本申請涉及工業(yè)系統(tǒng)領(lǐng)域，更具體地說，涉及一種故障診斷方法和裝置。

背景技術(shù)：

工業(yè)系統(tǒng)中產(chǎn)生的故障不僅會影響產(chǎn)品質(zhì)量，造成經(jīng)濟損失，而且有可能會危害人身安全，因此故障診斷已經(jīng)成為自動化領(lǐng)域的一個研究分支。鑒于工業(yè)系統(tǒng)自動化和傳感器的快速發(fā)展，大量的過程數(shù)據(jù)可以通過控制系統(tǒng)產(chǎn)生，基于數(shù)據(jù)驅(qū)動的過程監(jiān)控方法已經(jīng)被廣泛應(yīng)用。該類方法就是利用收集到的過程數(shù)據(jù)，運用多元統(tǒng)計和機器學(xué)習(xí)的方法完成故障檢測和故障診斷。

故障診斷其實可以被看作是一個分類問題，支持向量機(supportvectormachine，svm)是一種推廣能力較好的分類器，已被廣泛應(yīng)用到故障診斷中。一般狀態(tài)下，可能是幾個關(guān)鍵性的特征在引導(dǎo)著正常與故障狀況的差別，識別出這些導(dǎo)致區(qū)別的關(guān)鍵特征，就可以直接或間接找到導(dǎo)致故障的原因。當(dāng)前主要采用線性svm特征選擇方法可以和svm結(jié)合進行故障診斷，但是該方法是線性的，而工業(yè)過程本身是非線性的，因而該方法不容易找到那些最重要的特征，給構(gòu)造模型和提高分類精度造成了困難，降低了故障診斷的精度。

技術(shù)實現(xiàn)要素：

有鑒于此，本申請?zhí)峁┮环N故障診斷方法和裝置，利用故障特征與正常特征之間的差異性進行特征排序，挑選出與故障最相關(guān)的特征，并利用挑選出的故障特征訓(xùn)練svm，以提高故障診斷的精度。

為了實現(xiàn)上述目的，現(xiàn)提出的方案如下：

一種故障診斷方法，包括：

獲取正常訓(xùn)練樣本和故障訓(xùn)練樣本，所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本均包含多個特征；

對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理；

對于任一特征，構(gòu)建所述正常訓(xùn)練樣本的第一特征矩陣以及所述故障訓(xùn)練樣本的第二特征矩陣；

計算所述第一特征矩陣和所述第二特征矩陣的相異性；

基于所述相異性對所述多個特征進行排序；

利用支持向量機對排序后的所述多個特征進行十折交叉驗證，以確定最優(yōu)特征集；

利用所述最優(yōu)特征集對測試樣本進行故障檢測。

優(yōu)選的，所述對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理，包括：

基于預(yù)設(shè)數(shù)據(jù)標準化公式對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)處理；

其中，所述數(shù)據(jù)標準化公式為：

其中，為訓(xùn)練樣本第j個特征值，為訓(xùn)練樣本第j個特征值均值，σ^[j]為訓(xùn)練樣本第j個特征的標準差，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

優(yōu)選的，所述對于任一特征，構(gòu)建所述正常訓(xùn)練樣本的第一特征矩陣以及所述故障訓(xùn)練樣本的第二特征矩陣，包括：

以單位矩陣為基礎(chǔ)對于每一個特征進行重構(gòu)，得到特征矩陣

所述特征矩陣為：

其中，為訓(xùn)練樣本第j個特征值，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

優(yōu)選的，所述計算所述第一特征矩陣和所述第二特征矩陣的相異性，包括：

計算所述第一特征矩陣的第一協(xié)方差矩陣和所述第二特征矩陣的第二協(xié)方差矩陣；

計算所述第一協(xié)方差矩陣和所述第二協(xié)方差矩陣的聯(lián)合協(xié)方差矩陣；

對所述聯(lián)合協(xié)方差矩陣進行特征分解，得到投影矩陣；

利用所述投影矩陣對所述第一特征矩陣進行投影，得到所述第一特征矩陣的投影矩陣；

計算所述第一特征矩陣的投影矩陣的協(xié)方差矩陣，并對所述第一特征矩陣的投影矩陣的協(xié)方差矩陣進行特征分解，得到特征值

計算所述第一特征矩陣和所述第二特征矩陣的相異性

其中，

優(yōu)選的，所述利用所述最優(yōu)特征集對測試樣本進行故障檢測，包括：

對測試樣本進行數(shù)據(jù)標準化處理；

根據(jù)最優(yōu)特征集選取測試樣本的特征形成輸入數(shù)據(jù)，再用支持向量機分類確定測試樣本是否有故障。

一種故障診斷裝置，包括：

數(shù)據(jù)采集單元，用于獲取正常訓(xùn)練樣本和故障訓(xùn)練樣本，所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本均包含多個特征；

數(shù)據(jù)預(yù)處理單元，用于對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理；

特征矩陣構(gòu)建單元，用于對于任一特征，構(gòu)建所述正常訓(xùn)練樣本的第一特征矩陣以及所述故障訓(xùn)練樣本的第二特征矩陣；

相異性計算單元，用于計算所述第一特征矩陣和所述第二特征矩陣的相異性；

特征排序單元，用于基于所述相異性對所述多個特征進行排序；

最優(yōu)特征集選取單元，用于利用支持向量機對排序后的所述多個特征進行十折交叉驗證，以確定最優(yōu)特征集；

故障檢測單元，用于利用所述最優(yōu)特征集對測試樣本進行故障檢測。

優(yōu)選的，包括：所述數(shù)據(jù)預(yù)處理單元具體用于基于預(yù)設(shè)數(shù)據(jù)標準化公式對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)處理；

其中，所述數(shù)據(jù)標準化公式為：

其中，為訓(xùn)練樣本第j個特征值，為訓(xùn)練樣本第j個特征值均值，σ^[j]為訓(xùn)練樣本第j個特征的標準差，i＝1為正常訓(xùn)練樣本i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

優(yōu)選的，所述特征矩陣構(gòu)建單元具體用于以單位矩陣為基礎(chǔ)對于每一個特征進行重構(gòu)，得到特征矩陣

所述特征矩陣為：

其中，為訓(xùn)練樣本第j個特征值，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

優(yōu)選的，所述相異性計算單元包括：

第一計算模塊，用于計算所述第一特征矩陣的第一協(xié)方差矩陣和所述第二特征矩陣的第二協(xié)方差矩陣；

第二計算模塊，用于計算所述第一協(xié)方差矩陣和所述第二協(xié)方差矩陣的聯(lián)合協(xié)方差矩陣；

矩陣分解模塊，用于對所述聯(lián)合協(xié)方差矩陣進行特征分解，得到投影矩陣；

投影處理模塊，用于利用所述投影矩陣對所述第一特征矩陣進行投影，得到所述第一特征矩陣的投影矩陣；

第四計算模塊，用于計算所述第一特征矩陣的投影矩陣的協(xié)方差矩陣，并對所述第一特征矩陣的投影矩陣的協(xié)方差矩陣進行特征分解，得到特征值

第五計算單元，用于計算所述第一特征矩陣和所述第二特征矩陣的相異性

其中，

優(yōu)選的，所述故障檢測單元具體用于對測試樣本進行數(shù)據(jù)標準化處理，根據(jù)最優(yōu)特征集選取測試樣本的特征形成輸入數(shù)據(jù)，再用支持向量機分類確定測試樣本是否有故障。

經(jīng)由上述技術(shù)方案可知，本申請公開一種故障診斷方法和裝置。該方法先對正常訓(xùn)練樣本和故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理。進而，對于訓(xùn)練樣本的任一特征構(gòu)建特征矩陣，以計算正常訓(xùn)練樣本的特征矩陣和故障訓(xùn)練樣本的特征矩陣的相異性。進一步，基于相異性對多個特征進行排序，并利用支持向量機對排序后的多個特征進行十折交叉驗證，從而確定最優(yōu)特征集，以利用最優(yōu)特征集對測試樣本進行故障檢測。本發(fā)明將特征選擇與支持向量機相結(jié)合，利用特征之間的差異性，選出與該故障相關(guān)的特征，差異越大，代表該特征與正常情況下有了很大的偏離，說明該特征可能是造成故障的一個重要原因，從而減少無用特征對分類結(jié)果的影響，本發(fā)明可較為容易選擇出與故障相關(guān)的重要特征，提高了故障診斷的精度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖；

圖2示出了本發(fā)明另一個實施例公開的一種特征相似性的計算方法的流程示意圖；

圖3示出了一種基于svm的故障檢測結(jié)果；

圖4示出了一種基于linear-svm-rfe的故障檢測結(jié)果；

圖5示出了一種基于中diss-fs-svm(本發(fā)明)的故障檢測結(jié)果；

圖6示出了本發(fā)明另一個實施例公開的一種故障檢測裝置的結(jié)構(gòu)示意圖；

圖7示出了本發(fā)明另一個實施例公開的一種相異性計算單元的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

參見圖1示出了本發(fā)明一個實施例公開的一種故障檢測方法的流程示意圖。

由圖1可知，本發(fā)明包括：

s101：獲取正常訓(xùn)練樣本和故障訓(xùn)練樣本。

采集工業(yè)過程中的正常訓(xùn)練樣本和故障訓(xùn)練樣本

其中，n1和n2分別表示正常訓(xùn)練樣本和故障訓(xùn)練樣本的樣本數(shù)，m表示每個樣本的特征數(shù)。

s102：對所述正常訓(xùn)練樣本和所述故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理。

數(shù)據(jù)標準化的方法有很多種，常用的有“最大-最小標準化”、“z-score標準化”和“按小數(shù)定標標準化”等。經(jīng)過上述標準化處理，原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標測評值，即各個指標值都處于同一數(shù)量級別上。

在本實施例中，采用“z-score標準化”方法，即新數(shù)據(jù)＝(原數(shù)據(jù)-均值)/標準差。

具體在本實施例中，該公式為：

其中，為訓(xùn)練樣本第j個特征值，為訓(xùn)練樣本第j個特征值均值，σ^[j]為訓(xùn)練樣本第j個特征的標準差，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

s103：對于任一特征，構(gòu)建所述正常訓(xùn)練樣本的第一特征矩陣以及所述故障訓(xùn)練樣本的第二特征矩陣。

以單位矩陣為基礎(chǔ)對于每一個特征進行重構(gòu)，得到該特征對應(yīng)的特征矩陣

所述特征矩陣為：

其中，為訓(xùn)練樣本第j個特征值，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本，ni為訓(xùn)練樣本個數(shù)，m為特征個數(shù)。

s104：計算所述第一特征矩陣和所述第二特征矩陣的相異性。

s105：基于所述相異性對所述多個特征進行排序。

按照相異性從大到小的順序?qū)ι鲜龆鄠€特征進行排序，相異性越大表示該特征與正常情況下有了很大的偏離，該特征可能是造成故障的一個重要原因。

s106：利用支持向量機對排序后的所述多個特征進行十折交叉驗證，以確定最優(yōu)特征集。

采用支持向量機對排序后的多個特征進行十折交叉驗證，取分類效果做好的特征集作為最優(yōu)特征集。十折交叉驗證方法為本領(lǐng)域人員常用的方法，在此不作詳細的解釋。

s107：利用所述最優(yōu)特征集對測試樣本進行故障檢測。

獲取工業(yè)過程中的測試樣本，并利用步驟s102中的數(shù)據(jù)標準化處理方法對測試樣本進行標準化處理。根據(jù)上述得到的最優(yōu)特征集選取測試樣本的特征形成輸入數(shù)據(jù)，再利用支持向量機分類，輸出結(jié)果，以判斷測試樣本是否有故障，是否屬于此類故障。

本發(fā)明將特征選擇與支持向量機相結(jié)合，利用特征之間的差異性，選出與該故障相關(guān)的特征，差異越大，代表該特征與正常情況下有了很大的偏離，說明該特征可能是造成故障的一個重要原因，從而減少無用特征對分類結(jié)果的影響，本發(fā)明可較為容易選擇出與故障相關(guān)的重要特征，提高了故障診斷的精度。

參見圖2示出了本發(fā)明另一個實施例公開的一種特征相似性的計算方法的流程示意圖。

由圖2可知，在本發(fā)明中特征相似性的計算方法包括：

s201：計算第一特征矩陣的第一協(xié)方差矩陣和第二特征矩陣的第二協(xié)方差矩陣。

其中，協(xié)方差矩陣計算公式為：

s202：計算所述第一協(xié)方差矩陣和所述第二協(xié)方差矩陣的聯(lián)合協(xié)方差矩陣。

兩個特征矩陣的聯(lián)合協(xié)方差矩陣r^[j]：

s203:對所述聯(lián)合協(xié)方差矩陣進行特征分解，得到投影矩陣。

對r^[j]進行特征分解后得到特征向量和特征值，特征向量為一個正交化矩陣p0，特征值則為對角化矩陣λ，滿足r^[j]p0＝p0λ，從而得到投影矩陣p＝p0λ^-1/2。

s204：利用所述投影矩陣對所述第一特征矩陣進行投影，得到所述第一特征矩陣的投影矩陣。

投影后的矩陣可表示

s205：計算所述第一特征矩陣的投影矩陣的協(xié)方差矩陣，并對所述第一特征矩陣的投影矩陣的協(xié)方差矩陣進行特征分解，得到特征值

求得投影后矩陣的協(xié)方差矩陣對之進行特征分解特征值k＝1,2,...,m。

s206：計算所述第一特征矩陣和所述第二特征矩陣的相異性

兩個特征矩陣之間的相異性為

這里，越小，表示兩個特征是越相似；越大則表明兩個特征之間的差異也就越大，這個特征發(fā)生異常的可能性越大。

需要說明的是，為了進一步驗證本發(fā)明對故障檢測的精度更高，本發(fā)明在田納西伊斯曼過程(tennessee-eastmanprocess，tep)數(shù)據(jù)集上進行了測試。tep數(shù)據(jù)集中包含正常數(shù)據(jù)集和21種不同故障的數(shù)據(jù)集。

實驗表明本發(fā)明提出的基于特征相異性的特征選擇方法和支持向量機結(jié)合(即diss-fs-svm)可以改善傳統(tǒng)的支持向量機(svm)的故障診斷結(jié)果，同時對于非線性過程數(shù)據(jù)，基于特征相異性的特征選擇方法的表現(xiàn)要遠遠優(yōu)于線性svm特征選擇方法(即linear-svm-rfe)。不同故障的故障診斷結(jié)果如表1所示，故障11，16和21的檢測率在特征選擇之后都有了很大的提升。

表1不同故障用svm、linear-svm-rfe和diss-fs-svm的故障檢測率

以故障21為例作具體分析，基于特征相異的特征選擇方法選出的最優(yōu)特征集中只包含特征45，故障21產(chǎn)生的原因是流4的閥門固定在穩(wěn)態(tài)的位置，而特征45記錄的是流4的總進料量的數(shù)據(jù)，兩者都與流4有關(guān)，說明特征45的數(shù)據(jù)發(fā)生異常時會導(dǎo)致故障21的產(chǎn)生。svm、linear-svm-rfe和diss-fs-svm的過程監(jiān)控結(jié)果如圖3—5所示，圖3示出了一種基于svm的故障檢測結(jié)果。圖4示出了一種基于linear-svm-rfe的故障檢測結(jié)果，圖5示出了一種基于中diss-fs-svm(本發(fā)明)的故障檢測結(jié)果。

本發(fā)明能把故障21測試集中后800個故障數(shù)據(jù)都檢測出來，而svm檢測和linear-svm-rfe中的大多數(shù)故障數(shù)據(jù)都未能識別，說明基于相異的特征選擇方法能選出產(chǎn)生故障的關(guān)鍵特征，可以極大地改善過程監(jiān)控。

參見圖6示出了本發(fā)明另一個實施例公開的一種故障檢測裝置的結(jié)構(gòu)示意圖。

由圖6可知，該裝置包括：數(shù)據(jù)采集單元1、數(shù)據(jù)預(yù)處理單元2、特征矩陣構(gòu)建單元3、相異性計算單元4、特征排序單元5、最優(yōu)特征集選取單元6和故障檢測單元7。

其中，數(shù)據(jù)采集單元1，用于獲取正常訓(xùn)練樣本和故障訓(xùn)練樣本

其中，n1和n2分別表示正常訓(xùn)練樣本和故障訓(xùn)練樣本的樣本數(shù)，m表示每個樣本的特征數(shù)。

數(shù)據(jù)預(yù)處理單元2，對正常訓(xùn)練樣本和故障訓(xùn)練樣本進行數(shù)據(jù)標準化處理。

該數(shù)據(jù)標準化處理公式為：

其中，為訓(xùn)練樣本第j個特征值，為訓(xùn)練樣本第j個特征值均值，σ^[j]為訓(xùn)練樣本第j個特征的標準差，i＝1為正常訓(xùn)練樣本，i＝2為故障訓(xùn)練樣本。

特征矩陣構(gòu)建單元3，用于對于任一特征，構(gòu)建所述正常訓(xùn)練樣本的第一特征矩陣以及所述故障訓(xùn)練樣本的第二特征矩陣。

所述特征矩陣為：

相異性計算單元4用于計算所述第一特征矩陣和所述第二特征矩陣的相異性。

特征排序單元5基于上述計算得到相異性對所述多個特征進行排序。

進而，最優(yōu)特征集選取單元6利用支持向量機對排序后的所述多個特征進行十折交叉驗證，以確定最優(yōu)特征集。

故障檢測單元7，用于利用所述最優(yōu)特征集對測試樣本進行故障檢測。

參見圖7示出了本發(fā)明另一個實施例公開的一種相異性計算單元的結(jié)構(gòu)示意圖。

由圖6可知，該相異性計算單元包括：

第一計算模塊41用于計算所述第一特征矩陣的第一協(xié)方差矩陣和所述第二特征矩陣的第二協(xié)方差矩陣。

第二計算模塊42用于計算所述第一協(xié)方差矩陣和所述第二協(xié)方差矩陣的聯(lián)合協(xié)方差矩陣。

矩陣分解模塊43用于對所述聯(lián)合協(xié)方差矩陣進行特征分解，得到投影矩陣。

投影處理模塊44，用于利用所述投影矩陣對所述第一特征矩陣進行投影，得到所述第一特征矩陣的投影矩陣。

第四計算模塊45用于計算所述第一特征矩陣的投影矩陣的協(xié)方差矩陣，并對所述第一特征矩陣的投影矩陣的協(xié)方差矩陣進行特征分解，得到特征值

第五計算單元46用于計算所述第一特征矩陣和所述第二特征矩陣的相異性

其中，

需要說明的是該系統(tǒng)實施例與方法實施例相對應(yīng)，其執(zhí)行過程和執(zhí)行原理相同，在此不作贅述。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。