[發明專利]基于判別核慢特征分析的非線性過程故障辨識方法及系統

有效

• 申請號: 201911234905.4
• 申請日: 2019-12-05
• 公開（公告）號: CN110880024B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 張漢元;張漢營;梁澤宇;孫雪瑩
• 申請（專利權）人: 山東建筑大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張慶騫

本發明提供了一種基于判別核慢特征分析的非線性過程故障辨識方法及系統。其中，基于判別核慢特征分析的非線性過程故障辨識方法，包括根據最小化正常工況數據集的時間變化且同時最大化正常工況數據集和待辨識故障數據集之間的類間可分離性，利用判別核慢特征分析算法提取待辨識故障數據集和歷史故障模式數據集的故障方向；比較待辨識故障數據集的故障方向與歷史故障模式數據集的故障方向之間的相似性，根據相似性系數確定出待辨識故障數據的故障類型。其能夠利用非線性過程數據的類別標簽信息，提高非線性過程的故障辨識性能。

技術領域

本發明屬于多變量非線性工業過程故障識別領域，尤其涉及一種基于判別核慢特征分析的非線性過程故障辨識方法及系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

現代工業系統日益趨于大型化、集成化、復雜化，工業過程的故障診斷已經成為保證現代工業系統安全、可靠、無故障穩定運行的關鍵技術。隨著計算機控制系統的廣泛應用，在工業過程中能夠實時采集和存儲豐富的過程運行數據，基于數據驅動的故障診斷技術逐漸成為工業過程監控領域的研究熱點。研究人員提出了一系列基于數據驅動的故障診斷方法，比如主元分析(PCA)、偏最小二乘(PLS)和慢特征分析(SFA)等。

然而，發明人在研究過程中發現，現有故障診斷方法的研究大多數集中在故障檢測問題上(即如何快速有效的發現過程在運行時出現故障)，檢測到故障發生后，針對故障源的診斷問題(即識別故障的類型和發生的原因)的研究相對較少。因此檢測到故障后，如何繼續辨識工業過程的故障類型，特別是辨識非線性工業過程的故障類型是故障診斷領域中一種更具有挑戰性的研究問題。

貢獻圖法是一種廣泛使用的故障變量辨識方法，該方法簡單易行且不需要與故障有關的先驗知識。但是，由于過程變量間的相關性和相互耦合，故障的影響會從真實的故障變量傳播到正常過程變量，導致貢獻圖無法正確識別故障發生的根源。此外，貢獻圖法也不適用于基于非線性的過程監控方法，因為在非線性方法中過程變量從原始空間被非線性變換到高維特征空間，導致過程變量丟失了對監控模型的貢獻度和相關性信息。當工業過程數據庫中存在一些已知的故障模式數據時，利用從故障模式數據和正常工況數據中提取的判別特征信息，基于判別分析的方法能夠更加準確和高效的識別故障類型。Bohmer等首先提出基于核技巧的非線性SFA方法。近年來，核SFA(KSFA)作為一種有效的非線性工業過程故障檢測技術，引起了國內外研究人員的廣泛關注。為了解決過程數據具有的非線性特征問題，KSFA首先將原始過程數據通過核函數非線性變換到高維特征空間，然后在特征空間中實施SFA技術，提取非線性過程數據的低維特征信息。雖然基于KSFA的方法取得了一定的應用成果，但是發明人發現，KSFA方法缺點在于：(1)KSFA是一種無監督的算法，無法利用過程數據的類別標簽信息，降低了故障診斷的性能。(2)KSFA一直被用于檢測非線性過程的故障，僅僅只是用來檢測故障，但是還無法判斷故障的類型。

發明內容

為了解決上述問題，本發明提供一種基于判別核慢特征分析的非線性過程故障辨識方法及系統，其能夠利用非線性過程數據的類別標簽信息，提高非線性過程的故障辨識性能。

為了實現上述目的，本發明采用如下技術方案：

本發明的第一方面提供一種基于判別核慢特征分析的非線性過程故障辨識方法，其包括：

根據最小化正常工況數據集的時間變化且同時最大化正常工況數據集和待辨識故障數據集之間的類間可分離性，利用判別核慢特征分析算法提取待辨識故障數據集和歷史故障模式數據集的故障方向；

比較待辨識故障數據集的故障方向與歷史故障模式數據集的故障方向之間的相似性，根據相似性系數確定出待辨識故障數據的故障類型。

本發明的第二個方面提供一種基于判別核慢特征分析的非線性過程故障辨識系統，其包括：