[發明專利]一種基于故障特征變量選擇的故障類型匹配方法

有效

• 申請號: 201811213323.3
• 申請日: 2018-10-09
• 公開（公告）號: CN109407649B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 皇甫皓寧;童楚東;俞海珍
• 申請（專利權）人: 寧波大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于故障特征變量選擇的故障類型匹配方法，旨在解決如何在各故障類型訓練樣本數據量有限的前提下，針對歷史數據庫中各故障類型實施故障特征變量選擇，并利用該特征變量實施故障類型匹配的問題。具體來講，本發明方法首先利用近鄰成分分析逐個找出各故障類型可用數據對比正常工況數據之間出現異常變化的特征變量。然后，利用故障特征變量實施窗口矩陣之間的相似度計算。最后，通過最大相似度判別故障類型。本發明方法利用各故障的特征變量實施故障類型匹配不僅能消除非特征變量的干擾影響，而且還能直接降低變量維數，從而使樣本數有限的問題不顯得那么突出。因此，本發明方法是一種更為優選的故障診斷方法。

技術領域

本發明涉及一種數據驅動的故障診斷方法，尤其涉及一種基于故障特征變量選擇的故障類型匹配方法。

背景技術

一般而言，對生產過程運行狀態實施監測的目的首先在于及時而準確地發現故障，其次在于識別出故障的根源或者故障類型。因此，故障檢測與故障診斷兩者缺一不可，它們對于保證安全生產與維持產品質量穩定是具有重要意義的。縱觀近年來在過程監測領域的研究成果，針對故障檢測的研究層出不窮，而針對故障診斷的研究成果卻屈指可數。這種現象在數據驅動的故障診斷研究領域尤為突出，與可用的故障檢測方法技術相比，現有科研文獻與專利中少有故障診斷方面的成果。通常來講，故障診斷發展至今大體有兩種思路：其一是找出故障根源，主要依賴于正確地定位出異常測量變量；其二是通過匹配歷史數據庫中的已知故障類型，以識別出當前被檢測出故障的類型。前者依賴于測量變量的貢獻度，而后者則多借鑒于模式識別領域的分類方法。

然而，與傳統模式識別問題不同的是，故障分類所能使用的數據皆采集自工況切換的過渡過程階段。各故障類型的訓練數據變化情況優化復雜，且各故障發生后會導致不同測量變量出現不同程度的異常變化。此外，在故障發生后，現場操作人員會在第一時間內將過程修復至正常運行狀態，各種故障工況下采集到的數據量通常也是有限的。針對故障分類的研究若是直接采用模式識別領域常用的分類算法如判別分析、支持向量機、神經網絡等建立多分類模型通常得不到滿意的效果。此外，支持向量機與神經網絡需要大量的數據實施訓練才能保證模型精度，它們通常不適合用作故障分類診斷。

從不同故障類型的角度出發，各個故障類型會引起不同測量變量出現異常變化，為各個故障類型挑選出相對應的故障特征變量是實施故障類型識別首先需要考慮的問題。因為，特征變量的選擇不僅可以降低測量變量的維數，使得樣本數有限的問題不那么明顯，而且還可以剔除非特征變量的干擾影響。可是，在有限的故障訓練樣本數據量下，如何甄別出這些特征變量同時給解決該問題提出了較大的挑戰。最后，如何在甄別出的故障特征變量的基礎上實施故障類型識別是最后一個需要考慮的問題。

發明內容

本發明所要解決的主要技術問題是：如何在各故障類型訓練樣本數據量有限的前提下，針對歷史數據庫中各故障類型實施故障特征變量選擇，并利用該特征變量實施故障類型匹配。為此，本發明方法利用近鄰成分分析(Neighborhood Component Analysis，NCA)這種依賴于單個樣本之間近鄰關系的算法，逐個找出各故障類型可用數據對比正常工況數據之間出現異常變化的特征變量。然后，利用故障特征變量實施窗口矩陣之間的相似度計算。最后，通過最大相似度判別故障類型。

本發明解決上述技術問題所采用的技術方案為：一種基于故障特征變量選擇的故障類型匹配方法，包括以下步驟：

(1)：從生產過程歷史數據庫中找到不同故障工況條件下的采樣數據，組成各個參考故障的數據矩陣X₁，X₂，…，X_C，其中N_c為第c種故障的可用樣本數，下標號c＝1，2，…，C，R為實數集，表示N_c×m維的實數矩陣，m為過程測量變量的總個數，C為參考故障的類別總數。