一种基于FastRB的高维复杂工业过程故障诊断方法技术

本发明专利技术公开了一种基于FastRB的高维复杂工业过程故障诊断方法，包括以下步骤：利用PCA算法对历史数据进行特征提取并建立PCA故障诊断模型；计算实时样本的综合指标用于检测是否发生故障；若发生故障则使用FastRB算法进行故障分离确定故障变量。本发明专利技术所提供算法在面对高维复杂工业过程时，可以在较小计算量的情况下保证高诊出率和低误诊率，能够快速准确地确认故障类型并提供报警，为运行人员和维修人员提供操作和维护的意见。提供操作和维护的意见。提供操作和维护的意见。

【技术实现步骤摘要】
一种基于FastRB的高维复杂工业过程故障诊断方法


[0001]本专利技术涉及在线故障诊断
，特别是涉及一种基于FastRB的高维复杂工业过程故障诊断方法。

技术介绍

[0002]故障诊断技术是保证工业过程安全稳定运行的重要手段。现有的故障诊断方法主要分为机理分析方法以及数据驱动方法两大类。相比于机理分析方法，数据驱动方法不需要复杂的理论推导，可以从历史数据中获取系统参数之间的关联性，在缺少系统结构参数和系统内部原理的情况下也能够建立较为准确的监测模型。主成分分析是一种典型的数据驱动方法，能够有效处理高维复杂数据，已经在化工、发电、钢铁等领域得到了广泛的研究和应用。该方法首先通过SPE和T2等统计量来检测系统运行状态，当统计量高于控制限阈值时，则认为系统出现故障状态。当系统被检测为故障状态后，下一步就是快速分离出根源故障变量，从而定位出故障位置。贡献图法是最为常用的故障分离方法，该方法计算简单，但容易出现残差污染问题，面对大幅度或多变量复杂故障时，会造成大量的误报情况。
[0003]早在上个世纪，对于故障诊断的研究就已开始，在能源电力方面，西方国家投入较多时间进行理论基础研究及工程化应用。多元统计分析方法因能有效处理高维复杂数据而获得了广泛的研究和应用，该方法从过程数据中提取关键的特征参数，通过故障检测指标来评估系统运行状态，常见的多元统计分析方法包括主成分分析、偏最小二乘、Fisher判别分析等。基于多元统计方法的热工过程状态监测与诊断方法已经引起了研究者的广发关注。多元统计监测在故障分离识别方面的研究较少，大多数基于多元统计分析的研究都是采用贡献图法进行故障分离，但是由于贡献图法存在的残差污染问题，使用该方法的误诊率较高。针对这个问题，学者提出了基于重构贡献图的故障分离方法，以抑制多维、复杂故障的残差污染问题。但由于重构贡献图法需采用穷举搜索来选择故障变量，导致搜索计算量大，计算耗时长。因此，有必要研究一种快速定位故障位置的故障诊断方法，对降低模型误报和漏报、提高在线诊断速率具有重要意义。

技术实现思路

[0004]本专利技术目的是针对
技术介绍
中存在的问题，提出一种基于FastRB的高维复杂工业过程故障诊断方法，满足高维复杂工业过程高诊断速率和高诊断精度的需求。
[0005]本专利技术的技术方案，一种基于FastRB的高维复杂工业过程故障诊断方法，包括以下具体步骤：
[0006]S1、利用PCA算法对历史数据进行特征提取并建立PCA故障诊断模型；
[0007]S11、通过数据库获得海量历史数据样本集
[0008]S12、将数据集X标准化处理，将标准化后的数据用于PCA降维，提取主要特征并计算协方差矩阵；
[0009]S13、将协方差矩阵特征值分解，选择合适的主元个数，建立故障诊断模型；
[0010]S2、计算实时样本的综合指标用于检测是否发生故障；
[0011]S21、计算综合指标以及对应阈值φ：
[0012]S22、对实时数据进行故障监测：
[0013]S3、若发生故障则使用FastRB算法进行故障分离确定故障变量；
[0014]S31、定义三个矩阵其中其中其中算法从p＝1开始，其中p代表了前向搜索的次数；
[0015]S32、如果p>1，更新矩阵
[0016]S321、删除在前一次搜索中三个矩阵得到故障方向Ξ
p,select
所对应的列；
[0017]S322、
[0018]S323、
[0019]S33、计算p维的每个变量方向对应的投影距离其中并选择变量方向Ξ
p,select
所对应的最大投影距离并且故障方向Ξ
p,select
就是第p次搜索的最佳重构方向；
[0020]S34、如果p＝1，定义β
p
＝α
select
，否则定义单位化单位化
[0021]S35、计算最佳重构方向对应的指标
[0022]S36、重复S32到S35，并且让p＝p+1，直到重构指标小于对应的阈值
[0023]S37、计算重构统计量集此时Ξ
i
的选择基于的选择基于找到最佳重构统计量并更新最优目标集
[0024]S38、当最优重构统计量超出对应控制阈值迭代停止，否则令f＝f
‑
1，更新最优目标集并返回S37。
[0025]S39、目标集中的变量即为故障分离得到的故障变量。
[0026]优选的，S11中数据样本集X＝{x1,x2,x3,
…
,x
m
}，其中：m表示样本个数，样本x
i
∈X，样本x
i
＝{x
i1
,x
i2
,x
i3
,
…
,x
in
}，其中：下标i为样本编号，n表示样本的变量个数。
[0027]优选的，S12中先计算每个变量的均值向量和标准差和标准差再对数据集X标准化处理得到式中：x'
ij
为第i个样本第j个变量方向标准化后的样本，则X'＝{x'1,x'2,x'3,
…
,x'
m
}为标准化后的数据集，计算
X'的协方差矩阵X'的协方差矩阵
[0028]优选的，S13中采用重构误差方差准则选取主元，将协方差矩阵分解为式中：和分别是载荷矩阵和残差矩阵；l是在模型中的主元数量；对角矩阵Λ和分别包含主特征值以及残差特征值，得到PCA故障诊断模型。
[0029]优选的，S21中综合指标将SPE和T2指标统合进一个指标，首先进行SPE和T2指标及对应阈值的计算，式中：是残差矩阵，l是在模型中的主元数量；对应控制阈值为式中：式中：式中：λ
j
是协方差矩阵S的第j个特征值，l是在模型中的主元数量；中的主元数量；式中：是载荷矩阵，对应控制阈值为式中：l是在模型中的主元数量；计算综合指标式中：对应控制阈值为式中：
[0030]优选的，S22中对输入模型的实时数据样本计算对应的综合指标若则该实时数据正常，若则该数据样本异常，有故障发生。
[0031]与现有技术相比，本专利技术具有如下有益的技术效果：
[0032]1、本专利技术提供的系统和方法能够通过基于重构的方法进行故障分离，合理处理复杂高维工业过程故障诊断由于贡献图法带来的残差污染问题。
[0033]2、本专利技术提供的系统和方法利用施密特正交化，将计算垂直距离对偶成计算投影距离，可以充分利用之前计算过的信息，计算速度快，并且具有较高的诊出率和误诊率，在诊断精度和诊断效率之间达到良好平衡。
附图说明
[0034]图1是本专利技术中FastRB算法故障分离流程图。
具体实施方式
[0035]实施例1
[0036]为测试所述方法的故障诊断效果与诊断速度，采用下式构建仿真样本矩阵X。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，包括以下具体步骤：S1、利用PCA算法对历史数据进行特征提取并建立PCA故障诊断模型；S2、计算实时样本的综合指标用于检测是否发生故障；S3、若发生故障则使用FastRB算法进行故障分离确定故障变量。2.根据权利要求1所述的一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，S1还包括以下具体步骤：S11、通过数据库获得海量历史数据样本集S12、将数据集X标准化处理，将标准化后的数据用于PCA降维，提取主要特征并计算协方差矩阵；S13、将协方差矩阵特征值分解，选择合适的主元个数，建立故障诊断模型。3.根据权利要求2所述的一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，S11中数据样本集X＝{x1,x2,x3,
…
,x
m
}，其中：m表示样本个数，样本x
i
∈X，样本x
i
＝{x
i1
,x
i2
,x
i3
,
…
,x
in
}，其中：下标i为样本编号，n表示样本的变量个数。4.根据权利要求2所述的一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，S12中先计算每个变量的均值向量和标准差再对数据集X标准化处理得到式中：x'
ij
为第i个样本第j个变量方向标准化后的样本，则X'＝{x'1,x'2,x'3,
…
,x'
m
}为标准化后的数据集，计算X'的协方差矩阵5.根据权利要求2所述的一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，S13中采用重构误差方差准则选取主元，将协方差矩阵分解为式中：和分别是载荷矩阵和残差矩阵；l是在模型中的主元数量；对角矩阵Λ和分别包含主特征值以及残差特征值，得到PCA故障诊断模型。6.根据权利要求1所述的一种基于FastRB的高维复杂工业过程故障诊断方法，其特征在于，S2包括以下具体步骤：S21、计算综合指标以及对应阈值φ；S22、对实...

【专利技术属性】
技术研发人员：任少君，金寅峰，司风琪，
申请(专利权)人：东南大学，
类型：发明
国别省市：