[發明專利]基于相似性局部樣條回歸的工業過程故障診斷方法

有效

• 申請號: 201711188778.X
• 申請日: 2017-11-24
• 公開（公告）號: CN107748901B
• 公開（公告）日: 2020-01-07
• 發明（設計）人: 張穎偉;鄧瑞祥;張云洲
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18
• 代理公司: 21109 沈陽東大知識產權代理有限公司
• 代理人: 梁焱

本發明提供一種基于相似性局部樣條回歸的工業過程故障診斷方法，涉及故障監測與診斷技術領域。該方法通過采集工業過程數據，并進行部分標記和標準化處理，利用LSR方法求得預測標簽，采用相似性分析方法對預測標簽進行處理，對故障識別模糊的點進行標簽修正，然后基于樣條函數構建在線診斷模型，并采用嶺回歸的方法求得系數矩陣，在工業生產過程中采集新數據，通過在線診斷模型和系數矩陣求出其相應的標簽，進行故障診斷。本發明解決工業生產過程中包含有大量的物理化學變量和圖像聲音視頻等多源異構大數據的故障診斷問題，無需對所有工業生產數據進行故障識別，節約大量時間與人力，能大大降低誤報警，提高故障檢測的準確性和靈敏度。

技術領域

本發明涉及故障監測與診斷技術領域，尤其涉及一種基于相似性局部樣條回歸的工業過程故障診斷方法。

背景技術

在工業生產過程中，對工業系統的故障檢測是比較關鍵的步驟，因為它直接關系到生產能否正常運行和生產產品的質量。過程監控的目的是監視系統運行狀態。檢測工業生產過程中是否發生故障，并對故障系統的異常變化幅度進行定量分析，判斷故障類型、發生時間、變化幅度和影響程度，必要時，提出相應的維護與改進措施，就會大大減少企業生產過程的危險性，提高生產安全性和保障性。因此，適用于工業過程工況監控的過程監測方法得到了廣泛的關注和迅速的發展。

傳統的故障診斷方法僅僅是對工業過程物理化學變量等監測數據的統計分析，不足以支撐全流程復雜工況下生產流程的異常工況診斷。為了解決這個問題，大量監測手段被應用于生產流程中，獲得了反映生產流程的異構、動態、多源的大數據。通過工業大數據的協同建模來提高異常工況診斷的準確率和靈敏度。因此，適用于工業大數據的故障診斷方法正逐步興起。

工業大數據通常包括大量的物理化學變量和圖像聲音視頻數據，數據的個數和維數都很大。在訓練過程中，應用傳統的故障診斷方法實現對故障的精準識別，需要對每一個訓練樣本對應的具體工業生產狀況進行識別，要對其中的每一個樣本所對應的實際生產狀況進行標記，需耗費大量的人力及時間。LSR算法能利用少量的標記數據實現對大量的未標記數據的識別，對于特征明顯，可區分性強的突發故障能以較高的準確率進行診斷。但對于衍變故障而言，在故障發生初期，其對整個工業生產流程的影響還不太明顯，因此對應的故障數據與正常數據之間的分布十分接近，區別不夠顯著，而LSR在計算過程中未考慮數據的分布及數據間的內部特征等因素，因此將LSR直接用于故障診斷，異常工況的誤報率和漏報率較高。此外，LSR方法是一種直推式的方法，僅能實現訓練集內數據的故障識別，對于新來的數據，無法直接求得其對應的故障標簽，故障檢測的效率較差。

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種基于相似性局部樣條回歸的工業過程故障診斷方法，簡稱SLSR方法，解決工業生產過程中包含有大量的物理化學變量和圖像聲音視頻等多源異構大數據的故障診斷問題，無需對所有工業生產數據進行故障識別，節約了大量的時間與人力，不僅能大大降低誤報警，還提高了故障檢測的準確性和靈敏度。

為解決上述技術問題，本發明所采取的技術方案是：

一種基于相似性局部樣條回歸的工業過程故障診斷方法，包括以下步驟：

步驟1：采集工業過程數據，建立測量數據集X∈R^n×m，X＝{x₁,x₂,…,x_n}，數據集中包含n個采樣樣本，每個采樣樣本包含m個變量，即x_i＝[x₁,x₂,…,x_m]^T∈R^m×1，i＝1,2,…,n；根據有無故障及故障的具體類型將數據分為c類，并對其中l個采樣樣本進行類型標記，打上相應的標簽，標為正常數據或故障數據，其中故障數據標記出具體的故障類型；然后對采集的所有數據進行標準化處理；

步驟2：用標準化后的n個采樣樣本，利用LSR方法求得初步的預測標簽F，如式(13)所示；