本發(fā)明涉及工業(yè)過(guò)程監(jiān)控與診斷技術(shù)領(lǐng)域，特別地，涉及一種基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法。

背景技術(shù)：

近年來(lái)，由于科技的不斷進(jìn)步和發(fā)展，工業(yè)過(guò)程的設(shè)備越來(lái)越先進(jìn)，生產(chǎn)過(guò)程越來(lái)越復(fù)雜。雖然，計(jì)算機(jī)的發(fā)展和自動(dòng)化技術(shù)在現(xiàn)代化工業(yè)過(guò)程中的應(yīng)用，大大提高了生產(chǎn)率，降低了生產(chǎn)成本，減少了能源損耗，為企業(yè)和國(guó)家?guī)?lái)了巨大的經(jīng)濟(jì)效益和社會(huì)效益。但是，由于工業(yè)過(guò)程高度復(fù)雜、關(guān)聯(lián)性強(qiáng)、易受干擾等特點(diǎn)，使得工業(yè)過(guò)程變得難以管理。如果工業(yè)過(guò)程的設(shè)備發(fā)生了一些很小的故障而不能及時(shí)的排除，那么將導(dǎo)致系統(tǒng)甚至整個(gè)生產(chǎn)過(guò)程都不能正常的工作，造成一定的人員和財(cái)產(chǎn)的損失，給我們的生活環(huán)境帶來(lái)危害。所以，如何確保工業(yè)過(guò)程安全并且可靠的運(yùn)行是一個(gè)非常重要的問(wèn)題。故障診斷技術(shù)能及時(shí)發(fā)現(xiàn)過(guò)程中的一些故障，使工業(yè)過(guò)程能夠安全有效地運(yùn)行。該技術(shù)首先從系統(tǒng)中得到一些有用的信息，然后聯(lián)合一些系統(tǒng)的先驗(yàn)知識(shí)，進(jìn)行故障診斷。如果沒(méi)有診斷出故障，則說(shuō)明系統(tǒng)是處于正常的運(yùn)行狀態(tài)；如果診斷出已經(jīng)發(fā)生了故障，便確定發(fā)生的是哪種類(lèi)型的故障、發(fā)生故障的具體位置、發(fā)生故障的程度和發(fā)生故障的原因。因此，用故障診斷技術(shù)來(lái)替代人工的主觀判斷，會(huì)增加設(shè)備運(yùn)行的安全性，保證產(chǎn)品的質(zhì)量并降低成本，最重要的是可以最大限度地避免嚴(yán)重的過(guò)程事故。故障診斷已經(jīng)成為當(dāng)今科研人員一個(gè)迫切而且必要的研究課題，有著深刻的理論價(jià)值和不容忽視的重要性。

現(xiàn)有的故障診斷方法分成三類(lèi)：基于解析模型的方法、基于數(shù)據(jù)驅(qū)動(dòng)的方法和基于知識(shí)的方法。因現(xiàn)代流程工業(yè)廣泛地采用了集散控制系統(tǒng)，由此而產(chǎn)生和存儲(chǔ)了大量數(shù)據(jù)。所以，基于數(shù)據(jù)驅(qū)動(dòng)的方法在工業(yè)過(guò)程的故障診斷中更為適用?，F(xiàn)有基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法包括：主成分分析法[vandenkerkhofp,vanlaerj,ginsg,&vanimpejf.analysisofsmearing-outincontributionplotbasedfaultisolationforstatisticalprocesscontrol.chemicalengineeringscience,2013,104:285-293.]、基于重構(gòu)的故障診斷方法[duniar,joeqins.subspaceapproachtomultidimensionalfaultidentificationandreconstruction.aichejournal,1998,44(8):1813-1831.]以及分支定界故障診斷法[kariwalav,odioweipe,caoy,&chent.abranchandboundmethodforisolationoffaultyvariablesthroughmissingvariableanalysis.journalofprocesscontrol,2010,20(10):1198-1206.]等。但是，現(xiàn)有基于數(shù)據(jù)驅(qū)動(dòng)的方法存在：不同程度上依賴工業(yè)過(guò)程知識(shí)，故障診斷結(jié)果的可信度不高和容易得出錯(cuò)誤診斷結(jié)果的缺點(diǎn)。特別值得注意的是，基于判別分析的工業(yè)過(guò)程故障診斷尤其是基于貝葉斯lasso的故障診斷研究還鮮有報(bào)道。2015年，kuangth,yanz,yaoy.[kuangth,yanz,yaoy.multivariatefaultisolationviavariableselectionindiscriminantanalysis.journalofprocesscontrol,2015,35:30-40.]將變量選擇應(yīng)用于工業(yè)過(guò)程故障診斷，提出一種基于變量選擇的判別分析法，有效地解決了以往方法依賴過(guò)程知識(shí)的不足。但是這種做法過(guò)于武斷，容易造成信息的損失，影響診斷結(jié)果的可信度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有工業(yè)過(guò)程故障診斷方法存在的不足，提供一種基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法，為復(fù)雜的工業(yè)過(guò)程故障診斷提供關(guān)鍵技術(shù)支撐，該方法不僅可以得到準(zhǔn)確的診斷結(jié)果，而且可以給出各變量發(fā)生故障的概率。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：

一種基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法，該方法的具體步驟如下：

步驟1：從工業(yè)過(guò)程中采集要關(guān)注的重要變量的數(shù)據(jù)；

步驟2：對(duì)步驟1中采集的變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0、方差為1；

步驟3：用步驟2標(biāo)準(zhǔn)化后的數(shù)據(jù)建立如下模型：

其中，x是輸入矩陣，包含所采集變量的正常值和故障值；y為輸出矩陣，0n表示n行1列的全0向量，1m表示m行1列的全1向量，n是正常樣本個(gè)數(shù)，m是故障樣本個(gè)數(shù)；λ是調(diào)整參數(shù)，取經(jīng)驗(yàn)值；β是回歸系數(shù)向量，β＝[β1...βj]^t，j是采集的變量的個(gè)數(shù)，||β||1表示β的1-范數(shù)；上標(biāo)t表示矩陣的轉(zhuǎn)置；

步驟4：用吉布斯采樣法求解式(1)，計(jì)算出回歸系數(shù)β的概率密度函數(shù)p(β)；

步驟5：通過(guò)核密度估計(jì)方法計(jì)算出β的95％控制限ε；

步驟6：用蒙特卡羅法，計(jì)算δj＝p(βj>ε)，如果δj>95％，則第j個(gè)變量是故障變量。

進(jìn)一步地，所述步驟4中，β的先驗(yàn)分布采用拉普拉斯分布。

本發(fā)明的有益效果是：

1、本發(fā)明的基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法，相比傳統(tǒng)的工業(yè)過(guò)程故障診斷方法，其明顯減少了對(duì)工業(yè)過(guò)程知識(shí)的依賴，易于實(shí)現(xiàn)復(fù)雜工業(yè)過(guò)程的在線監(jiān)控。

2、本發(fā)明的基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法，相比傳統(tǒng)的變量選擇診斷方法，采用更為有效的貝葉斯理論，可以考慮不同變量對(duì)故障發(fā)生的影響，得出各變量發(fā)生故障的概率，因此本發(fā)明方法得出診斷結(jié)果的準(zhǔn)確度更高，能夠?yàn)閺?fù)雜的工業(yè)過(guò)程恢復(fù)提供更多的有效依據(jù)。

附圖說(shuō)明

通過(guò)以下結(jié)合附圖對(duì)本發(fā)明較佳的實(shí)施例進(jìn)行描述，可以進(jìn)一步理解本發(fā)明的目的、特征及優(yōu)點(diǎn)，其中：

圖1為基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法功能模塊組成示意圖；

圖2為基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法流程示意圖；

圖3為實(shí)施例te過(guò)程流程圖。

具體實(shí)施方式

以下參照本發(fā)明的附圖對(duì)本發(fā)明作更詳細(xì)的描述。本發(fā)明也可以以許多不同形式實(shí)施，因此不應(yīng)認(rèn)為它局限于說(shuō)明書(shū)所列的實(shí)施例，相反，提供這種實(shí)施例是為了說(shuō)明本發(fā)明的實(shí)施和完全，以及能向相關(guān)領(lǐng)域的技術(shù)人員描述本發(fā)明的具體實(shí)施過(guò)程。

本發(fā)明提供的基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法主要包括以下5個(gè)功能模塊：①工業(yè)過(guò)程中溫度、壓力、流量等重要變量數(shù)據(jù)的采集模塊；②故障診斷與變量選擇轉(zhuǎn)化的故障診斷模型構(gòu)建模塊；③計(jì)算回歸系數(shù)β概率密度函數(shù)的模型求解模塊；④β的控制限ε求解模塊；⑤故障診斷結(jié)果分析與輸出模塊，具體請(qǐng)參見(jiàn)附圖1。該方法具體流程圖請(qǐng)參見(jiàn)圖2。

本發(fā)明基于貝葉斯理論的工業(yè)過(guò)程故障診斷方法，具體步驟如下：

步驟1：從工業(yè)過(guò)程中采集要關(guān)注的重要變量的數(shù)據(jù)；

步驟2：對(duì)步驟1中采集的變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使得各變量的均值為0、方差為1；

步驟3：用步驟2標(biāo)準(zhǔn)化后的數(shù)據(jù)建立如下模型：

其中，x是輸入矩陣，包含所采集變量的正常值和故障值；y為輸出矩陣，0n表示n行1列的全0向量，1m表示m行1列的全1向量，n是正常樣本個(gè)數(shù)，m是故障樣本個(gè)數(shù)；λ是調(diào)整參數(shù)，取經(jīng)驗(yàn)值；β是回歸系數(shù)向量，β＝[β1...βj]^t，j是采集的變量的個(gè)數(shù)，||β||1表示β的1-范數(shù)；上標(biāo)t表示矩陣的轉(zhuǎn)置；

步驟4：用吉布斯采樣法求解式(1)，計(jì)算出回歸系數(shù)β的概率密度函數(shù)p(β)；

其中，步驟4的中β的先驗(yàn)分布采用拉普拉斯分布；

步驟5：通過(guò)核密度估計(jì)方法計(jì)算出β的95％控制限ε；

步驟6：用蒙特卡羅法，計(jì)算δj＝p(βj>ε)，如果δj>95％，則第j個(gè)變量是故障變量。

針對(duì)田納西-伊斯曼化學(xué)過(guò)程(tep)的實(shí)施例：

田納西-伊斯曼過(guò)程(tep)常用來(lái)評(píng)價(jià)過(guò)程控制中的故障檢測(cè)和診斷方法的有效性，共有五個(gè)主要單元:反應(yīng)器、冷凝器、壓縮機(jī)、分離器和汽提塔，包括八種成分：a、b、c、d、e、f、g和h，反應(yīng)氣體a、c、d和e進(jìn)入反應(yīng)器，經(jīng)過(guò)反應(yīng)生成液態(tài)產(chǎn)物g和h，同時(shí)生成副產(chǎn)物f；te過(guò)程總共有21個(gè)預(yù)定義故障，可以分為16個(gè)已知故障和5個(gè)未知故障及52個(gè)變量，具體如圖3所示。此次實(shí)施例利用tep的故障4進(jìn)行驗(yàn)證，進(jìn)一步證明本發(fā)明的有效性和有益效果，從而為其它復(fù)雜工業(yè)過(guò)程的故障診斷提供關(guān)鍵技術(shù)支撐。

針對(duì)按照?qǐng)D1所示的流程示意圖實(shí)施本發(fā)明方法，得到如下結(jié)果：故障4中的故障變量是反應(yīng)器冷卻水流量x51，其發(fā)生故障的概率是100％，通過(guò)故障診斷結(jié)果分析與輸出模型模塊驗(yàn)證分析后，發(fā)現(xiàn)其變化軌跡符合故障表現(xiàn)，因此得出結(jié)論，故障4是反應(yīng)器冷卻水流量x51發(fā)生故障造成的。這與目前國(guó)內(nèi)外技術(shù)資料報(bào)道的最好結(jié)果一致，并且本發(fā)明方法相比傳統(tǒng)故障診斷方法，其明顯減少了對(duì)過(guò)程知識(shí)的依賴，設(shè)計(jì)更為簡(jiǎn)單，易于實(shí)現(xiàn)復(fù)雜工業(yè)過(guò)程中的在線監(jiān)控。

如上所述，本發(fā)明也可以應(yīng)用其它不同的復(fù)雜工業(yè)過(guò)程故障診斷中，而為其的復(fù)雜工業(yè)過(guò)程故障診斷提供關(guān)鍵技術(shù)支撐。因此不應(yīng)認(rèn)為它局限于說(shuō)明書(shū)列出的實(shí)施例。