專利名稱:一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及工業(yè)過程故障診斷領(lǐng)域，特別地，涉及一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)及方法。
背景技術(shù)：
由于產(chǎn)品質(zhì)量、經(jīng)濟(jì)效益、安全以及環(huán)保的要求，工業(yè)過程和相關(guān)的控制系統(tǒng)變的非常復(fù)雜，為了保證工業(yè)系統(tǒng)的正常運作，故障的診斷和檢測在工業(yè)過程中扮演著非常重要的角色。近年來，統(tǒng)計分析應(yīng)用于過程監(jiān)控和故障診斷得到了廣泛的研究。
利用工業(yè)實測數(shù)據(jù)，采用統(tǒng)計的方法進(jìn)行故障診斷，避開了復(fù)雜的機(jī)理分析，求解相對方便。由于工業(yè)過程從本質(zhì)上來說是具有多尺度特性的，比如微觀、宏觀聚合動力學(xué)的空間多尺度特性，過程變量總是在不同采樣率或尺度下得到的，相應(yīng)的控制或操作也是在不同的時間和空間尺度下發(fā)生的，多尺度特性往往對工業(yè)過程產(chǎn)生重要有時甚至是本質(zhì)上的影響。所以只有全面考慮到過程的復(fù)共線性、非線性特性以及多尺度特性才能對過程進(jìn)行準(zhǔn)確、可靠的監(jiān)控。但是目前的故障診斷方法往往只考慮了工業(yè)過程的復(fù)共線性和非線性特性，而沒有考慮到過程的多尺度特性，對于多尺度特性影響嚴(yán)重的復(fù)雜工業(yè)過程的故障診斷往往難以得到較好的診斷效果。

發(fā)明內(nèi)容為了克服已有的故障診斷系統(tǒng)的沒有考慮過程的多尺度特性、難以得到較好的診斷效果的不足，本發(fā)明提供一種同時考慮工業(yè)過程數(shù)據(jù)的復(fù)共線性、非線性特性和多尺度特性、能夠得到良好的診斷效果的的基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)及方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機(jī)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機(jī)依次相連，所述的上位機(jī)包括標(biāo)準(zhǔn)化處理模塊，用于對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成
1)計算均值TX‾=1NΣi=1NTXi,---(6)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(7)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(8)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)；小波分解功能模塊，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細(xì)節(jié)信息，采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子aJ，k與細(xì)節(jié)因子dj,k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>主元分析功能模塊，用于進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X；小波重構(gòu)功能模塊，用于進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元；支持向量機(jī)分類器功能模塊，用于核函數(shù)采用徑向基函數(shù)K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)；信號采集模塊，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；故障診斷模塊，用于對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的
和σx2；進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為中主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
作為優(yōu)選的一種方案所述的上位機(jī)還包括判別模型更新模塊，用于定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，輸出到標(biāo)準(zhǔn)化處理模塊、小波分解模塊、主元分析功能模塊、小波重構(gòu)功能模塊，并更新支持向量機(jī)分類器的分類模型。
作為優(yōu)選的另一種方案所述的上位機(jī)還包括結(jié)果顯示模塊，用于將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷方法，所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在小波分解模塊、主元分析模塊和支持向量機(jī)分類器模塊中，分別設(shè)置小波分解層數(shù)、主元分析方差提取率、支持向量機(jī)核參數(shù)和置信概率等參數(shù)，設(shè)定DCS中的采樣周期；(3)、訓(xùn)練樣本TX在上位機(jī)中，對數(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，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,]]>其中，N為訓(xùn)練樣本數(shù)。
(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息和細(xì)節(jié)信息，采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子；
④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子aJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>(5)、進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，..，λp，其中λ1≥2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X；(6)、進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數(shù)采用徑向基函數(shù)K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓(xùn)練過樣化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)；(8)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的
和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為中主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
作為優(yōu)選的一種方案所述的故障診斷方法還包括(9)、定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，重復(fù)(3)～(7)的訓(xùn)練過程，以使及時更新支持向量機(jī)分類器的分類模型。
作為優(yōu)選的再一種方案在所述的(8)中，計算判別函數(shù)值，并在上位機(jī)的人機(jī)界面上顯示過程的狀態(tài)，上位機(jī)將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
本發(fā)明同時考慮工業(yè)過程數(shù)據(jù)的復(fù)共線性、非線性特性和多尺度特性，將主元分析、支持向量機(jī)和小波分析相結(jié)合，對工業(yè)過程進(jìn)行故障診斷。其中，主元分析用于處理工業(yè)過程生產(chǎn)數(shù)據(jù)的復(fù)相關(guān)性，支持向量機(jī)分類器用于解決非線性分類問題，小波分析用于獲取過程在不同尺度下的信息。
本發(fā)明的有益效果主要表現(xiàn)在同時兼顧工業(yè)過程數(shù)據(jù)中的復(fù)相關(guān)性、多尺度特性和非線性特性等特性，充分利用了主元分析，多尺度系統(tǒng)理論和支持向量機(jī)各自的特點，將主元分析的解相關(guān)性能力，小波分析對信息不同尺度下的強(qiáng)分解與重構(gòu)能力以及支持向量機(jī)的多變量非線性映射能力很好地結(jié)合了起來，發(fā)揮了各自的優(yōu)勢，使得故障診斷更加可靠有效，能更好的指導(dǎo)生產(chǎn)，提高生產(chǎn)效益。

圖1是本發(fā)明所提出的故障診斷系統(tǒng)的硬件結(jié)構(gòu)圖。
圖2是本發(fā)明所提出的故障診斷系統(tǒng)功能模塊圖。
圖3是小波分析的Mallat算法分解圖。
圖4是本發(fā)明上位機(jī)的原理框圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。
實施例1參照圖1、圖2、圖3以及圖4，一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，包括與工業(yè)過程對象1連接的現(xiàn)場智能儀表2、DCS系統(tǒng)以及上位機(jī)6，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；智能儀表2、DCS系統(tǒng)、上位機(jī)6通過現(xiàn)場總線依次相連，所述的上位機(jī)6包括標(biāo)準(zhǔn)化處理模塊7，用于對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,---(6)]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),---(7)]]>3)標(biāo)準(zhǔn)化X=TX-TX‾σx,---(8)]]>其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)；小波分解功能模塊8，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細(xì)節(jié)信息，采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ。空間VJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子aJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下
Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>主元分析功能模塊9，用于進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1＞λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X；小波重構(gòu)功能模塊10，用于進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元；支持向量機(jī)分類器功能模塊11，用于核函數(shù)采用徑向基函數(shù)K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi.j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xix)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)；信號采集模塊12，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊13，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；故障診斷模塊14，用于對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的
和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為中主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
所述的上位機(jī)還包括判別模型更新模塊15，用于定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，輸出到標(biāo)準(zhǔn)化處理模塊7、小波分解模塊8、主元分析功能模塊9、小波重構(gòu)功能模塊10，并更新支持向量機(jī)分類器模塊11的分類模型。
所述的上位機(jī)還包括結(jié)果顯示模塊16，用于將故障診斷結(jié)果傳給DCS，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
本實施例的工業(yè)過程故障診斷系統(tǒng)的硬件結(jié)構(gòu)圖如附圖1所示，所述的故障診斷系統(tǒng)核心由包括標(biāo)準(zhǔn)化模塊7、小波分解模塊8、主元分析模塊9、小波重構(gòu)模塊10、支持向量機(jī)分類器模塊11等五大功能模塊和人機(jī)界面的上位機(jī)6構(gòu)成，此外還包括現(xiàn)場智能儀表2，DCS系統(tǒng)和現(xiàn)場總線。所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；工業(yè)過程對象1、智能儀表2、DCS系統(tǒng)、上位機(jī)6通過現(xiàn)場總線依次相連，實現(xiàn)信息流的上傳和下達(dá)。故障診斷系統(tǒng)在上位機(jī)6上運行，可以方便地與底層系統(tǒng)進(jìn)行信息交換，及時應(yīng)對系統(tǒng)故障。
本實施例的故障診斷系統(tǒng)的功能模塊圖如附圖2所示，主要包括標(biāo)準(zhǔn)化處理模塊7、小波分解模塊8、主元分析模塊9、小波重構(gòu)模塊10、支持向量機(jī)分類器模塊11等五大功能模塊。
本發(fā)明所述的故障診斷方法按照如下步驟進(jìn)行實施1、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫5的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時這些變量的數(shù)據(jù)作為訓(xùn)練樣本TX；2、在上位機(jī)6的小波分解模塊8、主元分析模塊9和支持向量機(jī)分類器模塊11中，分別設(shè)置小波分解層數(shù)、主元分析方差提取率、支持向量機(jī)核參數(shù)和置信概率等參數(shù)，設(shè)定DCS中的采樣周期；3、訓(xùn)練樣本TX在上位機(jī)6中，依次經(jīng)過標(biāo)準(zhǔn)化處理7、小波分解8、 主元分析9、小波重構(gòu)10、支持向量機(jī)11等功能模塊，采用以下步驟來完成診斷系統(tǒng)的訓(xùn)練1)在上位機(jī)6的標(biāo)準(zhǔn)化處理功能模塊7中，對數(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，得到輸入矩陣X。采用以下過程來完成①計算均值TX‾=1NΣi=1NTXi,---(6)]]>
②計算方差σx2=1N-1ΣN-1N(TXi-TX‾),---(7)]]>③標(biāo)準(zhǔn)化X=TX-TX‾σx,---(8)]]>其中N為訓(xùn)練樣本數(shù)。
上位機(jī)6的標(biāo)準(zhǔn)化處理功能模塊7所進(jìn)行的標(biāo)準(zhǔn)化處理能消除各變量因為量綱不同造成的影響。
2)在上位機(jī)6的小波分解功能模塊8中，采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細(xì)節(jié)信息。所述的上位機(jī)6中小波分解模塊8的小波分析采用db3小波，分解層數(shù)取為3-7。采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子。
④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中第一項代表近似信息，第二項為細(xì)節(jié)信息。逼近因子aJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算。其中所采用的Mallat算法的塔式分解圖，如圖2所示。
所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>實際工業(yè)過程從本質(zhì)上來說是具有多尺度特性的，各個尺度下的信息含量和所體現(xiàn)的系統(tǒng)特性是不同的，如果直接對系統(tǒng)進(jìn)行建模，將忽略這種不同，從而導(dǎo)致會導(dǎo)致結(jié)果上的偏差。用小波分解提取各個尺度的信息，能更充分的挖據(jù)過程數(shù)據(jù)所攜帶的信息，提升結(jié)果的精確度。
3)在上位機(jī)6的主元分析功能模塊9中，進(jìn)行主元分析提取主成分。所述的主元分析總方差提取率大于80％，計算過程采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X。
很顯然，分析系統(tǒng)在一個低維空間要比在一個高維空間容易得多。主元分析在力求數(shù)據(jù)信息丟失最少的原則下，對高維的變量空間降維，以得到變量體系的少數(shù)幾個線性組合，并且這幾個線性組合所構(gòu)成的綜合變量將盡可能多地保留原變量變異方面的信息。
4)在上位機(jī)6的小波重構(gòu)功能模塊10中，進(jìn)行小波重構(gòu)。
根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元。
5)訓(xùn)練上位機(jī)6中的支持向量機(jī)分類器功能模塊11的分類模型。
所述的上位機(jī)6中的支持向量機(jī)分類器功能模塊9的核函數(shù)，采用徑向基函數(shù)K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi.j=1NαiαjyiyjK(xi,xj)---(14)]]>從而得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)。
支持向量機(jī)基于統(tǒng)計學(xué)習(xí)理論，采用結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，很好地解決了小樣本、局部極小點、高維數(shù)等難題，用于分類問題能提高分類精度。
4、系統(tǒng)開始投運1)用定時器，設(shè)置好每次采樣的時間間隔；2)現(xiàn)場智能儀表2檢測過程數(shù)據(jù)并傳送到DCS數(shù)據(jù)庫5的實時數(shù)據(jù)庫中；
3)上位機(jī)6在每個定時周期從DCS數(shù)據(jù)庫5的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)，作為待診斷數(shù)據(jù)VX；4)待檢測數(shù)據(jù)VX，在上位機(jī)6的標(biāo)準(zhǔn)化處理功能模塊7中，用訓(xùn)練時得到的
和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊8的輸入；5)在上位機(jī)6的小波分解模塊8中，用訓(xùn)練時同樣的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為上位機(jī)6中主元分析模塊9的輸入；6)在上位機(jī)6的主元分析模塊9中，用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到上位機(jī)6的小波重構(gòu)模塊10；7)在上位機(jī)6的小波重構(gòu)模塊10中，將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到上位機(jī)6的支持向量機(jī)分類器模塊11；8)在上位機(jī)6的支持向量機(jī)分類器模塊11中，將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)，并在上位機(jī)6的人機(jī)界面上顯示過程的狀態(tài)9)上位機(jī)6將故障診斷結(jié)果傳給DCS，并在DCS的控制站4顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示，使得現(xiàn)場操作工可以及時應(yīng)對。
5、分類器模型更新在系統(tǒng)投運過程中，定期將過程狀態(tài)正常的點添加到訓(xùn)練集TX中，重復(fù)步驟3的訓(xùn)練過程，以便及時更新上位機(jī)6的支持向量機(jī)分類器11的分類模型，使分類器模型具有較好的分類效果。
實施例2參照圖1、圖2、圖3以及圖4，一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷方法，所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在小波分解模塊8、主元分析模塊9和支持向量機(jī)分類器模塊11中，分別設(shè)置小波分解層數(shù)、主元分析方差提取率、支持向量機(jī)核參數(shù)和置信概率等參數(shù)，設(shè)定DCS中的采樣周期；(3)、訓(xùn)練樣本TX在上位機(jī)6中，對數(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，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,]]>其中，N為訓(xùn)練樣本數(shù)。
(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息和細(xì)節(jié)信息，采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-j/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子aJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>(5)、進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X；(6)、進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數(shù)采用徑向基函數(shù)K(xi，x)＝exp(-‖x-xi‖/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)；(8)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的
和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為中主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
所述的故障診斷方法還包括(9)、定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，重復(fù)(3)～(7)的訓(xùn)練過程，以便及時更新支持向量機(jī)分類器的分類模型。
在所述的(8)中，計算判別函數(shù)值，并在上位機(jī)的人機(jī)界面上顯示過程的狀態(tài)，上位機(jī)將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
權(quán)利要求
1.一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機(jī)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機(jī)依次相連，其特征在于所述的上位機(jī)包括標(biāo)準(zhǔn)化處理模塊，用于對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,]]>(6)2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>(7)3)標(biāo)準(zhǔn)化X=TX-TX‾σx]]>(8)其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)；小波分解功能模塊，用于采用Mallat塔式分解算法將原始信號分解為一系列近似信息和細(xì)節(jié)信息，采用以下步驟米實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空間VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-Jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)ψj，k(t)＝2-J/2ψ(2-jt-k)} (10)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子αJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kψj,k(t)---(13)]]>主元分析功能模塊，用于進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X小波重構(gòu)功能模塊，用于進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元支持向量機(jī)分類器功能模塊，用于核函數(shù)采用徑向基函數(shù)K(xi，x)=exp(-||x—xi||/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＞＝0，數(shù)據(jù)樣本處于匯常狀態(tài)；當(dāng)t(x)＜0時，處于異常狀態(tài)；信號采集模塊，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX故障診斷模塊，用于對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的
和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為中主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的組成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
2.如權(quán)利要求
1所述的基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，其特征在于所述的上位機(jī)還包括判別模型更新模塊，用于定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，輸出到標(biāo)準(zhǔn)化處理模塊、小波分解模塊、主元分析功能模塊、小波重構(gòu)功能模塊，并更新支持向量機(jī)分類器的分類模型。
3.如權(quán)利要求
1或2所述的的基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，其特征在于所述的上位機(jī)還包括結(jié)果顯示模塊，用于將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
4.一種用如權(quán)利要求
1所述的基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)實現(xiàn)的故障診斷方法，其特征在于所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓(xùn)練樣本TX；(2)、在小波分解模塊、主元分析模塊和支持向量機(jī)分類器模塊中，分別設(shè)置小波分解層數(shù)、主元分析方差提取率、支持向量機(jī)核參數(shù)和置信概率等參數(shù)，設(shè)定DCS中的采樣周期；(3)、訓(xùn)練樣本TX在上位機(jī)中，對數(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，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標(biāo)準(zhǔn)化X=TX-TX‾σx,]]>其中，N為訓(xùn)練樣本數(shù)。(4)、用于采用Mallat塔式分解算法將采集的原始信號分解為一系列近似信息利細(xì)節(jié)信息，采用以下步驟來實現(xiàn)①將原始信號空間V0可以分解為一系列逼近空VJ與細(xì)節(jié)空間Wj，其中J是最粗的尺度，也稱為分解的尺度；②計算逼近空間VJ?？臻gVJ由尺度函數(shù){J，k(t)，k∈Z}張成，采用下式來計算VJ＝{J，k(t)|J，k(t)＝2-J/2(2-jt-k)} (9)③計算細(xì)節(jié)空間Wj。細(xì)節(jié)空間Wj由小波函數(shù){ψj，k(t)，j＝1，...，J，k∈Z}張成，采用下式來計算Wj＝{ψj，k(t)|ψj，k(t)＝2-J/2ψ(2-Jt-k)} (10)其中j是尺度因子，k是平移因子；④從而得到原始信息的分解信息，采用下式進(jìn)行計算 其中，第一項代表近似信息，第二項為細(xì)節(jié)信息，逼近因子aJ，k與細(xì)節(jié)因子dj，k采用Mallat算法計算；所述的近似信息AJf(t)與細(xì)節(jié)信息Djf(t)(j＝1，2，...，J)，定義如下 Djf(t)=Σk∈Zdj,kΨj,k(t)---(13)]]>(5)、進(jìn)行主元分析提取主成分，采用協(xié)方差奇異值分解的方法，采用以下步驟來實現(xiàn)①計算X的協(xié)方差陣，記為∑X；②對∑X進(jìn)行奇異值分解，得到特征根λ1，λ2，...，λp，其中λ1≥λ2≥...≥λp，對應(yīng)的特征向量矩陣為U；③計算總方差和每個特征值對應(yīng)的方差貢獻(xiàn)率，按各個特征值的方差貢獻(xiàn)率從大到小累加直到總的方差貢獻(xiàn)率達(dá)到給定值；④選取特征向量矩陣U的前k列，作為變換系數(shù)矩陣T；⑤計算主元F＝T×X；(6)、進(jìn)行小波重構(gòu)，根據(jù)小波理論，將各尺度下得到的主元相加，即得到總的主元；(7)、核函數(shù)采用徑向基函數(shù)K(xi，x)＝exp(-||x-xi||/σ2)，將訓(xùn)練過程化為如下二次規(guī)劃求解問題ω(α)=Σi=1Nαi-12Σi,j=1NαiαjyiyjK(xi,xj)---(14)]]>得到分類函數(shù)，即如下函數(shù)的符號函數(shù)f(x)=Σi=1myiαiK(xi,x)+b---(15)]]>定義當(dāng)f(x)＝0，數(shù)據(jù)樣本處于正常狀態(tài)；當(dāng)f(x)＜0時，處于異常狀態(tài)；(8)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓(xùn)練時得到的TX和σx2進(jìn)行標(biāo)準(zhǔn)化處理，并將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)作為小波分解模塊的輸入，用訓(xùn)練時相同的參數(shù)對輸入數(shù)據(jù)進(jìn)行小波分解，得到的系數(shù)作為主元分析模塊的輸入；用訓(xùn)練時得到的變換矩陣T對輸入進(jìn)行變換，變換后矩陣輸入到小波重構(gòu)模塊；將對應(yīng)的數(shù)據(jù)相加即得到原待測數(shù)據(jù)的主成分，并將所得到的主成分輸入到支持向量機(jī)分類器模塊；將輸入代入訓(xùn)練得到的判別函數(shù)，計算判別函數(shù)值，判別過程的狀態(tài)。
5.如權(quán)利要求
4所述的一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷方法，其特征在于所述的故障診斷方法還包括(9)、定期將過程狀態(tài)正常的點添加到訓(xùn)練集VX中，重復(fù)(3)～(7)的訓(xùn)練過程，以便及時更新支持向量機(jī)分類器的分類模型。
6.如權(quán)利要求
4或5所述的一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷方法，其特征在于在所述的(8)中，計算判別函數(shù)值，并在上位機(jī)的人機(jī)界面上顯示過程的狀態(tài)，上位機(jī)將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進(jìn)行顯示。
專利摘要
一種基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機(jī)，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機(jī)依次相連，所述的上位機(jī)包括標(biāo)準(zhǔn)化處理模塊、小波分解模塊、主元分析功能模塊、小波重構(gòu)功能模塊、支持向量機(jī)分類器功能模塊以及故障判斷模塊。以及提出了一種故障診斷方法。本發(fā)明提供一種同時考慮工業(yè)過程數(shù)據(jù)的復(fù)共線性、非線性特性和多尺度特性、能夠得到良好的診斷效果的基于小波分析的工業(yè)生產(chǎn)過程故障診斷系統(tǒng)及方法。
文檔編號G05B19/418GK1996190SQ200610154825
公開日2007年7月11日 申請日期2006年11月23日
發(fā)明者劉興高, 閻正兵 申請人:浙江大學(xué)導(dǎo)出引文BiBTeX, EndNote, RefMan