一种基于切换有监督线性动态系统模型的故障诊断方法技术方案

本发明专利技术公开了一种基于切换的有监督线性动态系统模型的工业过程故障诊断方法，用于工业过程中关键质量变量可获得的条件下的故障诊断。本发明专利技术将有监督线性动态系统模型扩展成多模态形式，建立了一个切换的有监督线性动态系统模型，既考虑了过程数据的动态特性和随机特性，又充分利用了质量变量中包含的重要过程运行信息。相比目前的其它方法，本发明专利技术提高了模型对工业过程运行状态的刻画能力，增加了故障诊断效果，减少了诊断的延迟时间，使故障处理更加及时有效，并且更加有利于工业过程的自动化实施。

【技术实现步骤摘要】

本专利技术属于工业过程控制领域，尤其涉及一种基于切换的有监督线性动态系统模型的工业过程故障诊断方法。
技术介绍
为了确保过程安全和提高生产效率，工业生产过程的故障诊断问题已经变得越来越重要。一方面，现代工业趋于大型化、复杂化，所以过程数据的特性非常复杂，存在高维、非高斯性、动态性、随机性等问题。传统的故障诊断方法是在单一假设下，运用某一种方法，所以其诊断效果有一定的局限性。另一方面，如果不对过程进行很好的故障诊断，及时处理故障，轻则影响产品的质量，降低生产效益；重则将会造成重大人员伤亡和不可估计的财产损失。因此，找到更好的过程故障诊断方法，及时判断故障类别已经成为工业生产过程的研究热点和迫切需要解决的问题之一。近年来，在机理模型难以获取的情况下，基于数据驱动的故障诊断方法成为工业过程监测的主流方法，比如费舍尔判别分析法(FDA)、支持向量机(SVM)、切换的线性动态系统模型(SwitchingLDSM)。可是，传统的故障诊断方法大多没有考虑过程数据的动态性和随机性，比如，费舍尔判别分析法(FDA)、支持向量机(SVM)。虽然切换的线性动态系统模型(SwitchingLDSM)考虑了过程数据的随机性和动态性，但没有将质量变量利用起来。直接反应产品质量的质量指标(质量变量)揭示了故障是否影响了产品，所以质量变量也含有不可忽视的过程信息。如果能将质量变量中隐含的重要过程信息利用起来，将获得更加精确的故障诊断结果。>
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于切换有监督线性动态系统模型的故障诊断方法。本专利技术的目的是通过以下技术方案来实现的：一种基于切换的有监督线性动态系统模型的工业过程故障诊断方法，包括以下步骤：(1)利用集散控制系统收集过程正常工况的数据以及从正常工况运行到发生各种故障工况的数据形成的观测序列，组成建模用的训练样本集。数据包括过程变量的数据和对应的质量变量的数据。过程变量的数据组成的训练样本集为Xo＝[X1；X2；…；XNex]，其中Xnex＝[x1,x2,…,xN]∈RV×N，nex＝1,2,…,Nex为对应于第nex个观测序列的过程变量的数据矩阵，R为实数集且RV×N表示Xnex满足V×N的二维分布，N为每个序列的采样数据点数，V为过程变量个数。质量变量的数据组成的训练样本集为Yo＝[Y1；Y2；…；YNex]，其中Ynex＝[y1,y2,…,yN]∈RL×N，nex＝1,2,…,Nex为对应于第nex个观测序列的质量变量的数据矩阵，RL×N表示Ynex满足L×N的二维分布，L为质量变量个数。(2)假设故障工况类别为S，再加上一个正常工况类，建模数据的总类别为S+1。在不破坏时序的条件下，从训练样本集Xo和Yo中分离出不同类别的数据，组成用于有监督线性动态系统建模的训练样本和其中和s＝1,2,…,S+1为对应于第s类工况的过程变量和质量变量组成的数据矩阵，M为每一类工况的样本序列长度。将这些数据存入历史数据库。(3)从历史数据库中调用训练样本集和采用期望最大化方法对正常工况类和每个故障工况类别分别建立有监督线性动态系统模型，得到模型参数θ(s)，s＝1,2,…,S+1。(4)从历史数据库中调用训练样本集Xo和Yo，计算切换的有监督线性动态系统模型的初始状态概率分布π0∈R1×(S+1)和状态转移概率矩阵K∈R(S+1)×(S+1)，得到切换的有监督线性动态系统模型的参数Θ＝{π0,K,θ(s),s＝1,2,…S+1本文档来自技高网...

【技术保护点】
一种基于切换的有监督线性动态系统模型的工业过程故障诊断方法，其特征在于，包括以下步骤：(1)利用集散控制系统收集过程正常工况的数据以及从正常工况运行到发生各种故障工况的数据形成的观测序列，组成建模用的训练样本集。数据包括过程变量的数据和对应的质量变量的数据。过程变量的数据组成的训练样本集为Xo＝[X1；X2；…；XNex]，其中Xnex＝[x1,x2,…,xN]∈RV×N，nex＝1,2,…,Nex为对应于第nex个观测序列的过程变量的数据矩阵，R为实数集且RV×N表示Xnex满足V×N的二维分布，N为每个序列的采样数据点数，V为过程变量个数。质量变量的数据组成的训练样本集为Yo＝[Y1；Y2；…；YNex]，其中Ynex＝[y1,y2,…,yN]∈RL×N，nex＝1,2,…,Nex为对应于第nex个观测序列的质量变量的数据矩阵，RL×N表示Ynex满足L×N的二维分布，L为质量变量个数。(2)假设故障工况类别为S，再加上一个正常工况类，建模数据的总类别为S+1。在不破坏时序的条件下，从训练样本集Xo和Yo中分离出不同类别的数据，组成用于有监督线性动态系统建模的训练样本和其中和s＝1,2,…,S+1为对应于第s类工况的过程变量和质量变量组成的数据矩阵，M为每一类工况的样本序列长度。将这些数据存入历史数据库。(3)从历史数据库中调用训练样本集和采用期望最大化方法对正常工况类和每个故障工况类别分别建立有监督线性动态系统模型，得到模型参数θ(s)，s＝1,2,…,S+1。(4)从历史数据库中调用训练样本集Xo和Yo，计算切换的有监督线性动态系统模型的初始状态概率分布π0∈R1×(S+1)和状态转移概率矩阵K∈R(S+1)×(S+1)，得到切换的有监督线性动态系统模型的参数Θ＝{π0,K,θ(s),s＝1,2,…S+1}。将模型参数Θ存入历史数据库中备用。(5)收集新的过程变量和对应的质量变量的在线数据：和其中和分别为当前t时刻的在线过程变量和质量变量的数据。然后采用新的高斯和滤波方法计算当前监测数据在正常工况和各个故障工况下的后验概率，最后给出故障诊断结果。...

【技术特征摘要】
1.一种基于切换的有监督线性动态系统模型的工业过程故障诊断方法，其特征在于，
包括以下步骤：
(1)利用集散控制系统收集过程正常工况的数据以及从正常工况运行到发生各种故障
工况的数据形成的观测序列，组成建模用的训练样本集。数据包括过程变量的数据和对应
的质量变量的数据。过程变量的数据组成的训练样本集为Xo＝[X1；X2；…；XNex]，其中Xnex＝
[x1,x2,…,xN]∈RV×N，nex＝1,2,…,Nex为对应于第nex个观测序列的过程变量的数据矩阵，
R为实数集且RV×N表示Xnex满足V×N的二维分布，N为每个序列的采样数据点数，V为过程变量
个数。质量变量的数据组成的训练样本集为Yo＝[Y1；Y2；…；YNex]，其中Ynex＝[y1,y2,…,yN]
∈RL×N，nex＝1,2,…,Nex为对应于第nex个观测序列的质量变量的数据矩阵，RL×N表示Ynex满足L×...

【专利技术属性】
技术研发人员：葛志强，陈新如，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33