基于动态主元分析的CSTH的乘性故障诊断方法技术

本发明专利技术公开了一种基于动态主元分析的CSTH的乘性故障诊断方法，包括：S1、数据准备与预处理；S2、构建动态主元模型；S3、构建乘性故障模型，求得重构误差：根据所述动态主元模型，构建乘性故障模型，利用标准化以及时序扩展后的故障数据，基于重构误差最小的优化目标获取分别沿着m个假定故障变量方向进行重构时的重构幅值的最优解，进而求得m个假定故障变量方向的最优的重构矩阵的重构误差；S4、故障变量诊断：对比所述重构误差，最小的所述重构误差对应的假定故障变量诊断为故障变量。实现针对乘性故障的故障诊断。

【技术实现步骤摘要】
基于动态主元分析的CSTH的乘性故障诊断方法
本专利技术涉及数据分析
，尤其涉及一种基于动态主元分析的CSTH的乘性故障诊断方法，所述CSTH表示连续搅拌釜式加热器。
技术介绍
随着集散控制系统以及智能化仪表在工业过程中的广泛应用，大量的过程数据得以采集和保存起来，利用数据分析技术来挖掘过程数据中蕴含的过程信息可以辅助决策，指导生产操作，提高过程工业的运行效益。特别地，随着过程系统不断朝向大规模化发展，其准确的机理模型已难以获得，数据分析技术已成为推动大规模工业系统朝向智能化，数字化与信息化发展的重要驱动力量。利用数据驱动的方法诊断故障变量，一方面可以很大程度降低对机理模型的依赖，另一方面可以减少由于人为分析，排查等导致的错误诊断。故障诊断对于保障工业过程的安全运行具有重要作用。在过程工业中，加性故障与乘性故障是两种常见的故障表现形式。加性故障假设故障以叠加的形式作用于系统状态，通常是与输入输出相关的故障，实际上叠加性的故障往往只出现在部分执行器故障和传感器故障中，其反映的只是过程的表层信息，并没有考虑过程内部机理故障的影响。在实本文档来自技高网...

【技术保护点】
1.一种基于动态主元分析的CSTH的乘性故障诊断方法，其特征在于，所述诊断方法包括以下步骤：/nS1、数据准备与预处理：收集一段在标准工况下运行的正常工况历史数据x(k),k＝1,2,...,N和待进行故障诊断的故障数据x(j),j＝1,2,...,M，x(k)∈R

【技术特征摘要】
1.一种基于动态主元分析的CSTH的乘性故障诊断方法，其特征在于，所述诊断方法包括以下步骤：
S1、数据准备与预处理：收集一段在标准工况下运行的正常工况历史数据x(k),k＝1,2,...,N和待进行故障诊断的故障数据x(j),j＝1,2,...,M，x(k)∈Rm、x(j)∈Rm为m维的数据，包含的m个过程变量为连续搅拌釜式加热器的液位PI控制器输出变量、流量输出变量、液位输出变量和温度输出变量，k、j为时间标签，N、M为样本数；进行数据标准化处理，根据过程的动态阶次L对数据进行时序扩展得到标准化以及时序扩展后的正常工况历史数据xL(k)和故障数据xL(j)，xL(k)∈Rm×L，xL(j)∈Rm×L；
S2、构建动态主元模型：利用所述标准化以及时序扩展后的正常工况历史数据xL(k)建立连续搅拌釜式加热器过程的动态主元模型；
S3、构建乘性故障模型，求得重构误差：根据所述连续搅拌釜式加热器过程的动态主元模型，构建连续搅拌釜式加热器过程的乘性故障模型，利用所述标准化以及时序扩展后的故障数据xL(j)，基于重构误差最小的优化目标获取分别沿着m个假定故障变量方向进行重构时的重构幅值的最优解，得到m个假定故障方向的最优的重构矩阵，求得所述m个假定故障变量方向的最优的重构矩阵的重构误差；所述假定故障变量依次为所述m个过程变量中的一个；
S4、故障变量诊断：对比所述重构误差，最小的所述重构误差对应的假定故障变量诊断为故障变量。


2.根据权利要求1所述的基于动态主元分析的CSTH的乘性故障诊断方法，其特征在于，所述步骤S3包括：
S3.1、根据乘性故障对过程的作用机理以及步骤S2所述的连续搅拌釜式加热器过程的动态主元模型，构建连续搅拌釜式加热器过程的乘性故障模型；
S3.2、将所述连续搅拌釜式加热器过程的乘性故障模型分别沿着m个假定故障变量方向进行重构，得到重构样本向量；
S3.3、所述重构样本向量的重构误差为所述重构样本向量在残差子空间的投影的模；
S3.4、求得所述重构样本向量的重构误差为最小值时对应的重构幅值的最优解；
S3.5、根据所述重构幅值的最优解，得到m个假定故障方向的最优的重构矩阵，求得所述m个假定故障变量方向的最优的重构矩阵的重构误差。


3.根据权利要求1所述的基于动态主元分析的CSTH的乘性故障诊断方法，其特征在于，所述步骤S2包括：
S2.1、所述标准化以及时序扩展后的正常工况历史数据xL...

【专利技术属性】
技术研发人员：王凯，郭智莹，王雅琳，袁小锋，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43