一种工业过程中基于度量学习与时间序列的故障诊断方法技术

一种工业过程中基于度量学习与时间序列的故障诊断方法，本发明专利技术涉及故障诊断方法。本发明专利技术是要解决为了解决现有故障诊断方法存在系统成本高、在线诊断困难以及故障类型难以分辨等问题，而提出的一种工业过程中基于度量学习与时间序列的故障诊断方法。该方法是通过步骤一、将系统故障分为n种类型；步骤二、制备训练样本；步骤三、对训练样本进行预处理；步骤四、对预处理后的训练样本进行度量学习；步骤五、求取实时监测样本与n个子类的距离；步骤六、根据实时监测样本与n个子类的距离，采用KNN分类方法进行故障诊断即判断系统是否发生故障以及故障类型；等步骤实现的。本发明专利技术应用于故障诊断领域。

【技术实现步骤摘要】

本专利技术涉及基于度量学习与时间序列的故障诊断方法，特别涉及一种工业过程中 基于度量学习与时间序列的故障诊断方法。
技术介绍
故障诊断系统涉及钢铁、锅炉、化工、制药等诸多领域，已经成为现代工业生产中 重要的组成部分。 现代工业过程普遍趋于大型化存在机理建模难的特点，为了时刻监控系统运行状 态，往往会对生产过程中的许多状态变量进行长期的测量，从而获得大量现场监控数据。大 量监控数据中包含许多系统运行信息对评价系统运行状态有重要意义，但各变量之间往往 不是独立而是彼此间存在一定的相关性，错综复杂的相关性使得技术员难以凭观察和经验 找到产生故障的真正原因。如何回避机理建模困难的现状，直接对这些数据进行合理、高效 地利用设计故障诊断系统，从而保证最终产品的质量，是现在工业过程控制系统所面临的 主要挑战之一。一种好的基于数据的故障诊断方法，可以有效简化并利用监控数据信息，并 获得一个准确、合理的诊断策略。目前基于数据的故障诊断方法的设计已经受到了广泛的 重视。 现有故障诊断方法存在系统成本高、在线诊断困难以及故障类型难以分辨等问 题，采用基于度量学习与时间序列的故障诊断方法可以有效解决上述问题，具有很好的推 广能力。
技术实现思路
本专利技术的目的是为了解决现有故障诊断方法存在系统成本高、在线诊断困难以及 故障类型难以分辨等问题，而提出的一种工业过程中基于度量学习与时间序列的故障诊断 方法。 上述的专利技术目的是通过以下技术方案实现的： 步骤一、对历史监控数据进行分析，根据系统故障产生原因的不同将系统故障分 为η种类型即η个子类； 步骤二、采集系统正常工况和η种故障工况运行状态下的标准数据作为训练样 本； 步骤三、利用时间序列的方法对于训练样本进行预处理；其中，所述预处理方法是 指采用小波变换对训练样本进行处理； 步骤四、对经过预处理后的训练样本进行度量学习，生成系统的度量矩阵作为样 本相似性度量的标准即生成系统的度量矩阵A ; 步骤五、对实时监测样本进行小波变换后，利用样本相似性度量的标准求取实时 监测样本与η个子类的距离； 步骤六、根据实时监测样本与η个子类的距离，采用KNN分类方法进行故障诊断即 判断系统是否发生故障以及故障类型；即完成了一种工业过程中基于度量学习与时间序列 的故障诊断方法。 专利技术效果 本专利技术为了解决现有故障诊断方法系统成本高、在线诊断困难以及故障类型难以 分辨的问题，从而提出了基于度量学习与时间序列的故障诊断方法。主要用到的方法有度 量学习方法、小波变换和KNN分类法。 本专利技术的优点是： 1、提高了故障诊断准确率达到5%~10%，将度量学习和时间序列的方法相结 合，利用两者优势对于是否发生故障和故障类型能够更好的诊断。 2、提高了实时性，两种方法的结合对于故障诊断和故障分类工作耗时短，能够提 高检测的速度。 3、提尚了适应性。 4、提高了适用性，两种方法的结合使得故障诊断系统的设计和操作更为简单，极 大提升了该方法的推广性。 目前获得广泛应用的工业过程故障诊断方法，例如：主元分析法，没有将不同类型 故障监测样本之间的相关信息考虑入内，所以此类故障诊断方法只能判断工业系统是否发 生故障，但不能准确判断发生故障的类型，这样就导致不能第一时间找出故障发生的原因 和工业系统中发生故障的部位。不能及时解决系统中发生的故障可能会导致更严重的生产 事故或更巨大的经济损失。 度量学习方法将不同类型故障监测样本之间的相关信息考虑入内，可以在判断工 业系统是否发生故障的同时准确判断发生故障的类型。同时，度量学习方法中求得的度量 矩阵可以在离线计算后直接应用于在线故障诊断，这极大的降低了在线故障诊断的计算 量，降低了在线故障诊断系统的成本。【附图说明】 图1为【具体实施方式】一提出的基于度量学习与时间序列的故障诊断流程图。【具体实施方式】【具体实施方式】 一：本实施方式的一种工业过程中基于度量学习与时间序列的故障 诊断方法，具体是按照以下步骤制备的： 步骤一、对历史监控数据进行分析，根据系统故障产生原因的不同将系统故障分 为η种类型即η个子类； 步骤二、采集系统正常工况和η种故障工况运行状态下的标准数据作为训练样 本； 步骤三、利用时间序列的方法对于训练样本进行预处理；其中，所述预处理方法是 指采用小波变换对训练样本进行处理； 步骤四、对经过预处理后的训练样本进行度量学习，生成系统的度量矩阵作为样 本相似性度量的标准即生成系统的度量矩阵A ; 步骤五、对实时监测样本进行小波变换后，利用样本相似性度量的标准（生成系 统的度量矩阵）求取实时监测样本与η个子类的距离；例如有10个子类，每个子类有100 个监测样本，实时监测样本与10个子类的距离分别为每个实时监测样本分别与1000个监 测样本间的距离； 步骤六、根据实时监测样本与η个子类的距离，采用KNN分类方法进行故障诊断即 判断系统是否发生故障以及故障类型；即完成了一种工业过程中基于度量学习与时间序列 的故障诊断方法。 本实施方式效果： 本实施方式为了解决现有故障诊断方法系统成本高、在线诊断困难以及故障类型 难以分辨的问题，从而提出了基于度量学习与时间序列的故障诊断方法。主要用到的方法 有度量学习方法、小波变换和KNN分类法。 本实施方式的优点是： 1、提高了故障诊断准确率达到5%~10%，将度量学习和时间序列的方法相结 合，利用两者优势对于是否发生故障和故障类型能够更好的诊断。 2、提高了实时性，两种方法的结合对于故障诊断和故障分类工作耗时短，能够提 高检测的速度。 3、提尚了适应性。 4、提高了适用性，两种方法的结合使得故障诊断系统的设计和操作更为简单，极 大提升了该方法的推广性。 目前获得广泛应用的工业过程故障诊断方法，例如：主元分析法，没有将不同类型 故障监测样本之间的相关信息考虑入内，所以此类故障诊断方法只能判断工业系统是否发 生故障，但不能准确判断发生故障的类型，这样就导致不能第一时间找出故障发生的原因 和工业系统中发生故障的部位。不能及时解决系统中发生的故障可能会导致更严重的生产 事故或更巨大的经济损失。 度量学习方法将不同类型故障监测样本之间的相关信息考虑入内，可以在判断工 业系统是否发生故障的同时准确判断发生故障的类型。同时，度量学习方法中求得的度量 矩阵可以在离线计算后直接应用于在线故障诊断，这极大的降低了在线故障诊断的计算 量，降低了在线故障诊断系统的成本。【具体实施方式】 二：本实施方式与一不同的是：步骤四中度量学习具 体为：度量学习着重分析不同故障类型数据之间的差异，通过训练样本得到度量矩阵，于在 线故障诊断方面有明显优势；度量学习通过求得一个能够精确刻画样本相似度的距离矩阵 来实现故障类型的区分； (1)通过度量学习得到所有训练样本中与实时监测样本距离Ma表示为： 其中，A是度量矩阵，X是经过预处理后的训练样本，y是实时监测样本；值得指出 的是在不同工业系统中求得的度量矩阵A均不相同，通过各自系统训练样本得到的度量矩 阵能充分反映样本的分布，可以提高分类器的性能； (2)求取度量矩阵的基本思想是，如果训练样本和实时监测样本属于相同的类型 通过度量矩阵算出的Ma距离较小； 如果训练样本和实时监测样本属于不同的类型通本文档来自技高网...

【技术保护点】
一种工业过程中基于度量学习与时间序列的故障诊断方法，其特征在于一种工业过程中基于度量学习与时间序列的故障诊断方法具体是按照以下步骤进行的：步骤一、对历史监控数据进行分析，根据系统故障产生原因的不同将系统故障分为n种类型即n个子类；步骤二、采集系统正常工况和n种故障工况运行状态下的标准数据作为训练样本；步骤三、利用时间序列的方法对于训练样本进行预处理；其中，所述预处理方法是指采用小波变换对训练样本进行处理；步骤四、对经过预处理后的训练样本进行度量学习，生成系统的度量矩阵作为样本相似性度量的标准即生成系统的度量矩阵A；步骤五、对实时监测样本进行小波变换后，利用样本相似性度量的标准求取实时监测样本与n个子类的距离；步骤六、根据实时监测样本与n个子类的距离，采用KNN分类方法进行故障诊断即判断系统是否发生故障以及故障类型；即完成了一种工业过程中基于度量学习与时间序列的故障诊断方法。

【技术特征摘要】

【专利技术属性】
技术研发人员：尹珅，闫国杨，高会军，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23