[发明专利]基于方向核偏最小二乘的工业过程故障诊断方法

摘要

本发明涉及基于方向核偏最小二乘的工业过程故障诊断方法，该方法获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差的控制限，采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，得到采样数据的过程监测统计量和采样数据的平方预测误差，当采样数据的过程监测统计量控制限或者采样数据的平方预测误差超出控制限，则该采样数据中具有一种故障，获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型。

主权项

基于方向核偏最小二乘的工业过程故障诊断方法，其特征在于，包括以下步骤：步骤1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异Er及其主元Tr，则获得历史正常数据新的高维特征空间F的主元Td＝[T，Tr]，计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPEd，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPEd的控制限；步骤2：采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，令采样数据映射的高维特征空间Fnew的PLS残差中有i个主元，求得该高维特征空间Fnew的PLS残差中与输出变量相关的变异Er，new及其主元Tr，new，则获得采样数据新的高维特征空间Fnew的主元Td，new＝[Tnew，Tr，new]，计算采样数据的过程监测统计量和采样数据的平方预测误差SPEd，new；步骤3：当采样数据的过程监测统计量超出历史正常数据的霍特林统计量的控制限或者采样数据的平方预测误差SPEd，new超出历史正常数据的平方预测误差SPEd的控制限，则该采样数据中具有一种故障，执行步骤4，否则，将该采样数据视为正常数据；步骤4：获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型；步骤4.1：获取已知故障类型的L种历史故障数据Xf，1，Xf，2，...，Xf，L；步骤4.2：选取已知故障类型的L种历史故障数据中的第l类历史故障数据Xf，l，l＝1，2，...，L，将高维特征空间的历史正常输入数据φ(X)沿着高维特征空间的第l类历史故障数据φ(Xf，l)的故障方向进行重构，重构出高维特征空间的第l类历史故障数据φ(Xf，l)出现故障的主元方向；步骤4.3：对第l类历史故障数据Xf，l进行基于霍特林统计量重构，计算第l类历史故障数据Xf，l的新的霍特林统计量的正常部分负载向量获得第l类历史故障数据重构后的霍特林统计量的正常部分Ep，l；步骤4.4：对第l类历史故障数据Xf，l进行基于平方预测误差重构，计算第l类历史故障数据Xf，l的新的平方预测误差的正常部分负载向量获得第l类历史故障数据重构后的平方预测误差的正常部分Ee，l；步骤4.5：将采样数据代入第l类历史故障数据重构后的霍特林统计量的正常部分，得到采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new，将采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new进行基于方向核偏最小二乘运算，得到采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new的主元Tpd，l，new＝[Tp，l，new，Tpr，l，new]；步骤4.6：计算相对第l类故障数据重构后的采样数据的正常部分的霍特林统计量步骤4.7：将采样数据代入第l类故障数据重构后的平方预测误差的正常部分，得到采样数据相对第l类故障数据重构后的平方预测误差的正常部分Ee，l，new；步骤4.8：计算相对第l类故障数据重构后的采样数据的正常部分的平方预测误差SPEe，l，new；步骤4.9：当相对第l类故障数据重构后的采样数据的正常部分的霍特林统计量在第l类故障数据对应的霍特林统计量的控制限以下，同时相对第l类故障数据重构后的采样数据的正常部分的平方预测误差SPEe，l，new在第l类故障数据对应的平方预测误差控制限以下时，则该采样数据的故障类型为第l类故障，否则，该采样数据的故障类型不是第l类故障，重新选择故障类型l，返回步骤4.2。