一種工業(yè)過(guò)程中基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法，特別涉及一種工業(yè)過(guò)程中 基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法。
【背景技術(shù)】
[0002] 故障診斷系統(tǒng)涉及鋼鐵、鍋爐、化工、制藥等諸多領(lǐng)域，已經(jīng)成為現(xiàn)代工業(yè)生產(chǎn)中 重要的組成部分。
[0003] 現(xiàn)代工業(yè)過(guò)程普遍趨于大型化存在機(jī)理建模難的特點(diǎn)，為了時(shí)刻監(jiān)控系統(tǒng)運(yùn)行狀 態(tài)，往往會(huì)對(duì)生產(chǎn)過(guò)程中的許多狀態(tài)變量進(jìn)行長(zhǎng)期的測(cè)量，從而獲得大量現(xiàn)場(chǎng)監(jiān)控?cái)?shù)據(jù)。大 量監(jiān)控?cái)?shù)據(jù)中包含許多系統(tǒng)運(yùn)行信息對(duì)評(píng)價(jià)系統(tǒng)運(yùn)行狀態(tài)有重要意義，但各變量之間往往 不是獨(dú)立而是彼此間存在一定的相關(guān)性，錯(cuò)綜復(fù)雜的相關(guān)性使得技術(shù)員難以憑觀察和經(jīng)驗(yàn) 找到產(chǎn)生故障的真正原因。如何回避機(jī)理建模困難的現(xiàn)狀，直接對(duì)這些數(shù)據(jù)進(jìn)行合理、高效 地利用設(shè)計(jì)故障診斷系統(tǒng)，從而保證最終產(chǎn)品的質(zhì)量，是現(xiàn)在工業(yè)過(guò)程控制系統(tǒng)所面臨的 主要挑戰(zhàn)之一。一種好的基于數(shù)據(jù)的故障診斷方法，可以有效簡(jiǎn)化并利用監(jiān)控?cái)?shù)據(jù)信息，并 獲得一個(gè)準(zhǔn)確、合理的診斷策略。目前基于數(shù)據(jù)的故障診斷方法的設(shè)計(jì)已經(jīng)受到了廣泛的 重視。
[0004] 現(xiàn)有故障診斷方法存在系統(tǒng)成本高、在線診斷困難以及故障類型難以分辨等問(wèn) 題，采用基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法可以有效解決上述問(wèn)題，具有很好的推 廣能力。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了解決現(xiàn)有故障診斷方法存在系統(tǒng)成本高、在線診斷困難以及 故障類型難以分辨等問(wèn)題，而提出的一種工業(yè)過(guò)程中基于度量學(xué)習(xí)與時(shí)間序列的故障診斷 方法。
[0006] 上述的發(fā)明目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：
[0007] 步驟一、對(duì)歷史監(jiān)控?cái)?shù)據(jù)進(jìn)行分析，根據(jù)系統(tǒng)故障產(chǎn)生原因的不同將系統(tǒng)故障分 為η種類型即η個(gè)子類；
[0008] 步驟二、采集系統(tǒng)正常工況和η種故障工況運(yùn)行狀態(tài)下的標(biāo)準(zhǔn)數(shù)據(jù)作為訓(xùn)練樣 本；
[0009] 步驟三、利用時(shí)間序列的方法對(duì)于訓(xùn)練樣本進(jìn)行預(yù)處理；其中，所述預(yù)處理方法是 指采用小波變換對(duì)訓(xùn)練樣本進(jìn)行處理；
[0010] 步驟四、對(duì)經(jīng)過(guò)預(yù)處理后的訓(xùn)練樣本進(jìn)行度量學(xué)習(xí)，生成系統(tǒng)的度量矩陣作為樣 本相似性度量的標(biāo)準(zhǔn)即生成系統(tǒng)的度量矩陣A ;
[0011] 步驟五、對(duì)實(shí)時(shí)監(jiān)測(cè)樣本進(jìn)行小波變換后，利用樣本相似性度量的標(biāo)準(zhǔn)求取實(shí)時(shí) 監(jiān)測(cè)樣本與η個(gè)子類的距離；
[0012] 步驟六、根據(jù)實(shí)時(shí)監(jiān)測(cè)樣本與η個(gè)子類的距離，采用KNN分類方法進(jìn)行故障診斷即 判斷系統(tǒng)是否發(fā)生故障以及故障類型；即完成了一種工業(yè)過(guò)程中基于度量學(xué)習(xí)與時(shí)間序列 的故障診斷方法。
[0013] 發(fā)明效果
[0014] 本發(fā)明為了解決現(xiàn)有故障診斷方法系統(tǒng)成本高、在線診斷困難以及故障類型難以 分辨的問(wèn)題，從而提出了基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法。主要用到的方法有度 量學(xué)習(xí)方法、小波變換和KNN分類法。
[0015] 本發(fā)明的優(yōu)點(diǎn)是：
[0016] 1、提高了故障診斷準(zhǔn)確率達(dá)到5%~10%，將度量學(xué)習(xí)和時(shí)間序列的方法相結(jié) 合，利用兩者優(yōu)勢(shì)對(duì)于是否發(fā)生故障和故障類型能夠更好的診斷。
[0017] 2、提高了實(shí)時(shí)性，兩種方法的結(jié)合對(duì)于故障診斷和故障分類工作耗時(shí)短，能夠提 高檢測(cè)的速度。
[0018] 3、提尚了適應(yīng)性。
[0019] 4、提高了適用性，兩種方法的結(jié)合使得故障診斷系統(tǒng)的設(shè)計(jì)和操作更為簡(jiǎn)單，極 大提升了該方法的推廣性。
[0020] 目前獲得廣泛應(yīng)用的工業(yè)過(guò)程故障診斷方法，例如：主元分析法，沒(méi)有將不同類型 故障監(jiān)測(cè)樣本之間的相關(guān)信息考慮入內(nèi)，所以此類故障診斷方法只能判斷工業(yè)系統(tǒng)是否發(fā) 生故障，但不能準(zhǔn)確判斷發(fā)生故障的類型，這樣就導(dǎo)致不能第一時(shí)間找出故障發(fā)生的原因 和工業(yè)系統(tǒng)中發(fā)生故障的部位。不能及時(shí)解決系統(tǒng)中發(fā)生的故障可能會(huì)導(dǎo)致更嚴(yán)重的生產(chǎn) 事故或更巨大的經(jīng)濟(jì)損失。
[0021] 度量學(xué)習(xí)方法將不同類型故障監(jiān)測(cè)樣本之間的相關(guān)信息考慮入內(nèi)，可以在判斷工 業(yè)系統(tǒng)是否發(fā)生故障的同時(shí)準(zhǔn)確判斷發(fā)生故障的類型。同時(shí)，度量學(xué)習(xí)方法中求得的度量 矩陣可以在離線計(jì)算后直接應(yīng)用于在線故障診斷，這極大的降低了在線故障診斷的計(jì)算 量，降低了在線故障診斷系統(tǒng)的成本。
【附圖說(shuō)明】
[0022] 圖1為【具體實(shí)施方式】一提出的基于度量學(xué)習(xí)與時(shí)間序列的故障診斷流程圖。
【具體實(shí)施方式】
【具體實(shí)施方式】 [0023] 一：本實(shí)施方式的一種工業(yè)過(guò)程中基于度量學(xué)習(xí)與時(shí)間序列的故障 診斷方法，具體是按照以下步驟制備的：
[0024] 步驟一、對(duì)歷史監(jiān)控?cái)?shù)據(jù)進(jìn)行分析，根據(jù)系統(tǒng)故障產(chǎn)生原因的不同將系統(tǒng)故障分 為η種類型即η個(gè)子類；
[0025] 步驟二、采集系統(tǒng)正常工況和η種故障工況運(yùn)行狀態(tài)下的標(biāo)準(zhǔn)數(shù)據(jù)作為訓(xùn)練樣 本；
[0026] 步驟三、利用時(shí)間序列的方法對(duì)于訓(xùn)練樣本進(jìn)行預(yù)處理；其中，所述預(yù)處理方法是 指采用小波變換對(duì)訓(xùn)練樣本進(jìn)行處理；
[0027] 步驟四、對(duì)經(jīng)過(guò)預(yù)處理后的訓(xùn)練樣本進(jìn)行度量學(xué)習(xí)，生成系統(tǒng)的度量矩陣作為樣 本相似性度量的標(biāo)準(zhǔn)即生成系統(tǒng)的度量矩陣A ;
[0028] 步驟五、對(duì)實(shí)時(shí)監(jiān)測(cè)樣本進(jìn)行小波變換后，利用樣本相似性度量的標(biāo)準(zhǔn)（生成系 統(tǒng)的度量矩陣）求取實(shí)時(shí)監(jiān)測(cè)樣本與η個(gè)子類的距離；例如有10個(gè)子類，每個(gè)子類有100 個(gè)監(jiān)測(cè)樣本，實(shí)時(shí)監(jiān)測(cè)樣本與10個(gè)子類的距離分別為每個(gè)實(shí)時(shí)監(jiān)測(cè)樣本分別與1000個(gè)監(jiān) 測(cè)樣本間的距離；
[0029] 步驟六、根據(jù)實(shí)時(shí)監(jiān)測(cè)樣本與η個(gè)子類的距離，采用KNN分類方法進(jìn)行故障診斷即 判斷系統(tǒng)是否發(fā)生故障以及故障類型；即完成了一種工業(yè)過(guò)程中基于度量學(xué)習(xí)與時(shí)間序列 的故障診斷方法。
[0030] 本實(shí)施方式效果：
[0031] 本實(shí)施方式為了解決現(xiàn)有故障診斷方法系統(tǒng)成本高、在線診斷困難以及故障類型 難以分辨的問(wèn)題，從而提出了基于度量學(xué)習(xí)與時(shí)間序列的故障診斷方法。主要用到的方法 有度量學(xué)習(xí)方法、小波變換和KNN分類法。
[0032] 本實(shí)施方式的優(yōu)點(diǎn)是：
[0033] 1、提高了故障診斷準(zhǔn)確率達(dá)到5%~10%，將度量學(xué)習(xí)和時(shí)間序列的方法相結(jié) 合，利用兩者優(yōu)勢(shì)對(duì)于是否發(fā)生故障和故障類型能夠更好的診斷。
[0034] 2、提高了實(shí)時(shí)性，兩種方法的結(jié)合對(duì)于故障診斷和故障分類工作耗時(shí)短，能夠提 高檢測(cè)的速度。
[0035] 3、提尚了適應(yīng)性。
[0036] 4、提高了適用性，兩種方法的結(jié)合使得故障診斷系統(tǒng)的設(shè)計(jì)和操作更為簡(jiǎn)單，極 大提升了該方法的推廣性。
[0037] 目前獲得廣泛應(yīng)用的工業(yè)過(guò)程故障診斷方法，例如：主元分析法，沒(méi)有將不同類型 故障監(jiān)測(cè)樣本之間的相關(guān)信息考慮入內(nèi)，所以此類故障診斷方法只能判斷工業(yè)系統(tǒng)是否發(fā) 生故障，但不能準(zhǔn)確判斷發(fā)生故障的類型，這樣就導(dǎo)致不能第一時(shí)間找出故障發(fā)生的原因 和工業(yè)系統(tǒng)中發(fā)生故障的部位。不能及時(shí)解決系統(tǒng)中發(fā)生的故障可能會(huì)導(dǎo)致更嚴(yán)重的生產(chǎn) 事故或更巨大的經(jīng)濟(jì)損失。
[0038] 度量學(xué)習(xí)方法將不同類型故障監(jiān)測(cè)樣本之間的相關(guān)信息考慮入內(nèi)，可以在判斷工 業(yè)系統(tǒng)是否發(fā)生故障的同時(shí)準(zhǔn)確判斷發(fā)生故障的類型。同時(shí)，度量學(xué)習(xí)方法中求得的度量 矩陣可以在離線計(jì)算后直接應(yīng)用于在線故障診斷，這極大的降低了在線故障診斷的計(jì)算 量，降低了在線故障診斷系統(tǒng)的成本。
【具體實(shí)施方式】 [0039] 二：本實(shí)施方式與一不同的是：步驟四中度量學(xué)習(xí)具 體為：度量學(xué)習(xí)著重分析不同故障類型數(shù)據(jù)之間的差異，通過(guò)訓(xùn)練樣本得到度量矩陣，于在 線故障診斷方面有明顯優(yōu)勢(shì)；度量學(xué)習(xí)通過(guò)求得一個(gè)能夠精確刻畫樣本相似度的距離矩陣 來(lái)實(shí)現(xiàn)故障類型的區(qū)分；
[0040] (1)通過(guò)度量學(xué)習(xí)得到所有訓(xùn)練樣本中與實(shí)時(shí)監(jiān)測(cè)樣本距離Ma表示為：
[0042] 其中，A是度量矩陣，X是經(jīng)過(guò)預(yù)處理后的訓(xùn)練樣本，y是實(shí)時(shí)監(jiān)測(cè)樣本；值得指出 的是在不同工業(yè)系統(tǒng)中求得的度量矩陣A均不相同，通過(guò)各自系統(tǒng)訓(xùn)練樣本得到的度量矩 陣能充分反映樣本的分布，可以提高分類器的性能；
[0043] (2)求取度量矩陣的基本思想是，如果訓(xùn)練樣本和實(shí)時(shí)監(jiān)測(cè)樣本屬于相同的類型 通過(guò)度量矩陣算出的Ma距離較??；
[0044] 如果訓(xùn)練樣本和實(shí)時(shí)監(jiān)測(cè)樣本屬于不同的類型通過(guò)度量矩陣算出的Ma距離較大； 問(wèn)題描述如下：
[0047] 其中，S表示同類樣本對(duì)組成的