[发明专利]一种基于非线性相似度指标的故障分类诊断方法

摘要

本发明公开一种基于非线性相似度指标的故障分类诊断方法，该方法旨在解决实际工业过程中实施故障分类诊断方法时面临的三个关键性问题：其一，参考故障类型的可用训练样本数有限；其二，可用的故障训练数据处于操作状态转换的起始阶段，数据非线性程度较强；其三，不同故障的采样数据会在空间分布上存在重叠现象。该发明方法首先通过对每种参考故障类型进行特征变量选择，选择出该种故障最能区别于正常数据的特征变量。然后，仅利用特征变量两两匹配在线故障数据窗口与参考故障数据窗口的相似度。所采用的相似度计算方式是基于窗口数据的非线性相似度指标，根据最小非线性相似度值可以确定出在线检测出的故障类型。与传统分类诊断方法相比，本发明方法通过特征变量选择显著地降低了变量维数，这不仅大大减少了训练数据不充分的制约性，而且还能剔除非特征变量对计算非线性相似度指标的负面影响。此外，该方法通过窗口数据在空间分布上的非线性相似匹配来实施故障相似匹配，能最大化地避免重叠数据的错分类情况。

主权项

1.一种基于非线性相似度指标的故障分类诊断方法，其特征在于，包括以下步骤：(1)：收集生产过程正常运行状态下的采样数据，组成数据矩阵X₀∈R^n×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，N_c为第c种故障的可用样本数，R为实数集，R^n×m表示n×m维的实数矩阵；(2)：对矩阵X₀进行标准化处理，得到均值为0，标准差为1的新数据矩阵并利用矩阵X₀的均值向量与标准差向量对X_c进行同样的处理，得到矩阵然后初始化c＝1与i＝1；(3)：按下式计算中第i个测量变量与中第i个测量变量的变化差异：上式中，与分别为矩阵与中的第i列，E表示期望值，非二次函数G(v)＝log cosh(v)，v为函数G的自变量，即上式中的或(4)：令i＝i+1，若满足条件i≤m，返回至步骤(3)；反之，将得到的m个测量变量间的变化差异值组成向量Jc＝[J1，J2，…，Jm]；(5)：再次初始化i＝1后，从向量J_c中找出数值大于Q(J_c)的所有元素，将这些元素所对应的变量标号组成第c种参考故障类型的特征变量集F_c，并利用F_c从参考故障数据矩阵中挑选出相应变量组成新参考故障数据矩阵其中，Q(J_c)表示计算向量J_c的较大四分位数，即J_c中所有数值由小到大排列后第75％的数值；(6)：令c＝c+1，若c≤C，返回至步骤(3)；反之，保存得到的C个特征变量集F₁，F₂，…，F_C以及新参考故障数据矩阵(7)：当在线检测到的故障数据样本数积累到w时，先利用矩阵X₀的均值向量与标准差向量对该在线故障数据窗口矩阵Y_w进行标准化处理得到后利用特征变量集F₁，F₂，…，F_C对分别进行变量选择得到矩阵(8)：先分别从各参考故障数据矩阵中选择前w行样本组成相应的参考故障窗口矩阵后利用非线性相似度分析算法分别计算两对应窗口矩阵与间的非线性相似度指标其中c＝1，2，…，C，计算非线性相似度指标的具体步骤如下所示：①将矩阵与组合成一个矩阵即：其中，q为矩阵中变量个数，也等于特征变量集F_c中元素的个数，行向量z_j表示矩阵中的第j行，下标号j＝1，2，…，2w；②按照下式计算核矩阵中第j行第k列的元素：其中，下标号k＝1，2，…，2w，参数δ＝5q2；③计算核矩阵所有大于0.0001的特征值，得到λ₁，λ₂，…，λ_A，其中，A为大于0.0001的特征值个数；④按照下式计算非线性相似度指标其中，下标号a＝1，2，…，A；(9)：将中的最小值所对应的参考故障类型判别为当前故障数据的故障类型；(10)：当下一个故障数据样本可测量时，数据窗口长度变为w＝w+1，重复步骤(8)～(9)重新识别故障类型。