基于方向核偏最小二乘的工业过程故障诊断方法
【技术领域】
[0001] 本发明属于工业过程的故障监测与诊断技术领域，具体涉及基于方向核偏最小二 乘的工业过程故障诊断方法。
【背景技术】
[0002] 随着现代科学技术的不断发展，特别是计算机科学水平与控制水平的飞速提高， 现代工业过程越来越呈现出大型化、复杂化、整体化、高速化的形式。在提高工业过程生产 效率和产量的同时，如何提高工业过程系统的安全性、可靠性，防止和杜绝影响系统正常运 行的故障的发生和发展就成为一个重要的有待解决的问题。过程监测就是一门为了解决这 类问题而发展起来的技术。其目的一方面在于通过监测系统的行为和特性，加深对系统的 了解，以便更好地控制系统，提高产品的产量和质量，提高经济效益；另一方面在于避免了 系统的故障、设备的损坏和人员的伤亡，减少故障所带来的经济损失，提高产业的经济和社 会效益。传统的偏最小二乘（PLS)建模、监测与诊断方法虽然应用广泛，但其方法本身仍然 存在一些问题，阻碍了生产过程的精确建模与准确监测。第一个问题是PLS的残差中仍然 包含与输入变量有关的变异。由于输出相关变异的存在且没有被解释利用，PLS在监测和 诊断与输出变量有关的故障时具有局限性，不能达到最好的效果。第二个问题是PLS残差 空间中的变异量很大，不适合用平方预测误差（SPE)监测统计量对其进行监测。这是由于 PLS主元不是按照方差大小排列，很多包含大方差的主元被留到了 PLS残差子空间中。因 此，PLS残差子空间中的变异必须被减少。传统的主元分析（PCA)故障重构方法是将故障 数据空间分解成两个互相垂直的子空间，主元子空间和残差子空间。PCA是保持最主要的数 据分布方向，这些方向可以有效表示数据分布特征，但是PCA模型只是研宄了故障数据的 内部关系，不能够有效隔离数据中的故障信息和正常信息，而且基于PCA的重构对于关注 产品质量的生产过程适应性较差。另外实际工业过程中，变量之间往往呈现出非线性特征， 利用传统的线性方法进行重构也是不能达到满意的效果，所以需要对传统重构方法进行改 进，提高故障诊断水平。
【发明内容】
[0003] 针对现有技术的不足，本发明提出基于方向核偏最小二乘的工业过程故障诊断方 法。
[0004] 本发明技术方案如下：
[0005] 基于方向核偏最小二乘的工业过程故障诊断方法，包括以下步骤：
[0006] 步骤1 :获取易出故障的工业过程的输入变量和输出变量的历史正常数据，对该 历史正常数据进行基于方向核偏最小二乘运算，令历史正常输入数据映射的高维特征空间 F的PLS残差中有i个主元，求得该高维特征空间F的PLS残差中与输出变量相关的变异民 及其主元?；，则获得历史正常数据新的高维特征空间F的主元Td= [T，TJ，计算历史正常 数据的霍特林统计量€和历史正常数据的平方预测误差SPEd，并计算历史正常数据的霍特 林统计量g的控制限和历史正常数据的平方预测误差SPEd的控制限；
[0007] 步骤I. 1 :获取易出故障的工业过程的输入变量和输出变量的历史正常数据：对m 个历史正常数据进行η次采样，得到历史正常输入数据矩阵X和历史正常输出数据矩阵y ;
[0008] 步骤1. 2 :对历史正常输入数据矩阵X和历史正常输出数据矩阵y进行标准化处 理，得到预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y ;
[0009] 步骤1. 3 :选取非线性变换Φ (X)，将预处理后的历史正常输入数据X映射到历史 正常输入数据的高维特征空间F，利用径向基内积核函数，求出历史正常输入数据的初始核 矩阵K1;
[0010] 步骤1. 4 :对预处理后的历史正常输入数据X和预处理后的历史正常输出数据Y 进行KPLS运算，求得预处理后的历史正常输入数据X的PLS主元T、预处理后的历史正常输 出数据Y的PLS主元U和经过α次迭代后使预处理后的历史正常输出数据Y的PLS主元 U收敛的历史正常输出数据的核矩阵Κα+1;
[0011] 步骤1. 5 :令高维特征空间F的PLS残差中有i个主元，求得高维特征空间F的PLS 残差中与输出变量相关的变异民及其主元，则获得新的高维特征空间F的主元Td= [T， TJ ；
[0012] 步骤1.6 :计算历史正常数据的霍特林统计量rrf2和历史正常数据的平方预测误 差SPEd，并计算历史正常数据的霍特林统计量Γ/的控制限和历史正常数据的平方预测误差 SPEd的控制限。
[0013] 步骤2 :采集工业过程的输入变量的采样数据，对该采样数据进行基于方向核偏 最小二乘运算，令采样数据映射的高维特征空间Fmw的PLS残差中有i个主元，求得该高维 特征空间Fnrat的PLS残差中与输出变量相关的变异E 及其主元T nnOT，则获得采样数据新 的高维特征空间Fmw的主元T d,n"= [TnOT，TnnJ，计算采样数据的过程监测统计量和采 样数据的平方预测误差SPEd,new;
[0014] 步骤2. 1 :采集工业过程的输入变量的采样数据：对m个采样数据进行η次采样， 得到采样数据矩阵Xnew，并对其进行标准化处理，得到预处理后的采样数据Xnew;
[0015] 步骤2. 2 :利用非线性变换Φ (X)将预处理后的采样数据Xnew映射到采样数据的高 维特征空间Fnrat，利用径向基内积核函数，求出采样数据的初始核矩阵Kmw,1;
[0016] 步骤2. 3 :对预处理后的采样数据Xnew进行KPLS运算，求得预处理后的采样数据 Xmw的主元Tmw和经过α次迭代后的采样数据的核矩阵Kmw, α+1;
[0017] 步骤2. 4 :令采样数据的高维特征空间Fnrat的PLS残差中有i个主元，求得该高维 特征空间Fnrat的PLS残差中与输出变量相关的变异E 及其主元T nnOT，获得采样数据的新 的高维特征空间Fnew的主元T d,n"= [T nOT，I；,nOT];
[0018] 步骤2. 5 :计算采样数据的过程监测统计量和采样数据的平方预测误差SPEd, new °
[0019] 步骤3 :当采样数据的过程监测统计量7^_超出历史正常数据的过程监测统计量 g的控制限或者采样数据的平方预测误差SPEd, new超出历史正常数据的平方预测误差SPE d的控制限，则该采样数据中具有一种故障，执行步骤4,否则，将该采样数据视为正常数据；
[0020] 步骤4:获取已知故障类型的历史故障数据，对已知故障类型的历史故障数据进 行基于霍特林统计量重构和基于平方预测误差重构，判断采样数据的故障类型；
[0021] 步骤4. 1 :获取已知故障类型的L种历史故障数据Xf>1，Xf,2, . . .，Xfa;
[0022] 步骤4. 2 :选取已知故障类型的L种历史故障数据中的第1类历史故障数据Xf, p 1 = 1，2, ...，L，将高维特征空间的历史正常输入数据Φ (X)沿着高维特征空间的第1类 历史故障数据Φ (Xf, 〇的故障方向进行重构，重构出高维特征空间的第1类历史故障数据 Φ (XfJ出现故障的主元方向；
[0023] 步骤4. 3 :对第1类历史故障数据Xf,i进行基于霍特林统计量重构，计算第1类历 史故障数据Xf, i的新的霍特林统计量的正常部分负载向量\获得第1类历史故障数据重 构后的霍特林统计量的正常部分Ep,1;
[0024] 步骤4. 4 :对第1类历史故障数据Xfa进行基于平方预测误差重构，计算第1类历 史故障数据Xf, i的新的平方预测误差的正常部分负载向量获得第1类历史故障数据重 构后的平方预测误差的正常部分Εε,1;
[0025] 步骤4. 5 :将采样数据代入第1类历史故障数据重构后的霍特林统计量的正常部 分，得到采样数据相对第1类故障数据重构后的霍特林统计量的正常部分EpImw，将采样数 据相对第1类故障数据重构后的霍特林统计量的正常部分Ep,Uot进行基于方向核偏最小二 乘运算，得到采样数据相对第1类故障数据重构后的霍特林统计量的正常部分Ep,的主 ^ ^pd, I, new [T p, 1，new，Tpr, ]_，new];
[0026] 步骤4. 6 :计算相对第1类故障数据重构后的采样数据的正常部分的霍特林统计 里上p，/，new . *
[0027] 步骤4. 7 :将采样数据代入第1类故障数据重构后的平方预测误差的正常部分，得 到采样数据相对第1类故障数据重构后的平方预测误差的正常部分氏,
[0028] 步骤4. 8 :计算相对第1类故障数据重构后的采样数据的正常部分的平方预测误 差 SPEeIliew;
[0029] 步骤4. 9 :当相对第1类故障数据重构后的采样数据的正常部分的霍特林统计量 在第1类故障数据对应的霍特林统计量的控制限以下，同时相对第1类故障数据重构 后的采样数据的正常部分的平方预测误差SPEu^w在第1类故障数据对应的平方预测误差 控制限以下时，则该采样数据的故障类型为第1类故障，否则，该采样数据的故障类型不是 第1类故障，重新选择故障类型1，返回步骤4. 2。
[0030] 本发明的有益效果是：
[0031] 本发明提出的基于方向核偏最小二乘的工业过程故障诊断方法，解决了传统方法 中残差空间中存在质量相关变异以及变异量很大的问题，提高了对于非线性数据故障的检 测能力，解决了非线性系统的故障诊断问题。结果表明，对于关注产品质量的非线性过程， 基于方向核偏最小二乘的监测效果更好。基于方向核偏最小二乘故障重构方法能够有效得 到故障数据的故障主元方法和故障方向，以及重构恢复后的正常数据，能够使得统计量超 限现象快速消除。
【附图说明】
[0032] 图1为本发明【具体实施方式】中的基于方向核偏最小二乘的工业过程故障诊断方 法的流程图；
[0033] 图2为本发明【具体实施方式】中的计算历史正常数据的霍特林统计量g的控制限和 历史正常数据的平方预测误差SPEd的控制限的流程图；
[0034] 图3为本发明【具体实施方式】中的计算采样数据的过程监测统计量和采样数据