[发明专利]一种基于多个误差生成模型的故障分类诊断方法

摘要

本发明公开一种基于多个误差生成模型的故障分类诊断方法，通过多个单分类的模型实施故障诊断。首先，本发明方法将每种故障类型可用训练数据转换成能体现变量间相互关系特征的误差，然后对各个故障训练数据转换后误差分别建立单分类匹配模型。在线故障类型识别时，先将在线故障样本按不同故障类型对应的误差生成模型转换为误差后，在计算相应的统计指标数值，并依据统计指标最小数值识别故障类型。与传统方法相比，本发明方法针对各测量变量单独建立一个偏最小二乘模型以生成误差，体现出了分散式建模的特点。此外，本发明方法将故障分类诊断的多分类问题转换成了多个单分类模型实施故障分类。因此，本发明方法是一种更为优选的故障分类诊断方法。

主权项

1.一种基于多个误差生成模型的故障分类诊断方法，其特征在于，包括以下步骤：步骤(1)：从生产过程历时数据库中找到不同故障工况条件下的采样数据，组成不同的参考故障数据集其中N_c为第c种故障的可用样本数，c＝1，2，…，C，R为实数集，表示N_c×m维的实数矩阵，m为过程测量变量的个数；步骤(2)：对各类型故障的训练数据X₁，X₂，…，X_C按列实施标准化处理，对应得到均值为0，标准差为1的新数据矩阵并初始化i＝1；步骤(3)：将矩阵中的第i列向量x_i取出，矩阵中其余的列组成新矩阵再利用偏最小二乘算法建立由输入Y_i预测输出x_i的误差生成模型其中，输入‑输出回归向量为模型预测误差为e_i；步骤(4)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(3)；若否，则将得到的估计误差向量组成矩阵后继续执行下一步骤(5)；步骤(5)：对估计误差矩阵Ec实施奇异值分解，即：Ec＝UcΛcVcT；步骤(6)：重复步骤(2)～(5)直至得到所有C种故障类型对应的误差生成模型、奇异值分解模型、以及控制上限；步骤(7)：当在线检测出故障样本z∈R1×m后，对z实施与第c类故障训练数据矩阵Xc相同的标准化处理得到zc＝[z1，z2，…，zm]，并初始化i＝1；步骤(8)：将z_c中第i列元素z_i取出，剩余元素作为输入向量y_i∈R^1×(m‑1)，根据公式生成对应的误差f_i；步骤(9)：判断是否满足条件i＜m？若是，则置i＝i+1后返回步骤(8)；若否，则将得到的估计误差向量组成向量Fc＝[f1，f2，…，fm]∈R1×m后继续执行下一步骤(10)；步骤(10)：根据如下所示公式计算统计指标Dc的具体数值：Dc＝||FcVcΛc‑1||2    (1)上式中符号|| ||表示计算向量的长度；步骤(11)：重复步骤(7)～(10)得到不同故障类型条件下的统计指标D1，D2，…，DC，那么当前故障样本所隶属的故障类型为D1，D2，…，DC中最小值对应的故障类型。