技术领域
本发明属于可靠性工程技术领域,具体涉及一种基于故障重构的质量相关故障诊断及误报警反馈方法。
背景技术
随着现代技术的发展,工业过程的系统越加复杂,已无法由简单的物理模型和机理模型可以进行描述,导致一系列基于故障树和物理模型的故障诊断方法难以适用。而随着集成电路的发展,大量的传感器被布置到工业过程的许多关键位置,同时获得了海量的数据。因此,基于数据驱动建模的方法逐渐成为研究热点得到了大量发展及应用。在工业过程获取的数据中,通常呈高耦合、非高斯、非线性等特点,如何从这些数据中提出过程的特征建立模型是数据驱动方法的难点。同时,当工业设备性能退化和生产流程中参数存在漂移乃至某一环节出现故障时,对应传感器监测到的过程数据会出现异常变化,如何从这些变化中找到故障的原因,是目前研究的重点和难点。
在故障诊断中,可以分为两类故障形式。一类是传感器故障,是由于传感器出现故障或对应部位出现异常导致的故障现象,通常采用贡献图的方法对监测异常的传感器进行定位,进而进行更换或者排障处理。另一类故障是过程故障,这类故障是特定原因造成的多传感器监测异常所形成固定故障类型,具有故障表现区分明显,类型多样的特点。对于过程故障,其形式较于传感器故障更加复杂。而在针对关键性能指标故障类型的诊断识别中,受质量无关故障的影响,容易造成误报警的现象,并且故障原因无法识别,进而引起一系列重大生产问题。为此,需要解决两个问题:一是针对关键性能指标故障类型的识别;二是针对误报警的故障进行实时反馈。在实际生产过程中,一类过程故障通常具有特定的故障特征,可以用故障子空间来表示。一个准确的故障子空间可以通过较小的维度即能反映故障全部的特征,使得在故障识别中实时效率进一步提升,同时诊断也更加精确。本发明通过高效提取质量相关故障子空间,实现质量相关故障的有效识别。同时设计了质量无关故障子空间提取方法,使得误报警的故障可以实时诊断,及时给出反馈。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于故障重构的质量相关故障诊断及误报警反馈方法解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于故障重构的质量相关故障诊断及误报警反馈方法,包括以下步骤:
S1、建立改进潜结构模型;
S2、基于改进潜结构模型,构建工业过程中故障状态的评判标准;
S3、根据故障状态的评判标准,建立故障库;
S4、基于故障库,对监测故障样本进行故障识别以及误报警反馈;
S5、提取无法识别的监测故障样本的故障子空间,并根据故障子空间更新故障库。
进一步地,所述步骤S1具体为:
S1.1、采集工业过程中若干输入数据X以及输出数据Y,所述输入数据X的列包括m个变量,其行包括n个采样样本;所述输出数据Y的列包括p个变量,其行包括n个采样样本;
S1.2、设置迭代次数i=1;
S1.3、随机取出输出数据Y的一列数据u
|w
t
q
u
其中,u
S1.4、判断||u
S1.5、根据数据X
p
S1.6、根据负载向量p
X
Y
其中,X
S1.7、判断迭代次数i是否等于A,若是,则进入步骤S1.8,否则令i的计数值加一,并返回步骤S1.3;
S1.8、将A次更新的降维数据组成得分矩阵T=(t
S1.9、根据得分矩阵T、权重矩阵W以及负载矩阵P,建立改进潜结构模型为:
其中
进一步地,所述步骤S2具体为:
S2.1、基于改进潜结构模型,获取输入数据X中单个样本x在质量相关子空间和质量无关子空间中的统计量为:
其中,D表示质量相关子空间的统计量,T表示转置,t
S2.2、构建统计量的控制限为:
其中,C
S2.3、判断质量相关子空间的统计量D是否大于其控制限C
S2.4、根据步骤S2.1-S2.3所述方法,获取输入数据X中每个样本在工业过程中的故障状态,完成工业过程中故障状态的评判标准的构建流程。
进一步地,所述步骤S3中建立故障库包括建立质量相关故障库以及质量无关故障库。
进一步地,所述建立质量相关故障库的具体步骤为:
S3.1.1、基于先验经验构建质量相关故障数据集
S3.1.2、将故障数据X
其中,T
S3.1.3、计算质量相关故障空间
其中,C
S3.1.4、采用广义主成分分析方法提取协方差矩阵C
V
其中,eig(*)表示特征值分解运算;
S3.1.5、根据广义特征向量V
S3.1.6、对去除正常信息后的质量相关故障空间
其中,U
S3.1.7、筛选出投影矩阵U
S3.1.8、根据步骤S3.1.2-S3.1.7所述方法,获取
进一步地,所述建立质量无关故障库的具体步骤为:
S3.2.1、基于改进潜结构模型,对可预测空间
其中,T
S3.2.2、根据得分矩阵T
其中,(*)
S3.2.3、根据负载矩阵P
S3.2.4、对质量无关矩阵
其中,T
S3.2.5、根据完全质量空间
S3.2.6、基于先验经验构建质量无关故障数据集
S3.2.7、基于优化潜结构模型,将故障数据
其中,
S3.2.8、获取质量无关矩阵
其中,
S3.2.9、采用广义主成分算法提取协方差矩阵
S3.2.10、根据广义特征向量
其中,
S3.2.11、对去除正常信息后的故障空间
其中,
S3.2.12、筛选出总故障子空间
S3.2.13、根据步骤S3.2.6-S3.2.12所述方法,获取
进一步地,所述步骤S4具体为:
S4.1、基于故障数据库,获取监测故障样本x
其中,i=1,2,...,k1,(*)
S4.2、对监测故障样本x
x
S4.3、遍历质量相关故障库Σ
S4.4、获取监测故障样本x
S4.5、对监测故障样本x
x
S4.4、遍历质量无关故障库Σ
进一步地,所述步骤S5具体为:
S5.1、将监测故障样本x
其中,
S5.2、获取质量无关子空间
S5.3、获取正常工况下每个输出样本y的控制限C
其中,g'表示第四中间系数,h'表示第五中间系数,
S5.4、判断统计量Q
本发明的有益效果为:
(1)本发明提供了一种基于故障重构的质量相关故障诊断及误报警反馈方法,通过构造质量相关和质量无关故障库,基于故障重构对故障样本的故障类型进行识别,对误报警的样本进行反馈,实现测试样本的在线故障诊断和误报警反馈。
(2)本发明能够快速对工业过程中故障进行识别,识别准确率高,并且提高了识别效率,具备广阔的实施前景。
附图说明
图1为本发明提出的一种基于故障重构的质量相关故障诊断及误报警反馈方法流程图。
图2为本发明实施例中IDV(8)故障重构图。
图3为本发明实施例中采用IDV(2)故障的故障子空间对IDV(1、6、8)故障的故障重构结果图。
图4为本发明实施例中IDV(1、2、13)故障对应故障子空间的故障重构结果图。
图5为本发明实施例中IDV(3、4、9、11)故障的质量无关故障重构结果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于故障重构的质量相关故障诊断及误报警反馈方法,包括以下步骤:
S1、建立改进潜结构模型;
S2、基于改进潜结构模型,构建工业过程中故障状态的评判标准;
S3、根据故障状态的评判标准,建立故障库;
S4、基于故障库,对监测故障样本进行故障识别以及误报警反馈;
S5、提取无法识别的监测故障样本的故障子空间,并根据故障子空间更新故障库。
在本实施例中,X为输入数据,n行m列的矩阵,即布置m个传感器采集n次样本;Y为输出数据,n行p列的矩阵,即布置p个传感器,采集n次样本。
所述步骤S1具体为:
S1.1、采集工业过程中若干输入数据X以及输出数据Y,所述输入数据X的列包括m个变量,其行包括n个采样样本;所述输出数据Y的列包括p个变量,其行包括n个采样样本;
S1.2、设置迭代次数i=1;
S1.3、随机取出输出数据Y的一列数据u
w
|w
t
q
u
其中,u
S1.4、判断||u
S1.5、根据数据X
p
S1.6、根据负载向量p
X
Y
其中,X
S1.7、判断迭代次数i是否等于A,若是,则进入步骤S1.8,否则令i的计数值加一,并返回步骤S1.3;
S1.8、将A次更新的降维数据组成得分矩阵T=(t
S1.9、根据得分矩阵T、权重矩阵W以及负载矩阵P,建立改进潜结构模型为:
其中,
所述步骤S2具体为:
S2.1、基于改进潜结构模型,获取输入数据X中单个样本x在质量相关子空间和质量无关子空间中的统计量为:
其中,D表示质量相关子空间的统计量,T表示转置,t
S2.2、构建统计量的控制限为:
其中,C
S2.3、判断质量相关子空间的统计量D是否大于其控制限C
S2.4、根据步骤S2.1-S2.3所述方法,获取输入数据X中每个样本在工业过程中的故障状态,完成工业过程中故障状态的评判标准的构建流程。
所述步骤S3中建立故障库包括建立质量相关故障库以及质量无关故障库。
所述建立质量相关故障库的具体步骤为:
S3.1.1、基于先验经验构建质量相关故障数据集
S3.1.2、将故障数据X
其中,T
S3.1.3、计算质量相关故障空间
其中,C
S3.1.4、采用广义主成分分析方法提取协方差矩阵C
V
其中,eig(*)表示特征值分解运算;
S3.1.5、根据广义特征向量V
S3.1.6、对去除正常信息后的质量相关故障空间
其中,U
S3.1.7、筛选出投影矩阵U
S3.1.8、根据步骤S3.1.2-S3.1.7所述方法,获取
所述建立质量无关故障库的具体步骤为:
S3.2.1、基于改进潜结构模型,对可预测空间
其中,T
S3.2.2、根据得分矩阵T
其中,(*)
在本实施例中,完全质量空间表示在质量相关空间中去除冗余信息后的空间。
S3.2.3、根据负载矩阵P
S3.2.4、对质量无关矩阵
其中,T
在本实施例中,主元数也就是成分数,也等于空间的秩。
S3.2.5、根据完全质量空间
S3.2.6、基于先验经验构建质量无关故障数据集
S3.2.7、基于优化潜结构模型,将故障数据
其中,
S3.2.8、获取质量无关矩阵
其中,
S3.2.9、采用广义主成分算法提取协方差矩阵
S3.2.10、根据广义特征向量
其中,
S3.2.11、对去除正常信息后的故障空间
其中,
S3.2.12、筛选出总故障子空间
S3.2.13、根据步骤S3.2.6-S3.2.12所述方法,获取
所述步骤S4具体为:
S4.1、基于故障数据库,获取监测故障样本x
其中,i=1,2,...,k1,(*)
S4.2、对监测故障样本x
x
S4.3、遍历质量相关故障库Σ
S4.4、获取监测故障样本x
S4.5、对监测故障样本x
S4.4、遍历质量无关故障库Σ
所述步骤S5具体为:
S5.1、将监测故障样本x
其中,
S5.2、获取质量无关子空间
S5.3、获取正常工况下每个输出样本y的控制限
其中,g'表示第四中间系数,h'表示第五中间系数,
S5.4、判断统计量Q
在本实施例中,通过田纳西-伊斯曼(TEP)实验中采集的数据来验证本文提出的方法。TEP是由伊士曼化工公司Downs和Vogel于1993年开发的一个小型工业流程,整个流程由五个操作单元组成,包括化学反应器、冷凝器、压缩机、汽/液分离器和分离器。
TEP含有八种成分:A,B,C,D,E,F,G和H,其中,气态物质A,C,D和E以及惰性物质B是反应物,G和H是反应产物,F是反应副产物。反应器中在催化剂的辅助下同时进行4个反应:
表1 15个已知故障(IDV)
TEP共生成22个数据集用于过程监控和故障诊断,包括1个正常数据X和10个质量相关故障训练集X
故障类型具体如表1所示,质量相关故障和质量无关故障的判断:采用输出y的SPE统计量作为判别的标准。如果y出现故障,那么相应的输出和Q
表2质量相关故障子空间提取
表2展示了在离线过程中对10类质量相关故障提取的故障子空间,由这些故障子空间组成质量相关故障库Σ
将离线过程的故障库用于在线故障的识别及诊断。首先,采用故障库中故障2的故障子空间对故障1,6,7进行故障重构,结果如图3所示其中实线为T
分别采用故障1、2、13的故障子空间对对应故障进行重构,结果如图4所示。显然,与故障子空间相匹配的故障类型可以被完全重构。
对于质量无关故障,采用离线过程建立的质量无关故障库来验证对质量无关故障的重构性能;其结果如图5所示。
如图5所示,前5个图为质量无关故障的监测情况,可以看到在对质量无关故障的监测中存在部分误报警的情况。当这类情况出现时,由质量相关故障是无法对其重构的,而采用质量无关故障对其进行重构,结果如后5个图所示。可以看出质量无关故障库可以对对应的质量无关故障进行有效重构,进而识别出误报警并进行及时反馈。
机译: 一种用于涡轮机系统的统一质量评估和提供自动故障诊断工具的方法
机译: 一种用于开发统一质量评估并为涡轮机系统等提供自动故障诊断工具的方法
机译: 一种在一系列测试状态下的旋转机械故障诊断和质量评估(评级)的方法