[发明专利]基于切换线性动态系统模型的工业过程故障诊断方法

摘要

本发明公开了一种基于切换线性动态系统模型的工业过程故障诊断方法，该方法首先对工业过程的正常运行数据和多种已知故障数据进行独立重复采样，接着通过切换线性动态系统模型的学习算法，建立一个切换线性动态系统模型。然后，利用高斯和滤波方法，获取当前监测数据的诊断结果，即判断当前数据是否处于正常工况，如果不是，判断处于何种故障。相比目前的其它方法，本发明不仅提高了工业过程的故障诊断效果，增强了过程操作员对过程状态的掌握，使工业生产更加安全，产品质量更加稳定；而且很大程度上改善了故障诊断方法对过程知识的依赖性，更加有利于工业过程的自动化实施。

主权项

一种基于切换线性动态系统模型的工业过程故障诊断方法，其特征在于，包括以下步骤：(1)利用集散系统收集过程正常工况的数据以及从正常工况运行到发生各种故障工况的数据形成的观测序列，组成建模用的训练样本集：Xo＝[X1；X2；…；XNex]，其中Xnex＝[x1；x2；…；xN]∈RN×V，nex＝1,2,…,Nex为对应于第nex个观测序列的数据矩阵，R为实数集且RN×V表示Xnex满足N×V的二维分布，N为每个序列的采样数据点数，V为过程变量个数；(2)假设故障工况类别为S，再加上一个正常工况类，建模数据的总类别为S+1；在不破坏时序的条件下，从训练样本集Xo中分离出不同类别的数据，组成用于线性动态系统建模的训练样本X‾=[X‾1;X‾2;...;X‾S+1],]]>其中X‾s=[x‾1;x‾2;...;x‾M]∈RM×V,]]>s＝1,2,…，S+1为对应于第s类工况的数据矩阵，M为每一类工况的样本序列长度，V为过程变量个数；将这些数据存入历史数据库；(3)从历史数据库中调用训练样本，采用期望最大化方法对正常工况类和每个故障工况类别分别建立线性动态系统模型，得到模型参数θ(s)，s＝1,2,…,S+1；(4)从历史数据库中调用训练样本Xo，计算切换线性动态系统模型的初始状态概率分布π0∈RS+1和状态转移概率矩阵K∈R(S+1)×(S+1)，得到切换的线性动态系统模型的参数Θ＝{π0,K,θ(s),s＝1,2,...S+1}；(5)将建模数据Xo、和模型参数Θ存入历史数据库中备用；(6)收集新的在线过程数据其中为当前t时刻的在线过程数据，为t时刻之前收集的过程数据，采用高斯和滤波方法计算当前监测数据在正常工况和各个故障工况下的后验概率，并给出故障诊断结果。