[发明专利]嵌套迭代费舍尔判别分析与相对变化结合的故障诊断方法

摘要

本发明公开了一种嵌套迭代费舍尔判别分析与相对变化结合的故障诊断方法。在一类故障数据中，往往同时存在两种故障类型——偏置和数据波动增大，该方法针对同一故障数据中的这两种故障类型结合运用嵌套迭代费舍尔判别分析和相对变化分析提取故障信息，然后根据每一类故障数据的故障信息确定其重构模型，用于在线故障诊断。该方法克服了单一方法无法充分提取故障特性的缺点，大大提高了在线故障诊断的性能，并帮助准确快速地修复故障，从而保证了过程安全性并提高了生产效益。

主权项

1.一种嵌套迭代费舍尔判别分析与相对变化结合的故障诊断方法，其特征在于，该方法包括以下步骤：(1)获取数据：对于一个具有J个变量的化工过程，每次采样可以得到一个1×J的向量，采样K次后得到的数据可以描述为一个二维矩阵X(K×J)；分别获取正常数据Xn(Nn×J)和故障数据Xf,m(Nf,m×J)，其中，下标n表示正常数据，下标f表示故障数据，m表示故障类别；(2)对正常数据进行PCA分析，得到主元空间PCS的主元负载P(J×R)和残差空间RS的残差负载Pe(J×(J‑R))，其中，R为主元负载的主成分个数；对得分矩阵Tn和残差En计算T2统计量和SPE统计量；其中，表示正常数据得分矩阵的均值；S表示正常数据得分矩阵的方差构成的对角矩阵；由于T²指标服从F分布，SPE指标服从卡方分布，依据该分布分别建立控制限和Ctr_SPE；(3)选取正常数据样本Xn(Nn×J)和一类故障数据样本Xf(Nf×J)；(4)采用嵌套迭代费舍尔判别分析算法分析与偏置相关的故障信息：(4.1)对X_n和X_f运用嵌套迭代费舍尔判别分析算法，获得故障数据的最终系数矩阵和负载矩阵其中，N为选取的判别成分个数；(4.2)重构故障信息其中，是故障数据的最终判别成分矩阵；表示偏置相关的故障变化；(5)从原始故障数据中去除偏置故障，获得新故障数据用于相对变化分析；其中，Ef是校正了偏置相关的故障变化后的校正数据，采用正常数据的特征对校正数据进行标准化，标准化后的校正数据记为XRC,f；(6)采用相对变化分析算法分析与数据波动增大相关的故障方向：(6.1)数据准备：以步骤(5)中XRC,f的作为相对变化分析中故障数据的初始数据，而正常数据仍采用初始的正常数据Xn；(6.2)提取存在相对变化的方向：在步骤(2)得到的PCS空间找出存在相对变化的空间PCSt和负载Pt,r(J×Rt,r)；在RS空间找出存在相对变化的空间RSt和负载Pe,r((J‑R)×Re,r)；其中，Rt,r和Re,r分别表示PCSt空间和RSt空间主成分的个数；(6.3)再对PCSt和RSt空间分别进行PCA分析，压缩故障方向，得到PCSt空间和RSt空间主要的故障方向和(7)选取正常数据和另一类故障数据作为总样本，重复步骤(4)‑(6)，获得该类故障样本的各系数矩阵和负载矩阵；(8)重复步骤(7)直到M类故障的所有系数矩阵、负载矩阵都被求出；(9)在线故障监测：新样本x_new(J×1)向P和P_e方向投影，计算T²统计量和SPE统计量SPE_new，将其与步骤(2)中的控制限进行比较，如果超限，则说明发生故障，反之，则没有发生故障；(10)在线故障诊断：(10.1)在新样本中校正偏置相关的故障信息；其中，表示根据第m类故障模型重构的与偏置相关的故障信息，表示校正了偏置相关的故障信息的数据；(10.2)在中校正与数据波动增大相关的故障信息；其中，和分别表示PCS和RS空间中与数据波动增大相关的故障信息；和分别表示PCS和RS空间的最终校正后数据；(10.3)将校正后的数据重新投影到PCS和RS空间，并计算校正后数据的T²统计量和SPE统计量SPE_rec；其中，表示正常数据得分矩阵的均值；S表示正常数据得分矩阵的方差构成的对角矩阵；(10.4)比较与SPE_rec与Ctr_SPE，如果统计量都在控制限以内，则说明此故障数据属于第m类，否则，选取另一类故障类型，重复步骤(10.1)‑(10.3)，直到找到故障数据所属的故障类型为止；若所有类的统计量都不全在控制限以内，则说明有新的故障类型产生。