基于递推规范变量残差和核主元分析的微小故障检测方法技术

本发明专利技术涉及故障诊断技术领域，尤其涉及一种基于递推规范变量残差和核主元分析的微小故障检测方法，首先构造规范变量残差,从中提取数据的线性特征，利用指数加权滑动平均法对规范变量残差进行递推滤波处理,提高规范变量残差对微小故障的敏感程度，然后使用KPCA提取规范变量残差中的非线性主成分作为非线性特征,根据提取的特征提出了两个新的故障检测统计量；此外,利用核密度估计确定故障检测统计量的控制限。由于同时提取了过程数据的线性和非线性特征,有效地提高了非线性动态过程中微小故障的可检测性。小故障的可检测性。小故障的可检测性。

【技术实现步骤摘要】
基于递推规范变量残差和核主元分析的微小故障检测方法


[0001]本专利技术涉及故障诊断
，尤其涉及一种基于递推规范变量残差和核主元分析的微小故障检测方法。

技术介绍

[0002]随着系统日益大型化和复杂化,故障诊断技术已成为保证系统安全运行的一种重要手段。按照故障引起的征兆大小,可分为显著故障和微小故障。微小故障在早期的主要特征是发展变化缓慢,故障征兆不明显,容易被噪声所淹没；随着时间累积,故障幅值缓慢增加进而发展成为显著故障,如果不及早发现,可能会导致系统失效从而引发严重后果。
[0003]微小故障的特点导致了在早期检测到微小故障的发生是非常困难的。现有的微小故障诊断方法主要包括基于知识的故障诊断方法、基于解析模型的故障诊断方法以及基于数据驱动的故障诊断方法。考虑到系统结构组成及功能的复杂性,基于知识和基于解析模型的故障诊断方法往往难以实施。因此,基于数据驱动的微小故障诊断方法成为了研究热点。其优点在于不需要完备的结构功能等先验知识,也不需要构建精确的物理模型。大量多元统计分析技术被用于微小故障检测领域。如:Harmouche等针对传统PCA方法的T2统计量存在对微小故障不敏感的问题,提出了一种基于KL散度(Kullback
‑
Leiblerdivergence,KLD)的微小故障检测方法；Zhang等将PCA和KLD相结合,并对PCA所得到的投影向量进行优化,使得投影向量对于KLD故障检测方法是局部最优的；Chen等基于KLD对非高斯电驱动系统的早期微小故障进行了检测,并分析了该方法在较宽信噪比范围内的鲁棒性能；Cai等考虑到核主元分析模型不能敏感地检测微小故障初期的变化,引入KLD来度量核主成分的变化程度,提出了一种基于KLD
‑
KPCA的微小故障诊断方法；陶松兵等建立了基于协方差矩阵特征值变化与KLD变化的微小故障幅值估计模型；Gautam等利用扩展卡尔曼滤波器建立故障检测指标和故障特征,然后基于KLD设计了故障决策统计量。与KLD类似,Zhang等基于JS散度(Jensen
‑
Shannondivergence,JSD)对早期微小故障进行检测和估计。上述文献利用概率密度函数对微小故障较为敏感的特点,通过衡量故障发生前后检测数据概率密度函数之间的差异,实现对微小故障的检测。这类方法通常需要假设检测数据服从正态分布,但是实际系统可能不满足该要求,因此应用范围受到一定限制。
[0004]另一类方法旨在提高残差对微小故障的灵敏度。如:Ruiz
‑
Crcel等提出了基于规范变量分析(canonicalvariateanalysis,CVA)的微小故障检测方法,并验证了该方法的故障检测效果优于传统的PCA方法；Wu等将深度神经网络引入CVA中,利用贝叶斯推理分类器对故障进行分类；商亮亮等在CVA中引入了一阶干扰理论,显著降低了计算负荷；此外,Pilario等根据过去和未来规范变量之间的差异,构造规范变量残差,通过规范变量残差分析(canonicalvariatedissimilarityanalysis,CVDA)来处理早期微小故障检测问题；Shang等基于CVDA提出了一种加权平均统计量,提高了故障检测率；Li等基于CVDA提出了一个新的故障检测统计量,对微小故障的发展变化更敏感,同时仍然保持低的虚警率,并改进了传统的贡献图方法,提高了故障可识别性；Chen和Luo提出了一种新的多变量q
‑
sigma规
则来监测规范变量残差,并为每个变量都设置控制限,降低了检测延时和虚警率；肖姝君将CVDA推广到非线性过程,提出了一种基于核规范变量残差分析(kernelcanonicalvariatedissimilarityanalysis,KCVDA)的故障检测方法；Pilario等将不同的核函数进行组合,提出了一种基于混合KCVDA的非线性动态过程早期微小故障方法。
[0005]虽然CVDA以及KCVDA在微小故障检测方面具有一定的有效性,但单一采用一种模型并不是最佳选择:CVDA仅提取数据中的线性特征,无法提取数据的非线性特征,这些非线性特征通常出现在线性模型的残差空间中；KCVDA将原始数据映射到高维空间,从而忽略了原有空间的信息。因此,若仅用线性或非线性模型进行故障检测,微小故障的可检测性是相对较低的。

技术实现思路

[0006]为此，本专利技术提供一种基于递推规范变量残差和核主元分析的微小故障检测方法，用以克服现有技术中仅用线性或非线性模型进行故障检测,微小故障的可检测性是相对较低的的问题。
[0007]为实现上述目的，本专利技术提供一种基于递推规范变量残差和核主元分析的微小故障检测方法,包括：
[0008]步骤S1，离线训练，
[0009]步骤S11：获取正常运行状态下的检测数据Y0并对其进行标准化,得到标准化后的检测数据Y；
[0010]步骤S12：构造过去观测矩阵Yp和未来观测矩阵Yf，并分别计算Yp和Yf的协方差和互协方差矩阵；
[0011]步骤S13：对矩阵H执行奇异值分解并确定主导奇异值个数q；
[0012]步骤S14：计算规范变量残差d并对d进行EWMA滤波以得到滤波后的规范变量残差
[0013]步骤S15：构造核矩阵K并均值中心化，求解其特征值和特征向量；
[0014]步骤S16：计算主元得分向量
[0015]步骤S17：构造故障检测统计量和Q
ck
；
[0016]步骤S18：计算对应的控制限Q
UCL，ck
；
[0017]步骤S2，在线检测，
[0018]步骤S21：获取实际检测数据,并使用Y0的均值和协方差对其进行标准化,得到标准化后的检测数据Y
test
；
[0019]步骤S22：构造过去观测矩阵Y
p,test
和未来观测矩阵Y
f,test
；
[0020]步骤S23：采用所述步骤S14的方法计算规范变量残差d
test
并对d
test
进行EWMA滤波以得到滤波后的规范变量残差
[0021]步骤S24：利用和构造核矩阵K
test
并均值中心化,求解其特征值和特征向量；
[0022]步骤S25：采用所述步骤S16的方法计算主元得分向量
[0023]步骤S26：采用所述步骤S17的方法计算故障检测统计量和Q
ck，test
；
[0024]步骤S27：若或Q
ck，test
＞Q
UCL，ck
，则检测到故障发生。
[0025]进一步地，在所述步骤S11中，对正常运行状态下的检测数据进行标准化处理的方法为，设为原始检测数据，其中，n为样本个数，m为变量个数，为第k个样本，对原始检测数据进行标准化处理，设定
[0026][0027]式中，为第j个变量的均值，s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递推规范变量残差和核主元分析的微小故障检测方法，其特征在于，包括：步骤S1，离线训练，步骤S11：获取正常运行状态下的检测数据Y0并对其进行标准化,得到标准化后的检测数据Y；步骤S12：构造过去观测矩阵Y
p
和未来观测矩阵Y
f
，并分别计算Y
p
和Y
f
的协方差和互协方差矩阵；步骤S13：对矩阵H执行奇异值分解并确定主导奇异值个数q；步骤S14：计算规范变量残差d并对d进行EWMA滤波以得到滤波后的规范变量残差步骤S15：构造核矩阵K并均值中心化，求解其特征值和特征向量；步骤S16：计算主元得分向量步骤S17：构造故障检测统计量和Q
ck
；步骤S18：计算对应的控制限Q
UCL，ck
；步骤S2，在线检测，步骤S21：获取实际检测数据,并使用Y0的均值和协方差对其进行标准化,得到标准化后的检测数据Y
test
；步骤S22：构造过去观测矩阵Y
p,test
和未来观测矩阵Y
f,test
；步骤S23：采用所述步骤S14的方法计算规范变量残差d
test
并对d
test
进行EWMA滤波以得到滤波后的规范变量残差步骤S24：利用和构造核矩阵K
test
并均值中心化,求解其特征值和特征向量；步骤S25：采用所述步骤S16的方法计算主元得分向量步骤S26：采用所述步骤S17的方法计算故障检测统计量和Q
ck，test
；步骤S27：若或Q
ck，test
＞Q
UCL，ck
,则检测到故障发生。2.根据权利要求1所述的基于递推规范变量残差和核主元分析的微小故障检测方法，其特征在于，在所述步骤S11中，对正常运行状态下的检测数据进行标准化处理的方法为，设为原始检测数据,其中，n为样本个数，m为变量个数,为第k个样本，对原始检测数据进行标准化处理，设定式中，为第j个变量的均值,s
j
为第j个变量的标准差,j＝1,2，。。。,m，则原始检测数据矩阵Y0转化为：Y＝[y1…
y
n
]
T
。3.根据权利要求2所述的基于递推规范变量残差和核主元分析的微小故障检测方法，其特征在于，在所述步骤S12中，构造过去观测矩阵Y
p
和未来观测矩阵Y
f
，并分别计算Y
p
和Y
f
的协方差和互协方差矩阵的方法为，当原始检测数据矩阵Y0转化为：Y＝[y1…
y
n
]
T
时，对于
第k个检测样本,设定其过去观测向量y
p(k)
和未来观测向量y
f(k)
的表达式分别为：的表达式分别为：式中，p和f分别表示过去观测向量和未来观测向量的窗口长度；设定过去观测矩阵和未来观测矩阵的表达式分别为：Y
p
＝[y
p
(p+1) y
p
(p+2)
…
y
p
(p+N)] (4)Y
f
＝[y
f
(p+1) y
f
(p+2)
…
y
f
(p+N)] (5)式中，N＝n
‑
f
‑
p+1，设定Y
p
的协方差的表达式为：设定Y
f
的协方差的表达式为：设定Y
p
和Y
f
的互协方差的表达式为：式中，参数p和f满足{mp，mf}＜N。4.根据权利要求3所述的基于递推规范变量残差和核主元分析的微小故障检测方法，其特征在于，在所述步骤S13中，对矩阵H执行奇异值分解并确定主导奇异值个数q的方法为，在完成所述步骤S12后，对矩阵H执行奇异值分解计算，设定：式中，U和V分别是由左右奇异向量组成的矩阵，对角矩阵S由有序奇异值组成,设定S＝diag(∑1，
…
，∑
γ
，0，
…
，0),γ为矩阵H的秩，取U和V具有最大相关性的前q列，其中q＜mp,得到降维后的矩阵Uq和Vq，则投影矩阵J和L的表达式分别为：得到降维后的矩阵Uq和Vq，则投影矩阵J和L的表达式分别为：5.根据权利要求4所述的基于递推规范变量残差和核主元分析的微小故障检测方法，其特征在于，在所述步骤S14中计算规范变量残差d并对...

【专利技术属性】
技术研发人员：史贤俊，秦玉峰，秦亮，聂新华，王朕，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：