基于切換線性動態(tài)系統(tǒng)模型的工業(yè)過程故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于工業(yè)過程控制領(lǐng)域，尤其涉及一種基于切換線性動態(tài)系統(tǒng)模型的工業(yè) 過程故障診斷方法。
【背景技術(shù)】
[0002] 近年來，工業(yè)生產(chǎn)過程的故障診斷問題越來越得到工業(yè)界和學(xué)術(shù)界的廣泛重視。 一方面，實際的工業(yè)過程因為其過程復(fù)雜，操作變量多，存在非線性、非高斯、動態(tài)性等階 段，在單一假設(shè)下，運用某一種方法，其診斷效果有很大的局限。另一方面，如果不對過程 進行很好的監(jiān)測，對可能發(fā)生的故障進行診斷，有可能會發(fā)生操作事故，輕者影響產(chǎn)品的質(zhì) 量，重者將會造成生命和財產(chǎn)的損失。因此，找到更好的過程故障診斷方法，并及時正確地 診斷故障已經(jīng)成為工業(yè)生產(chǎn)過程的研宄熱點和迫切需要解決的問題之一。
[0003] 傳統(tǒng)的工業(yè)過程故障診斷方法除了基于機理模型的方法外，大多采用多元統(tǒng)計分 析方法，比如費舍爾判別分析法（FDA)、支持向量機方法（SVM)和隱馬爾可夫模型（HMM)等。 在機理模型難以獲取的情況下，基于數(shù)據(jù)驅(qū)動的多元統(tǒng)計分析方法已經(jīng)成為工業(yè)過程監(jiān)測 和故障診斷的主流方法。但是，傳統(tǒng)的多元統(tǒng)計分析方法大多沒有考慮過程數(shù)據(jù)的序列相 關(guān)性和過程變量的隨機性，比如費舍爾判別分析法（FDA)、支持向量機方法（SVM)。雖然隱 馬爾可夫模型（HMM)考慮了過程數(shù)據(jù)的序列相關(guān)性和過程變量的隨機性，但無法精確描述 非常復(fù)雜的工業(yè)過程。相比之下，切換的線性動態(tài)系統(tǒng)模型既考慮了動態(tài)性和隨機性，又采 用了連續(xù)的隱變量來更加精確地描述復(fù)雜的工業(yè)過程，本發(fā)明采用該方法替代原有的多元 統(tǒng)計分析方法對過程故障進行診斷。傳統(tǒng)的監(jiān)測方法假設(shè)過程運行在單一條件下，已經(jīng)無 法滿足實際工業(yè)過程的監(jiān)測要求。即使對過程的不同工作條件分別進行建模，也無法達到 滿意的監(jiān)測效果。因為對新的過程數(shù)據(jù)進行監(jiān)測時，需要結(jié)合過程知識對該數(shù)據(jù)的工作條 件進行判斷，并選取相應(yīng)的監(jiān)測模型，這就大大增強了監(jiān)測方法對過程知識的依賴性，不利 于工業(yè)過程的自動化實施。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于切換線性動態(tài)系統(tǒng)模型的 工業(yè)過程故障診斷方法。
[0005] 本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于切換線性動態(tài)系統(tǒng)模型的 工業(yè)過程故障診斷方法，包括以下步驟：
[0006] (1)利用集散系統(tǒng)收集過程正常工況的數(shù)據(jù)以及從正常工況運行到發(fā)生各種故障 工況的數(shù)據(jù)形成的觀測序列，組成建模用的訓(xùn)練樣本集：x。= [x1;x2;…;XnJ。其中Xmx= [χ1;χ 2;…;xN] e Rnxv，nex = 1，2,…，Nex為對應(yīng)于第nex個觀測序列的數(shù)據(jù)矩陣，R為實 數(shù)集且Rnxv表示Xmx滿足NXV的二維分布，N為每個序列的采樣數(shù)據(jù)點數(shù)，V為過程變量 個數(shù)。
[0007] (2)假設(shè)故障工況類別為S，再加上一個正常工況類，建模數(shù)據(jù)的總類別為S+1。在 不破壞時序的條件下，從訓(xùn)練樣本集X。中分離出不同類別的數(shù)據(jù)，組成用于線性動態(tài)系統(tǒng) 建模的訓(xùn)練樣本叉=[名;足;…;見+1]。其中足，χΓ，S = 1，2,…，S+1為 對應(yīng)于第s類工況的數(shù)據(jù)矩陣，M為每一類工況的樣本序列長度，V為過程變量個數(shù)。將這 些數(shù)據(jù)存入歷史數(shù)據(jù)庫。
[0008] (3)從歷史數(shù)據(jù)庫中調(diào)用訓(xùn)練樣本J ,采用期望最大化方法對正常工況類和每個 故障工況類別分別建立線性動態(tài)系統(tǒng)模型，得到模型參數(shù)Θ (s)，S= 1，2,…，S+1。
[0009] (4)從歷史數(shù)據(jù)庫中調(diào)用訓(xùn)練樣本X。，計算切換線性動態(tài)系統(tǒng)模型的初始狀態(tài)概 率分布JiciE Rs+1和狀態(tài)轉(zhuǎn)移概率矩陣K e R (s+1)x(s+1)，得到切換線性動態(tài)系統(tǒng)模型的參數(shù) Θ = {Ji 〇, Κ，Θ (s)，s = 1，2, · · · S+1} 〇
[0010] (5)將建模數(shù)據(jù)LX和模型參數(shù)Θ存入歷史數(shù)據(jù)庫中備用。
[0011] (6)收集新的在線過程數(shù)據(jù)Xbct =[0Γ;···;ΟΓ'>其中e爐為當(dāng)前t 時刻的在線過程數(shù)據(jù)，…;為t時刻之前收集的過程數(shù)據(jù)，采用高斯和濾波 方法計算當(dāng)前監(jiān)測數(shù)據(jù)在正常工況和各個故障工況下的后驗概率，并給出故障診斷結(jié) 果。
[0012] 本發(fā)明的有益效果是：本發(fā)明通過對工業(yè)過程的混合數(shù)據(jù)進行工況劃分，對每一 個工況類別數(shù)據(jù)分別建立線性動態(tài)系統(tǒng)模型，然后建立切換線性動態(tài)系統(tǒng)模型，最后通過 高斯和濾波方法對當(dāng)前監(jiān)測數(shù)據(jù)進行故障診斷。相比目前的其它故障診斷方法，本發(fā)明不 僅提高了工業(yè)過程的故障診斷效果，增強了過程操作員對過程狀態(tài)的掌握，使工業(yè)生產(chǎn)更 加安全，產(chǎn)品質(zhì)量更加穩(wěn)定；而且很大程度上改善了故障診斷方法對過程知識的依賴性，更 加有利于工業(yè)過程的自動化實施。
【附圖說明】
[0013] 圖1是本發(fā)明方法和HMM方法對TE過程的正常工況和故障1工況數(shù)據(jù)的診斷圖；
[0014] 圖2是本發(fā)明方法對TE過程的正常工況和故障工況數(shù)據(jù)的診斷圖；
[0015] 圖3是HMM方法對TE過程的正常工況和故障工況數(shù)據(jù)的診斷圖。
【具體實施方式】
[0016] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。
[0017] 本發(fā)明給出一種基于切換線性動態(tài)系統(tǒng)模型的工業(yè)過程故障診斷方法，該方法針 對工業(yè)過程的故障診斷問題，首先利用集散控制系統(tǒng)收集正常工況的數(shù)據(jù)以及從正常工況 運行到發(fā)生各種故障工況的數(shù)據(jù)，并對其進行工況類別劃分。然后分別針對不同的工況類 別建立線性動態(tài)系統(tǒng)模型，并接著建立切換線性動態(tài)系統(tǒng)模型。把模型參數(shù)存入數(shù)據(jù)庫中 備用。對新的在線數(shù)據(jù)進行監(jiān)測和故障診斷的時候，首先利用高斯和濾波方法得到該數(shù)據(jù) 在各類工況下的后驗概率，然后獲得故障診斷結(jié)果。
[0018] 本發(fā)明采用的技術(shù)方案的主要步驟如下：
[0019] 第一步：利用集散系統(tǒng)收集過程正常工況的數(shù)據(jù)以及從正常工況運行到發(fā)生各種 故障工況的數(shù)據(jù)形成的觀測序列，組成建模用的訓(xùn)練樣本集：X。= [x1;x2;…；XNraJ。其中 Xnex= [X1;X2;…;xJ e RNXV，neX= I，2,…，Nex為對應(yīng)于第nex個觀測序列的數(shù)據(jù)矩陣， R為實數(shù)集且Rnxv表示Xnex滿足NXV的二維分布，N為每個序列的采樣數(shù)據(jù)點數(shù)，V為過程 變量個數(shù)；
[0020] 第二步：假設(shè)故障工況類別為S，再加上一個正常工況類，建模數(shù)據(jù)的總類別為 S+1。在不破壞時序的條件下，從訓(xùn)練樣本集X。中分離出不同類別的數(shù)據(jù)，組成用于線性 動態(tài)系統(tǒng)建模的訓(xùn)練樣本文=[兄;足;…;毛+1]。其中兄=[?···;；^>/? νχΓ，s = 1，2,…，S+1為對應(yīng)于第s類工況的數(shù)據(jù)矩陣，M為每一類工況的樣本序列長度，V為過程變 量個數(shù)。將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫；
[0021] 在歷史數(shù)據(jù)庫中對采集到的過程數(shù)據(jù)進行預(yù)處理，剔除野值點和明顯的粗糙誤差 數(shù)據(jù)。
[0022] 第三步：從歷史數(shù)據(jù)庫中調(diào)用訓(xùn)練樣本X，采用期望最大化方法對正常工況類和 每個故障工況類別分別建立線性動態(tài)系統(tǒng)模型，得到模型參數(shù)Θ (s)，s = 1，2,…，S+1 ;
[0023] 對于每個工況類別的數(shù)據(jù)矩陣文^,，s = 1，2,…，S+1采用期望最大化方法求出模 型參數(shù) Θ (s) = {A(s)，B(s)，Σ h(s), Σ x(s)，μ π (s)，Σ π (s)}，s = 1，2,…，S+1。其中 A(S) GRhxh為傳遞矩陣，H為隱空間的維度；B(s) GRvxh為映射矩陣；Σ h(s) GRhxh為隱 空間噪聲nhe Rh的方差，Σ X(S) e Rvxv為觀測噪聲n Rv的方差，假設(shè)噪聲變量n h和 nx都服從零均值，方差分別為Σ h(s) x(s)的高斯分布；y " (s) e Rh和Σ " (s) e Rhxh 分別為服從高斯分布的初始時刻隱變量he Rη的均值和方差。用期望最大化方法建模的 具體實現(xiàn)步驟如下所示：
[002