基于方向核偏最小二乘的工业过程故障诊断方法技术

本发明专利技术涉及基于方向核偏最小二乘的工业过程故障诊断方法，该方法获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差的控制限，采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，得到采样数据的过程监测统计量和采样数据的平方预测误差，当采样数据的过程监测统计量控制限或者采样数据的平方预测误差超出控制限，则该采样数据中具有一种故障，获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型。

【技术实现步骤摘要】
基于方向核偏最小二乘的工业过程故障诊断方法
本专利技术属于工业过程的故障监测与诊断
，具体涉及基于方向核偏最小二乘的工业过程故障诊断方法。
技术介绍
随着现代科学技术的不断发展，特别是计算机科学水平与控制水平的飞速提高，现代工业过程越来越呈现出大型化、复杂化、整体化、高速化的形式。在提高工业过程生产效率和产量的同时，如何提高工业过程系统的安全性、可靠性，防止和杜绝影响系统正常运行的故障的发生和发展就成为一个重要的有待解决的问题。过程监测就是一门为了解决这类问题而发展起来的技术。其目的一方面在于通过监测系统的行为和特性，加深对系统的了解，以便更好地控制系统，提高产品的产量和质量，提高经济效益；另一方面在于避免了系统的故障、设备的损坏和人员的伤亡，减少故障所带来的经济损失，提高产业的经济和社会效益。传统的偏最小二乘(PLS)建模、监测与诊断方法虽然应用广泛，但其方法本身仍然存在一些问题，阻碍了生产过程的精确建模与准确监测。第一个问题是PLS的残差中仍然包含与输入变量有关的变异。由于输出相关变异的存在且没有被解释利用，PLS在监测和诊断与输出变量有关的故障时具有局限性，不能达到最好的效果。第二个问题是PLS残差空间中的变异量很大，不适合用平方预测误差(SPE)监测统计量对其进行监测。这是由于PLS主元不是按照方差大小排列，很多包含大方差的主元被留到了PLS残差子空间中。因此，PLS残差子空间中的变异必须被减少。传统的主元分析(PCA)故障重构方法是将故障数据空间分解成两个互相垂直的子空间，主元子空间和残差子空间。PCA是保持最主要的数据分布方向，这些方向可以有效表示数据分布特征，但是PCA模型只是研究了故障数据的内部关系，不能够有效隔离数据中的故障信息和正常信息，而且基于PCA的重构对于关注产品质量的生产过程适应性较差。另外实际工业过程中，变量之间往往呈现出非线性特征，利用传统的线性方法进行重构也是不能达到满意的效果，所以需要对传统重构方法进行改进，提高故障诊断水平。
技术实现思路
针对现有技术的不足，本专利技术提出基于方向核偏最小二乘的工业过程故障诊断方法。本专利技术技术方案如下：基于方向核偏最小二乘的工业过程故障诊断方法，包括以下步骤：步骤1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异Er及其主元Tr，则获得历史正常数据新的高维特征空间F的主元Td＝[T，Tr]，计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPEd，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPEd的控制限；步骤1.1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据：对m个历史正常数据进行n次采样，得到历史正常输入数据矩阵x和历史正常输出数据矩阵y；步骤1.2：对历史正常输入数据矩阵x和历史正常输出数据矩阵y进行标准化处理，得到预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y；步骤1.3：选取非线性变换φ(X)，将预处理后的历史正常输入数据X映射到历史正常输入数据的高维特征空间F，利用径向基内积核函数，求出历史正常输入数据的初始核矩阵K1；步骤1.4：对预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y进行KPLS运算，求得预处理后的历史正常输入数据X的PLS主元T、预处理后的历史正常输出数据Y的PLS主元U和经过α次迭代后使预处理后的历史正常输出数据Y的PLS主元U收敛的历史正常输出数据的核矩阵Kα+1；步骤1.5：令高维特征空间F的PLS残差中有i个主元，求得高维特征空间F的PLS残差中与输出变量相关的变异Er及其主元Tr，则获得新的高维特征空间F的主元Td＝[T，Tr]；步骤1.6：计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPEd，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPEd的控制限。步骤2：采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，令采样数据映射的高维特征空间Fnew的PLS残差中有i个主元，求得该高维特征空间Fnew的PLS残差中与输出变量相关的变异Er，new及其主元Tr，new，则获得采样数据新的高维特征空间Fnew的主元Td，new＝[Tnew，Tr，new]，计算采样数据的过程监测统计量和采样数据的平方预测误差SPEd，new；步骤2.1：采集工业过程的输入变量的采样数据：对m个采样数据进行n次采样，得到采样数据矩阵xnew，并对其进行标准化处理，得到预处理后的采样数据Xnew；步骤2.2：利用非线性变换φ(X)将预处理后的采样数据Xnew映射到采样数据的高维特征空间Fnew，利用径向基内积核函数，求出采样数据的初始核矩阵Knew，1；步骤2.3：对预处理后的采样数据Xnew进行KPLS运算，求得预处理后的采样数据Xnew的主元Tnew和经过α次迭代后的采样数据的核矩阵Knew，α+1；步骤2.4：令采样数据的高维特征空间Fnew的PLS残差中有i个主元，求得该高维特征空间Fnew的PLS残差中与输出变量相关的变异Er，new及其主元Tr，new，获得采样数据的新的高维特征空间Fnew的主元Td，new＝[Tnew，Tr，new]；步骤2.5：计算采样数据的过程监测统计量和采样数据的平方预测误差SPEd，new。步骤3：当采样数据的过程监测统计量超出历史正常数据的过程监测统计量的控制限或者采样数据的平方预测误差SPEd，new超出历史正常数据的平方预测误差SPEd的控制限，则该采样数据中具有一种故障，执行步骤4，否则，将该采样数据视为正常数据；步骤4：获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型；步骤4.1：获取已知故障类型的L种历史故障数据Xf，1，Xf，2，...，Xf，L；步骤4.2：选取已知故障类型的L种历史故障数据中的第l类历史故障数据Xf，l，l＝1，2，...，L，将高维特征空间的历史正常输入数据φ(X)沿着高维特征空间的第l类历史故障数据φ(Xf，l)的故障方向进行重构，重构出高维特征空间的第l类历史故障数据φ(Xf，l)出现故障的主元方向；步骤4.3：对第l类历史故障数据Xf，l进行基于霍特林统计量重构，计算第l类历史故障数据Xf，l的新的霍特林统计量的正常部分负载向量获得第l类历史故障数据重构后的霍特林统计量的正常部分Ep，l；步骤4.4：对第l类历史故障数据Xf，l进行基于平方预测误差重构，计算第l类历史故障数据Xf，l的新的平方预测误差的正常部分负载向量获得第l类历史故障数据重构后的平方预测误差的正常部分Ee，l；步骤4.5：将采样数据代入第l类历史故障数据重构后的霍特林统计量的正常部分，得到采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new，将采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new进行基于方向核偏最小二乘运算，得到采样数据相本文档来自技高网...

【技术保护点】
基于方向核偏最小二乘的工业过程故障诊断方法，其特征在于，包括以下步骤：步骤1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异E

【技术特征摘要】
1.基于方向核偏最小二乘的工业过程故障诊断方法，其特征在于，包括以下步骤：步骤1：获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异Er及其主元Tr，则获得历史正常数据新的高维特征空间F的主元Td＝[T，Tr]，计算历史正常数据的霍特林统计量和历史正常数据的平方预测误差SPEd，并计算历史正常数据的霍特林统计量的控制限和历史正常数据的平方预测误差SPEd的控制限；步骤2：采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏最小二乘运算，令采样数据映射的高维特征空间Fnew的PLS残差中有i个主元，求得该高维特征空间Fnew的PLS残差中与输出变量相关的变异Er，new及其主元Tr，new，则获得采样数据新的高维特征空间Fnew的主元Td，new＝[Tnew，Tr，new]，计算采样数据的过程监测统计量和采样数据的平方预测误差SPEd，new；步骤3：当采样数据的过程监测统计量超出历史正常数据的霍特林统计量的控制限或者采样数据的平方预测误差SPEd，new超出历史正常数据的平方预测误差SPEd的控制限，则该采样数据中具有一种故障，执行步骤4，否则，将该采样数据视为正常数据；步骤4：获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型；步骤4.1：获取已知故障类型的L种历史故障数据Xf，1，Xf，2，...，Xf，L；步骤4.2：选取已知故障类型的L种历史故障数据中的第l类历史故障数据Xf，l，l＝1，2，...，L，将高维特征空间的历史正常输入数据φ(X)沿着高维特征空间的第l类历史故障数据φ(Xf，l)的故障方向进行重构，重构出高维特征空间的第l类历史故障数据φ(Xf，l)出现故障的主元方向；步骤4.3：对第l类历史故障数据Xf，l进行基于霍特林统计量重构，计算第l类历史故障数据Xf，l的新的霍特林统计量的正常部分负载向量获得第l类历史故障数据重构后的霍特林统计量的正常部分Ep，l；步骤4.4：对第l类历史故障数据Xf，l进行基于平方预测误差重构，计算第l类历史故障数据Xf，l的新的平方预测误差的正常部分负载向量获得第l类历史故障数据重构后的平方预测误差的正常部分Ee，l；步骤4.5：将采样数据代入第l类历史故障数据重构后的霍特林统计量的正常部分，得到采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new，将采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new进行基于方向核偏最小二乘运算，得到采样数据相对第l类故障数据重构后的霍特林统计量的正常部分Ep，l，new的主元Tpd，l，new＝[Tp，l，new，Tpr，l，new]；步骤4.6：计算相对第l类故障数据重构后的采样数据的正常部分的霍特林统计量步骤4.7：将采样数据代入第l类故障数据重构后的平方预测误差的正常部分，得到采样...

【专利技术属性】
技术研发人员：张颖伟，樊云鹏，王建鹏，张玲君，孙荣荣，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21