一种基于全解耦高阶动态模态分解的工业故障检测和变量隔离方法技术

本发明专利技术公开了一种基于全解耦高阶动态模态分解的工业故障检测和变量隔离方法。首先，该方法通过全解耦高阶动态模态分解分离出标准化数据的高阶自相关性和互相关性。针对高阶自相关性，设计时序预测和自相关特征统计量来分别指示过程的时序变化和自相关波动情况。针对互相关性，设计主成分和残差统计量指示互相关性是否正常。基于这四个统计量，分别设计不同的故障变量隔离策略，找出引起该故障的主导变量。通过本发明专利技术的技术方案，可解耦变量间的互相关性和高阶自相关性，从两个角度为工业过程提供全面的故障检测，具有更高的准确性。在检测到故障后，该方法可以进一步分别识别引起不同类故障的主要因素，为故障诊断提供依据，具有更强的解释性。具有更强的解释性。具有更强的解释性。

【技术实现步骤摘要】
一种基于全解耦高阶动态模态分解的工业故障检测和变量隔离方法


[0001]本专利技术属于工业故障监测和变量隔离领域，特别是涉及一种工业过程中互相关性和高阶自相关性耦合的情况，通过所提的全解耦高阶动态模态分解方法，将两者完全解耦，提供全面的故障检测结果，并识别关键故障变量。

技术介绍

[0002]近年来，工业过程设备越来越一体化、复杂化。设备之间的关系连接紧密，往往牵一发而动全身。当事故发生时，不仅会造成大量的经济损失，甚至可能带来人员伤亡。因此，及时准确地检测出工业过程发生的故障，并在成百上千个变量中识别出故障主导变量至关重要。
[0003]随着物联网技术和人工智能技术的发展，基于数据驱动的故障检测和变量隔离方法在学术界和工业界都受到了广泛关注。在工业过程中，自相关性和互相关性往往相互耦合，同时存在。但是，许多传统的建模方法，如主成分分析，支持向量机等，往往只关注变量间的互相关性而忽略了自相关性。受到闭环反馈等的影响，工业过程常呈现出典型的动态特性，即不同时刻的变量是有时序关系的。忽略变量间的时序关系容易导致故障误报、漏报等情况。现有的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全解耦高阶动态模态分解的工业故障检测方法，其特征在于，包括以下步骤：步骤1：采集工业正常运行过程中不同时刻的过程变量进行标准化后组成正常样本数据矩阵n表示样本数，m表示过程变量数；步骤2：使用全解耦高阶动态模态分解将过程数据特性划分为高阶自相关性和互相关性：2.1考虑一个高阶自相关系统x
k+d
＝A1x
k
+
…
+A
d
x
k+d
‑1＝A
HO
[x
k
,...,x
k+d
‑1]
T
(1≤k≤n
‑
d)，x
k
表示第k个样本，A
HO
＝[A1,A2,...,A
d
]表示原始变量时序结构，d表示自相关的阶次。通过奇异值分解近似为X≈UΣV
*
，其中和分别表示左奇异矩阵，对角阵和右奇异矩阵；*表示共轭转置；r表示近似阶次；依据高阶自相关系统构造矩阵块Y
j
：2.2依据矩阵块计算原始变量高阶自相关性的时序结构其中表示Moore
‑
Penrose伪逆；2.3依据高阶自相关系统，计算只保留高阶自相关特性的潜变量和潜变量的预测值其中表示第k个潜变量，表示潜变量的时序结构；互相关性保留在潜变量的重构残差中：步骤3：依据潜变量及其预测值设计自相关特征统计量和时序预测统计量其中表示第k+d个潜变量；||*||2表示L2范数；并利用核密度估计确定自相关特征统计量和时序预测统计量的控制限。步骤4：对重构残差数据矩阵进行主成分分析，构建主成分统计量和残差统计量并通过核密度估计确定控制限。步骤5：实时采集工业运行过程的过程变量标准化后组成当前样本x
t
，计算当前样本的自相关特征统计量时序预测统计量主成分统计量和残差统计量对工业故障进行监测，若任意一个统计量超过控制限，表明工业过程发生故障。2.根据权利要求1所述的故障检测方法，其特征在于，工业运行过程为火电厂、化工厂、风电厂、高炉炼铁厂等具有高阶自相关特性的多变量工业运行过程。3.根据权利要求1所述的故障检测方法，其特征在于，所述通过如下方法计算获得：4.一种基于全解耦高阶动态模态分解的工业故障变量隔离方法，其特征在于：基于权利要求1所述故障检测方法计算获得的统计量设计每个变量的贡献度计算方法，通过任意一种贡献度计算方法实现故障样本的变量隔离，贡献度计算方法包括：(1)故障样本第q个过程变量对于自相关特征统计量的贡献度计算方法为
其中，u
j,t
是U...

【专利技术属性】
技术研发人员：赵春晖，陈旭，王伟，王文海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：