【技术实现步骤摘要】
一种面向非平稳工业过程的故障诊断方法与系统
[0001]本专利技术属于工业过程故障诊断
,具体涉及一种面向非平稳工业过程的故障诊断方法与系统。
技术介绍
[0002]随着社会不断发展,现代工业系统的生产力不断提高,生产过程趋向自动化和智能化的方向发展。由于工业过程的规模不断增加,系统越来越复杂,任何微小故障都可能导致严重的后果。因此,实时的过程监控对于保证现代工业系统的安全性和可靠性至关重要。在各类过程监控方法中,数据驱动的方法近年来在学术界和工业界受到了广泛的关注。一方面,随着信息化水平的提高和传感器测量技术的进步,包含了大量过程信息的运行数据被有效存储,这为数据驱动方法的发展提供了极大的便利。另一方面,数据驱动的过程监控方法无需建立工业过程的精确数学模型,也无需大量的先验知识,因而有较广的应用范围。
[0003]数据驱动的过程监控方法主要可以分为信号处理,多元统计分析以及机器学习等方法。其中,基于信号处理的方法主要通过提取信号时域和频域特征对振动信号进行故障诊断。以主成分分析(PCA)和偏最小二乘法(PLS)为典型代表的多元统计分析方法,在过去三十年间取得了迅速发展,并已经成为了一门成熟的学科。近年来,随着人工智能技术的发展,一些机器学习方法逐渐被应用于工业过程监测并取得了令人满意的结果,比如慢特征分析(SFA)、流形学习和字典学习。其中,字典学习是一种高效的机器学习方法,它假设工业过程数据具有稀疏的底层结构,由此可以利用一组基向量对其进行稀疏表示。字典学习具有良好的泛化和数据表示能力,近年来在工业
【技术保护点】
【技术特征摘要】
1.一种面向非平稳工业过程的故障诊断方法,其特征在于,包括:获取非平稳工业过程的多维时间序列数据集,将其映射到平稳子空间;基于数据集的时序相关性,建立数据集在平稳子空间的自表达约束项;在映射的平稳子空间,考虑数据集的自表达约束项,采用字典学习方法构建目标函数;并求解目标函数得到映射矩阵、字典和数据集的稀疏矩阵;利用映射矩阵和字典,计算数据集每个样本在平稳子空间的重构误差,并采用核密度估计方法根据所有重构误差计算控制限;在线获取非平稳工业过程的样本数据,利用映射矩阵和字典计算在线样本数据在平稳子空间重构误差,并将在线样本数据的重构误差与控制限比较,根据比较结果判断工业过程当前是否故障。2.根据权利要求1所述的面向非平稳工业过程的故障诊断方法,其特征在于,数据集的时序相关性,是指工业过程的各维度当前时刻的值近似为由前若干个时刻的值线性组合而成,表示为:z
i,t
=α
i,1
z
i,t
‑1+α
i,2
z
i,t
‑2+
…
+α
i,p
z
i,t
‑
p
其中,z
i
表示数据集在平稳子空间的第i维序列,z
i,t
表示z
i
的第t个时刻样本点,π
i,j
为映射矩阵π的第i行的第j个元素,y
j,t
为原始数据集Y中的第j维序列的第t个时刻样本点;α
i,j
(j=1,2,
…
,p)为z
i
的自回归系数;将各维序列的时序相关性扩展到所有m维序列,表示为如下矩阵形式,进而建立数据集在平稳子空间的自表达约束项:Z
p+1
=Z
past
C式中,Z
p+1
表示时刻p+1的平稳子空间数据集,即Z
past
表示由部分历史时间段past的m维平稳子空间数据集Z
1,past
,Z
2,past
,
…
,Z
m,past
组成的数据集,即且历史时间段past的第i维平稳子空间数据集具体为C表示由自回归系数组成的矩阵,由m个维度的自回归系数向量组成,即且第i个维度的自回归系数向量c
i
表示为c
i
=[α
i,p
,α
i,p
‑1,
…
,α
i,1
]
T
,(i=1,2,
…
,m)。3.根据权利要求2所述的面向非平稳工业过程的故障诊断方法,其特征在于,在映射的
平稳子空间,考虑数据集的自表达约束项,采用字典学习方法构建的目标函数为:s.t||c
i
||1<1其中,ρ1,ρ2>0是惩罚因子,为包含N个时刻样本点的n维非平稳序列数据集,为将数据集Y映射到平稳子空间的映射矩阵,其将n维非平稳序列映射为m维平稳序列,Z表示由Y映射得到的m维平稳序列集,即z
i
=(π
【专利技术属性】
技术研发人员:黄科科,张丽,吴德浩,阳春华,周灿,桂卫华,
申请(专利权)人:中南大学,
类型:发明
国别省市:
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。