[发明专利]一种流程工业故障定位方法、系统及电子设备

说明书

本发明公开一种流程工业故障定位方法、系统及电子设备，涉及工业故障定位技术领域。本发明提供的流程工业故障定位方法，采用主成分分析模型基于构建的数据组确定霍特林统计量，当霍特林统计量超过阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；采用构建好的包括：岭回归模型组、平方预测误差贡献图模型和Tsupgt;2/supgt;贡献图模型的集成学习分类器基于故障样本生成故障定位结果，以生成故障报警信号，从而更好的完成流程工业系统中故障检测工作。

技术领域

本发明涉及工业故障定位技术领域，特别是涉及一种基于集成学习的流程工业故障定位方法、系统及电子设备。

背景技术

流程工业也称为过程工业，通常指生产制造流程性产品的现代制造业，主要处理以连续和间歇物料流、能量流为主的产品。流程工业系统一旦发生故障，将会造成重大的经济损失甚至人员伤亡。因此有效的故障检测诊断（Fault Detection Diagnosis，FDD）是必不可少的。近年来，随着数据采集和存储设备快速发展，并在工业过程中广泛应用，使得海量的过程数据得以获取和保存，包括正常数据以及各种故障数据。使得基于数据驱动的故障检测方法迅速发展并且被广泛应用于现代工业的过程监控和故障检测中。

其中，多变量统计过程控制(Multivariate Statistical Process Control，MSPC)作为一种常用的基于数据驱动FDD方法被广泛的应用于流程工业现场。在MSPC研究领域中，目前常用的工具有主成分分析（Principal Component Analysis，PCA）、主成分回归（Principle Component Regression，PCR）、偏最小二乘（Partial Least Squares，PLS）、典型相关分析（Canonical Correlation Analysis，CCA）、费希尔判别分析（FisherDiscriminant Analysis，FDA）及隐马尔可夫模型（Hidden Markov Model，HMM）等。其中PCA、PCR、PLS和CCA都属于基于投影的统计降维技术，常用于故障检测，而FDA和HMM都是统计模式识别技术，可用于故障的诊断。PCA是一种应用广泛的多元统计分析方法，最早由Pearson于1901年提出，随后大量的文献对其作了深入的研究，使其理论逐步完善。在过程监控领域相比其它方法具有适应性强、更易实现等优点。使用PCA进行系统检测，观测系统内是否存在故障效果较好，但现有技术还无法使用PCA直接进行系统故障定位，以寻找故障发生的具体测量点。

发明内容

为解决现有技术存在的上述问题，本发明的目的是提供一种基于集成学习的流程工业故障定位方法、系统及电子设备。

为实现上述目的，本发明提供了如下方案：

一种流程工业故障定位方法，包括：

获取实时数据，并对所述实时数据进行预处理得到预处理数据；

建立滑动窗口，并采用所述滑动窗口按时间顺序对所述预处理数据进行数据采集，得到数据组；

采用主成分分析模型基于所述数据组确定霍特林统计量；

设定阈值，并确定所述霍特林统计量是否超过所述阈值；

当所述霍特林统计量超过所述阈值时，确定流程工业系统故障，获取流程工业系统的故障样本；

采用构建好的集成学习分类器基于所述故障样本生成故障定位结果，并基于所述故障定位结果生成故障报警信号；所述集成学习分类器包括：岭回归模型组、平方预测误差贡献图模型、T²贡献图模型和硬投票分类器组；

当所述霍特林统计量不超过所述阈值时，确定流程工业系统无故障。

可选地，采用阶跃函数对所述实时数据进行预处理得到预处理数据。

可选地，集成学习分类器的构建过程包括：