[发明专利]一种基于重构技术的动态过程故障预测方法

摘要

本发明提出一种基于重构技术的动态过程故障预测方法，包括：建立训练TE过程的数据模型；针对测试集数据，监控TE过程是否发生故障；对发生故障部分重构并估计故障幅值；基于自回归模型进行故障预测；使用得到的故障幅值来训练自回归模型，得到一步训练模型，进一步迭代预测多步故障。复杂工业过程动态运行采集到高维强动态数据，难以采用传统主元分析方法提取数据间动态关系，本发明提供的基于DiPCA重构的预测方法能更好的解决动态工业工程的故障预测问题。检测到故障之后，采用重构方法使故障降到控制限以下对幅值进行故障预测，更好的利用数据的动态关系，提高了模型预测准确性。

主权项

1.一种基于重构技术的动态过程故障预测方法，其特征在于，具体步骤如下：步骤1：建立训练TE过程的数据模型；利用DiPCA算法对TE过程的历史正常数据的训练集进行数据建模，得到DiPCA算法模型，所述TE过程代表田纳西伊斯曼过程，所述DiPCA代表动态内模主元分析方法；通过训练得出模型的动态负载矩阵P，对于时刻j的训练样本x_j，提取出j时刻的动态潜变量t_j＝x_jP，并根据TE过程反应动力学常数变化关系得出前s个时刻的动态潜变量线性表达为动态潜变量t_j的估计值，经训练得出线性系数为β，在动态潜变量t_j被提取后，对x_j的静态残差部分进行PCA建模，所述PCA为静态主元分析法，P_r为e_jPCA建模所得的负载矩阵，t_r,j为e_j的潜变量，e_r,j为e_j经PCA建模后的静态残差部分，模型结构公式如下：其中，β_i为β的第i列向量，i＝1，2，…，s；步骤2：针对测试集数据，监控TE过程是否发生故障；利用DiPCA算法模型，对TE过程监控静态过程是否超限；所述静态部分即提取动态潜变量后的静态残差部分；对静态残差部分e_k进行PCA建模：e_k＝P_rt_r,k+e_r,k采用综合指标对e_k的状态进行监控：其中，Q_r和分别为e_k的T²统计量和Q统计量，Φ_r为对称的正定阵，且和分别为e_k的T²统计量和Q统计量的控制限，其中，I为单位矩阵，Λ_r为训练集静态残差部分e的主元协方差矩阵,综合指标的控制限为其中，S_r为e的协方差矩阵；当时，则认为在静态部分发生了故障；步骤3：对发生故障部分重构并估计故障幅值；当监测综合指标超限时，说明有故障发生，当故障被检测到之后，需要对过程数据沿着故障所在的子空间拉回到主元子空间，同时估计出正常幅值f_i；故障重构按照以下公式估计重构样本向量以消除故障的影响：x_i＝x‑Ξ_if_i因故障方向未知，需要从历史数据中提取故障方向，定义因此得到其中代表故障方向Ξ_i下的故障数据，对进行奇异值分解得到将对角阵D_i的非零奇异值按照降序排列，选Ξ_i＝U_i得到故障方向，最终目标是使重构后的样本综合指标值最小化，降至控制限以内，重构后的综合指标表示为：其中，Φ为对称的正定阵，且其中，I为单位矩阵，Λ为训练集的主元协方差矩阵，P为训练集的负载矩阵，δ²和χ²分别为z_i的T²统计量和Q统计量的控制限；为取得f_i最小值，需要将综合指标对f_i求偏导，零点处取得极值：令上式等于0求得极值：f_i为重构得到的故障幅值，即为估计出的正常幅值；步骤4：基于自回归模型进行故障预测；使用训练集来训练自回归模型，得到一步训练模型，进一步迭代预测多步故障，得到多步预测结果。