【技术实现步骤摘要】
一种基于树结构稀疏的过程监测和故障诊断方法
本专利技术属于工业控制系统中的过程监控及故障诊断领域的一种监测方法，具体涉及一种基于树结构稀疏的过程监测和故障诊断方法。
技术介绍
随着传感和仪器技术的飞速发展，现代工业工厂收集和分析的数据量呈指数级增长。丰富的数据信息极大地方便了过程监视的任务，但是，由于诸如高维，多尺度，数据质量不一致等问题，也带来了巨大的挑战。为了处理大规模过程中的大数据集，研究了不同的分布式过程监控方法，如分布式主成分分析(PCA)和分布式典型相关分析(CCA)。分布式过程监控方法通过将过程分解为一组子过程进行故障检测，之后利用贡献图等传统方法进行故障隔离和定位。经证实，它们在故障检测方面是有效的。然而，在故障隔离和定位方面，分布式方法与传统方法存在同样的弱点，如“拖尾效应”以及局部和初始故障的稀释效应。对于大工业过程尤其如此，变量和数据样本的增多会加剧“拖尾效应”和稀释效应，影响故障隔离的准确性。因此，为了保证工业生产过程的可靠性和安全性，提高故障的隔离和诊断性能，基于过程结构的方法受到了极大的关...
【技术保护点】
1.一种基于树结构稀疏的过程监测和故障诊断方法，其特征在于：方法包括以下步骤：/n步骤1，通过传感器采集正常工况下流程工业生产过程中的过程变量数据作为训练数据，对训练数据利用主成分分析提取训练数据中的主成分和过程监测统计量控制限；通过传感器采集待测工况下流程工业生产过程中的数据作为测试数据，利用训练数据提取的主成分计算测试数据的过程监测统计量；将测试数据的过程监测统计量与训练数据的过程监测统计量控制限作对比，当测试数据的过程监测统计量超过训练数据的过程监测统计量控制限，则认为监测到故障，否则认为未监测到故障；/n步骤2，若监测到故障，量化每个过程变量对故障的影响，建立处理故...
【技术特征摘要】
1.一种基于树结构稀疏的过程监测和故障诊断方法，其特征在于：方法包括以下步骤：
步骤1，通过传感器采集正常工况下流程工业生产过程中的过程变量数据作为训练数据，对训练数据利用主成分分析提取训练数据中的主成分和过程监测统计量控制限；通过传感器采集待测工况下流程工业生产过程中的数据作为测试数据，利用训练数据提取的主成分计算测试数据的过程监测统计量；将测试数据的过程监测统计量与训练数据的过程监测统计量控制限作对比，当测试数据的过程监测统计量超过训练数据的过程监测统计量控制限，则认为监测到故障，否则认为未监测到故障；
步骤2，若监测到故障，量化每个过程变量对故障的影响，建立处理故障诊断问题的故障隔离模型，以消除测试数据中故障带来的影响，使测试数据中存在故障的过程变量达到正常状态；
步骤3，将训练数据转换为树结构，树结构中具有叶节点、中间节点和根节点，其中每个叶节点对应包含一个过程变量，根节点对应包含所有过程变量，叶节点和根节点之间的其他节点作为中间节点，每个中间节点对应包含自身下的所有子节点的过程变量；再设置树结构中每个节点的权重，利用步骤2中的故障隔离模型建立基于树结构稀疏的故障诊断模型；
步骤4，采用交替乘子法(ADMM)来求解步骤3中提出的基于树结构稀疏的故障诊断模型，获得最优的估计向量作为最优故障幅值，利用最优故障幅值进行故障的过程变量的定位与分离，完成流程工业生产过程的监测和故障诊断。
2.如权利要求1所述的一种基于树结构稀疏的过程监测和故障诊断方法，其特征在于：所述的步骤1中，具体根据主成分分析进行过程监测：
步骤1.1：将正常工况下的训练数据进行归一化处理，得到零均值和单位方差的标准数据集；
步骤1.2：利用步骤1.1中的标准数据集建立主成分分析(PCA)模型，以保留标准数据集中超过85％的方差且在显著性水平α的条件下提取标准数据集中的k个主成分(PCs)；
步骤1.3：对于测试数据中的每一个数据样本经过归一化处理后获得归一化后的数据样本x；
再利用标准数据集建立的主成分分析模型计算归一化后的数据样本x的T2统计量和SPE统计量，其中T2统计量表示数据样本x在由k个主成分组成的主元空间中的投影变化，而SPE统计量表示数据样本x在其他成分组成的残差空间中的投影变化，两个统计量表示为...
【专利技术属性】
技术研发人员：曾九孙，陈薇，丁克勤，蔡晋辉，姚燕，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。