一种基于概率变换与统计特性分析的早期故障检测方法技术

本发明专利技术公开了一种基于概率变换与统计特性分析的早期故障检测方法，属于工业过程监控和故障诊断领域，该方法包括：采集正常数据作为训练数据集，计算其包含样本的马氏距离统计量和控制限，以及为故障的概率值并构成向量；基于上述向量计算各个窗口内概率值的均值和二阶原点矩，构成矩阵并计算每一行的二范数，用经验方法确定控制限；采集实时工况下的数据作为测试样本，计算其马氏距离统计量以及为故障的概率；针对测试样本计算得到的概率值，以当前时刻为基准计算一个窗口内概率值的均值和二阶原点矩，构成向量并求其二范数，与上述经验方法确定的控制限对比判断是否发生故障。本发明专利技术无需工业过程的数学模型，并可以有效地实现早期故障检测。实现早期故障检测。实现早期故障检测。

【技术实现步骤摘要】
一种基于概率变换与统计特性分析的早期故障检测方法


[0001]本专利技术属于工业过程监控和故障诊断领域，具体涉及一种基于概率变换与统计特性分析的早期故障检测方法。

技术介绍

[0002]现代复杂工业系统一旦发生事故，将可能导致人员伤亡与财产损失。过程监控及故障诊断技术对于现代工业过程正常运行、保证人员安全和降低财产损失至关重要。过程监控及故障诊断技术也是当前自动化、过程控制领域研究的热门方向之一。然而，许多传统的故障检测方法对于早期发生的微小幅值故障不敏感、漏报率高。历史上许多重大灾难性事故，通常也是由于系统中的早期故障不能被及时地检测出来而造成。因此，及时且准确地检测到早期故障的发生，对于工业过程安全、可靠、高效运行具有重要价值。
[0003]基于多元统计过程监控的方法，如主元分析(principal component analysis,PCA)和动态主元分析(dynamic PCA,DPCA)在过程监控领域得到了广泛的关注，相关统计量如T2统计量和平方预测误差(squared prediction error,SPE)应用广泛。且在过去的几十年时间里，传统的故障检测方法取得了长足发展。然而，针对早期发生的故障类型，传统方法检测效果不理想。与此同时，小故障一旦演化为大故障，将可能造成严重事故的发生。另一方面，现代工业过程中大量的数据被记录和收集，有效地利用数据进行过程建模、监测和处理可以提升对早期故障的检测能力，降低误报率、提高故障检测率。
[0004]因此，亟需一种新的数据驱动故障检测方法来提升对早期故障的灵敏度，实现对工业过程早期故障的有效检测。

技术实现思路

[0005]针对现有技术中存在的上述技术问题，本专利技术提出了一种基于概率变换与统计特性分析的早期故障检测方法，设计合理，克服了现有技术的不足，具有良好的效果。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于概率变换与统计特性分析的早期故障检测方法，包括如下步骤：
[0008]步骤1：采集工业过程正常工况下的一段测量数据作为训练数据集，计算训练数据集所包含样本的马氏距离统计量，并求取马氏距离统计量的控制限，然后计算训练数据集中所有样本为故障情形的概率值，得到由概率值构成的列向量；
[0009]步骤2：给定合适的滑动窗口宽度，基于步骤1中所构造的列向量，依次计算各个窗口内概率值的均值和二阶原点矩，从而得到由均值和二阶原点矩构成的统计特征矩阵，然后计算统计特征矩阵每一行的二范数，并用经验方法确定其控制限；
[0010]步骤3：采集工业过程实时工况下的数据作为测试样本，测试样本中的测量变量与步骤1中训练数据集的测量变量相对应，计算当前测试样本的马氏距离统计量，并计算该样本为故障情形的概率值；
[0011]步骤4：针对每个采集的测试样本，均按照步骤3计算得到相应的概率值，以当前时
刻为基准，计算一个窗口宽度内测试样本概率值的均值和二阶原点矩，从而组成一个向量，求其二范数，并与步骤2中的控制限对比判断是否有故障发生。
[0012]优选地，在步骤1中，记训练数据集为X0，包含N行和m列，即有N个样本和m个变量，标准化后的训练数据集为X，X中某一个样本表示为x；按下式计算马氏距离统计量D和统计量的控制限
[0013]D＝x
T
S
‑1x；
[0014][0015]式中，S代表X的协方差矩阵，F
m,N
‑
m
是具有m和N
‑
m个自由度的F分布临界值；
[0016]利用如下贝叶斯公式计算样本x为故障的概率P(F|x)：
[0017][0018]其中，P(x)＝P(x|N)P(N)+P(x|F)P(F)；
[0019]令α代表显著性水平，则P(N)＝1
‑
α，P(F)＝α；
[0020]记
[0021]计算训练数据集X中所有样本为故障情形的概率值，组成如下向量P：
[0022]P＝[P
1 P2ꢀ…ꢀ
P
N
]T
；
[0023]其中，P
i
(i＝1,2,...,N)为训练数据集X中第i样本为故障情形的概率值。
[0024]优选地，在步骤2中，给定滑动窗口的宽度为w，对P取窗口得到：
[0025]P(q)＝[P
q
‑
w+1 P
q
‑
w+2
ꢀ…ꢀ
P
q
]T
∈R
w
；
[0026]其中，q代表当前窗口对应的采样时刻；计算每个窗口的均值μ和二阶原点矩v，组成统计特征矩阵M0；将M0标准化得到M，求M每一行的二范数M，并用经验方法确定其控制限，记为
[0027]优选地，在步骤3中，记实时工况下测试样本为用训练数据集X0的均值和标准差对测试样本进行标准化处理，得到x
t
；按下式计算其马氏距离计量D
t
：
[0028]D
t
＝(x
t
)
T
S
‑1x
t
；
[0029]式中，S是步骤1中X的协方差矩阵；然后利用贝叶斯公式计算x
t
为故障情形的概率值P
t
：
[0030][0031]计算方法与步骤1类似，即：P(x
t
)＝P(x
t
|N)P(N)+P(x
t
|F)P(F)，P(N)＝1
‑
α，P(F)＝α，
[0032]优选地，在步骤4中，针对每个采集的测试样本，均按照步骤3计算得到相应的概率值；以当前采样时刻k为基准，向前借用w
‑
1个测试样本的概率值，共同组成一个长度为w的向量P
t
(k)，如下：
[0033][0034]其中，表示当前采样时刻测试样本为故障情形的概率值，下标k表示采样时刻，上标t表示是测试样本；
[0035]计算P
t
(k)的均值μ
t
(k)和二阶原点矩v
t
(k)，组成一个向量，记为用步骤2中M0的均值和标准差对标准化，得到m
t
(k)，求其二范数M(k)；将M(k)与步骤2中的控制限作比较，若则认为当前测试样本正常，否则认为当前测试样本发生了故障。
[0036]本专利技术所带来的有益技术效果：
[0037]本专利技术提供的一种工业过程早期故障检测方法，利用工业过程正常工况下的数据进行建模，无需工业过程精确的数学模型，也无需工业过程故障工况下的数据，便于实际应用；本专利技术所提方法可以实现对多种早期故障的成功检测，具有低误报率、高检测率的优点。
附图说明
[0038]图1是本专利技术基于概率变换与统计特性分析的早本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率变换与统计特性分析的早期故障检测方法，其特征在于：包括如下步骤：步骤1：采集工业过程正常工况下的一段测量数据作为训练数据集，计算训练数据集所包含样本的马氏距离统计量，并求取马氏距离统计量的控制限，然后计算训练数据集中所有样本为故障情形的概率值，得到由概率值构成的列向量；步骤2：给定合适的滑动窗口宽度，基于步骤1中所构造的列向量，依次计算各个窗口内概率值的均值和二阶原点矩，从而得到由均值和二阶原点矩构成的统计特征矩阵，然后计算统计特征矩阵每一行的二范数，并用经验方法确定其控制限；步骤3：采集工业过程实时工况下的数据作为测试样本，测试样本中的测量变量与步骤1中训练数据集的测量变量相对应，计算当前测试样本的马氏距离统计量，并计算该样本为故障情形的概率值；步骤4：针对每个采集的测试样本，均按照步骤3计算得到相应的概率值，以当前时刻为基准，计算一个窗口宽度内测试样本概率值的均值和二阶原点矩，从而组成一个向量，求其二范数，并与步骤2中的控制限对比判断是否有故障发生。2.根据权利要求1所述的基于概率变换与统计特性分析的早期故障检测方法，其特征在于：在步骤1中，记训练数据集为X0，包含N行和m列，即有N个样本和m个变量，标准化后的训练数据集为X，X中某一个样本表示为x；按下式计算马氏距离统计量D和统计量的控制限D＝x
T
S
‑1x；式中，S代表X的协方差矩阵，F
m,N
‑
m
是具有m和N
‑
m个自由度的F分布临界值；利用如下贝叶斯公式计算样本x为故障的概率P(F|x)：其中，P(x)＝P(x|N)P(N)+P(x|F)P(F)；令α代表显著性水平，则P(N)＝1
‑
α，P(F)＝α；记计算训练数据集X中所有样本为故障情形的概率值，组成如下向量P：P＝[P
1 P2…
P
N
]
T
；其中，P
i
(i＝1,2,
…
,N)为训练数据集X中第i样本为故障情形的概率值。3.根据权利要求2所述的基于概率变换与统计特性分析的早期故障检测方法，其特征在于：在步骤2中，给定滑动窗口的宽度为w，对P取窗口得到：P...

【专利技术属性】
技术研发人员：纪洪泉，赵文清，圣南，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：