基于切换线性动态系统模型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控制领域，尤其涉及一种基于切换线性动态系统模型的工业 过程故障诊断方法。
【背景技术】
[0002] 近年来，工业生产过程的故障诊断问题越来越得到工业界和学术界的广泛重视。 一方面，实际的工业过程因为其过程复杂，操作变量多，存在非线性、非高斯、动态性等阶 段，在单一假设下，运用某一种方法，其诊断效果有很大的局限。另一方面，如果不对过程 进行很好的监测，对可能发生的故障进行诊断，有可能会发生操作事故，轻者影响产品的质 量，重者将会造成生命和财产的损失。因此，找到更好的过程故障诊断方法，并及时正确地 诊断故障已经成为工业生产过程的研宄热点和迫切需要解决的问题之一。
[0003] 传统的工业过程故障诊断方法除了基于机理模型的方法外，大多采用多元统计分 析方法，比如费舍尔判别分析法（FDA)、支持向量机方法（SVM)和隐马尔可夫模型（HMM)等。 在机理模型难以获取的情况下，基于数据驱动的多元统计分析方法已经成为工业过程监测 和故障诊断的主流方法。但是，传统的多元统计分析方法大多没有考虑过程数据的序列相 关性和过程变量的随机性，比如费舍尔判别分析法（FDA)、支持向量机方法（SVM)。虽然隐 马尔可夫模型（HMM)考虑了过程数据的序列相关性和过程变量的随机性，但无法精确描述 非常复杂的工业过程。相比之下，切换的线性动态系统模型既考虑了动态性和随机性，又采 用了连续的隐变量来更加精确地描述复杂的工业过程，本发明采用该方法替代原有的多元 统计分析方法对过程故障进行诊断。传统的监测方法假设过程运行在单一条件下，已经无 法满足实际工业过程的监测要求。即使对过程的不同工作条件分别进行建模，也无法达到 满意的监测效果。因为对新的过程数据进行监测时，需要结合过程知识对该数据的工作条 件进行判断，并选取相应的监测模型，这就大大增强了监测方法对过程知识的依赖性，不利 于工业过程的自动化实施。
【发明内容】
[0004] 本发明的目的在于针对现有技术的不足，提供一种基于切换线性动态系统模型的 工业过程故障诊断方法。
[0005] 本发明的目的是通过以下技术方案来实现的：一种基于切换线性动态系统模型的 工业过程故障诊断方法，包括以下步骤：
[0006] (1)利用集散系统收集过程正常工况的数据以及从正常工况运行到发生各种故障 工况的数据形成的观测序列，组成建模用的训练样本集：x。= [x1;x2;…;XnJ。其中Xmx= [χ1;χ 2;…;xN] e Rnxv，nex = 1，2,…，Nex为对应于第nex个观测序列的数据矩阵，R为实 数集且Rnxv表示Xmx满足NXV的二维分布，N为每个序列的采样数据点数，V为过程变量 个数。
[0007] (2)假设故障工况类别为S，再加上一个正常工况类，建模数据的总类别为S+1。在 不破坏时序的条件下，从训练样本集X。中分离出不同类别的数据，组成用于线性动态系统 建模的训练样本叉=[名;足;…;見+1]。其中足，χΓ，S = 1，2,…，S+1为 对应于第s类工况的数据矩阵，M为每一类工况的样本序列长度，V为过程变量个数。将这 些数据存入历史数据库。
[0008] (3)从历史数据库中调用训练样本J ,采用期望最大化方法对正常工况类和每个 故障工况类别分别建立线性动态系统模型，得到模型参数Θ (s)，S= 1，2,…，S+1。
[0009] (4)从历史数据库中调用训练样本X。，计算切换线性动态系统模型的初始状态概 率分布JiciE Rs+1和状态转移概率矩阵K e R (s+1)x(s+1)，得到切换线性动态系统模型的参数 Θ = {Ji 〇, Κ，Θ (s)，s = 1，2, · · · S+1} 〇
[0010] (5)将建模数据LX和模型参数Θ存入历史数据库中备用。
[0011] (6)收集新的在线过程数据Xbct =[0Γ;···;ΟΓ'>其中e炉为当前t 时刻的在线过程数据，…;为t时刻之前收集的过程数据，采用高斯和滤波 方法计算当前监测数据在正常工况和各个故障工况下的后验概率，并给出故障诊断结 果。
[0012] 本发明的有益效果是：本发明通过对工业过程的混合数据进行工况划分，对每一 个工况类别数据分别建立线性动态系统模型，然后建立切换线性动态系统模型，最后通过 高斯和滤波方法对当前监测数据进行故障诊断。相比目前的其它故障诊断方法，本发明不 仅提高了工业过程的故障诊断效果，增强了过程操作员对过程状态的掌握，使工业生产更 加安全，产品质量更加稳定；而且很大程度上改善了故障诊断方法对过程知识的依赖性，更 加有利于工业过程的自动化实施。
【附图说明】
[0013] 图1是本发明方法和HMM方法对TE过程的正常工况和故障1工况数据的诊断图；
[0014] 图2是本发明方法对TE过程的正常工况和故障工况数据的诊断图；
[0015] 图3是HMM方法对TE过程的正常工况和故障工况数据的诊断图。
【具体实施方式】
[0016] 下面结合附图和具体实施例对本发明进行详细说明。
[0017] 本发明给出一种基于切换线性动态系统模型的工业过程故障诊断方法，该方法针 对工业过程的故障诊断问题，首先利用集散控制系统收集正常工况的数据以及从正常工况 运行到发生各种故障工况的数据，并对其进行工况类别划分。然后分别针对不同的工况类 别建立线性动态系统模型，并接着建立切换线性动态系统模型。把模型参数存入数据库中 备用。对新的在线数据进行监测和故障诊断的时候，首先利用高斯和滤波方法得到该数据 在各类工况下的后验概率，然后获得故障诊断结果。
[0018] 本发明采用的技术方案的主要步骤如下：
[0019] 第一步：利用集散系统收集过程正常工况的数据以及从正常工况运行到发生各种 故障工况的数据形成的观测序列，组成建模用的训练样本集：X。= [x1;x2;…；XNraJ。其中 Xnex= [X1;X2;…;xJ e RNXV，neX= I，2,…，Nex为对应于第nex个观测序列的数据矩阵， R为实数集且Rnxv表示Xnex满足NXV的二维分布，N为每个序列的采样数据点数，V为过程 变量个数；
[0020] 第二步：假设故障工况类别为S，再加上一个正常工况类，建模数据的总类别为 S+1。在不破坏时序的条件下，从训练样本集X。中分离出不同类别的数据，组成用于线性 动态系统建模的训练样本文=[兄;足;…;毛+1]。其中兄=[?···;；^>/? νχΓ，s = 1，2,…，S+1为对应于第s类工况的数据矩阵，M为每一类工况的样本序列长度，V为过程变 量个数。将这些数据存入历史数据库；
[0021] 在历史数据库中对采集到的过程数据进行预处理，剔除野值点和明显的粗糙误差 数据。
[0022] 第三步：从历史数据库中调用训练样本X，采用期望最大化方法对正常工况类和 每个故障工况类别分别建立线性动态系统模型，得到模型参数Θ (s)，s = 1，2,…，S+1 ;
[0023] 对于每个工况类别的数据矩阵文^,，s = 1，2,…，S+1采用期望最大化方法求出模 型参数 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为传递矩阵，H为隐空间的维度；B(s) GRvxh为映射矩阵；Σ h(s) GRhxh为隐 空间噪声nhe Rh的方差，Σ X(S) e Rvxv为观测噪声n Rv的方差，假设噪声变量n h和 nx都服从零均值，方差分别为Σ h(s) x(s)的高斯分布；y " (s) e Rh和Σ " (s) e Rhxh 分别为服从高斯分布的初始时刻隐变量he Rη的均值和方差。用期望最大化方法建模的 具体实现步骤如下所示：
[002