相似但类型不同的故障。

技术领域

本发明涉及工业生产过程控制技术，尤其涉及一种基于重构幅值趋势特征的工业过程故障诊断方法。

背景技术

故障分离是工业故障诊断领域中的最重要的任务之一。故障分离即利用过程相关变量判断出设备运行所发生的故障类型。工业过程中，设备运行时发生故障可能导致生产效率下降，停机，甚至人员伤亡。当发生故障后，如何正确地分离故障，采取合适的措施使过程快速恢复到正常至关重要。因此，故障分离对于保证工业过程的安全平稳运行具有重要的意义。

传统的故障分离方法主要利用故障方向进行故障分离，未考虑故障方向相似但类型不同的故障间的分离问题。

因此，针对故障方向相似但类型不同的故障分离成为业内研究的热点。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于重构幅值趋势特征的故障诊断方法，用于分离故障方向相似但类型不同的故障。

所谓重构趋势特征，是指通过重构得到故障幅值序列，并将故障幅值序列的趋势作为特征进行故障诊断，因此称其为重构趋势特征。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于重构幅值趋势特征的工业过程故障诊断方法，其包括：

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。

(三)有益效果

本发明提供的故障诊断方法，对于故障方向相似但类型不同的故障利用重构估计出故障的幅值，然后利用该故障幅值特征定义了一种新的故障相似度，通过重构得到的故障幅值序列，因为将故障幅值序列的趋势作为特征进行故障诊断，因此能分离故障方向相似但类型不同的故障。

不同于传统的贡献图算法，本申请提出的故障诊断方法首先利用历史正常数据建立动态潜结构模型，对历史故障数据利用奇异值分解得到历史故障方向；之后将历史故障数据沿着历史故障方向投影，从而估计出故障幅值。对于实时数据，首先利用通过正常数据得到的控制限判断其是否故障，如果非故障，则继续监控；否则，执行故障诊断的步骤。首先，不再利用奇异值分解提取故障方向，而是将其分别沿着之前得到的所有历史故障方向投影，并估计出故障幅值序列。将得到的故障幅值序列与所有历史故障数据的幅值序列进行相似性度量，得到所对应的相似度。如果所有相似度均低于设定的阈值，则视该故障为一种新型故障并加入历史故障集中；否则，相似度最大的幅值序列所对应的历史故障的类型即为测试数据的故障类型。

由于对故障数据进行了重构并估计了故障幅值，然后对其故障幅值序列利用动态时间扭曲以进行相似性度量，因此能分离故障方向相似但类型不同的故障。