一种基于非线性故障重构的故障预测方法
【专利摘要】本发明涉及一种基于非线性故障重构的故障预测方法，其包括如下步骤：1）利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模，并进行异常检测，提取故障信息，其中KPCA模型为核主元分析模型；2）通过步骤1）中的KPCA模型和异常检测实现对故障程度进行定量描述，并采用最优化方法求解故障重构下的故障估计；3）用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测。本发明能有效提高故障预报效率，减少误报和漏报率，为进一步研究复杂机械系统的预测维护技术奠定基础。本发明可以广泛应用在石化、治金、煤炭等诸多企业的大型机电设备的在线监控系统中。
【专利说明】一种基于非线性故障重构的故障预测方法
【技术领域】
[0001]本发明涉及一种故障预测方法，特别是关于一种机械故障检测【技术领域】中的基于非线性故障重构的故障预测方法。
【背景技术】
[0002]随着科学技术和现代工业的飞速发展，国民经济的机械、能源、石化、运载和国防等行业的装备日趋大型化、高速化、集成化和自动化，这类复杂系统一旦发生事故，便会造成巨大的财产损失和人员伤亡。因此，防范因部件性能退化导致的安全问题已成为复杂系统日常运行所要面临的重要难题。故障预测作为预测维护的重要环节，现已得到国内外专家的广泛关注。
[0003]在复杂工业过程环境下，传统的基于过程机理模型的故障诊断技术难以发挥作用，而数据驱动的过程监控技术在近年来得到了较好的发展。在数据驱动的方法中，研究内容和应用案例数量最多的是基于统计的方法。多元统计过程监控技术在诸多不同的工业过程控制领域得到了成功的应用，包括化工过程，高分子聚合物，微电子制造等等。多元统计过程监控主要由多元投影方法和多元控制图构成。其中多元投影方法的基本思想是将被监测的样本向量从高维的变量空间投影到由较少潜变量所张成的潜空间中去。多元控制图则是基于这种空间分解的结构，分别构造出反映所在空间变化的统计量，用以监测过程的异常。但是传统的统计模型是线性的，而在实际过程中，数据之间的关系一般是非线性的。如果这种非线性特性较强时，用线性模型进行过程监控容易导致大量误报和漏报。
[0004]对于一般的线性故障过程，可以采用自回归建模或是指数平滑模型，因为它们易于计算和使用。但前提都是假定故障过程可以被直接观测，但是实际上这一点是很难满足的。现有技术中采用将故障强度建模成一个离散的随机系统，虽然不能被测量，却能影响被测变量，即隐马尔科夫模型(HMM);还有采用半隐马尔科夫模型(HSMM)，将状态停留时间也考虑进去。尽管基于HMM和HSMM的方法能够处理隐含故障过程，但是它只能考虑单个部件的剩余有效寿命预测。对于一个大型的工业过程，对整个过程或设备的健康情况进行预测是更为重要的问题。由此可知，现有复杂系统的隐含性能退化故障预测问题的主要难点有以下两个方面:(I)多变量预测问题。目前人们主要利用单变量信号进行故障诊断，采用单一传感器所提供的信息进行研究有很大的局限性。采用多变量的故障预测方法才能进行整个系统级别的故障预测。(2)非线性问题。传统的将非线性因素忽略掉的结果往往并不理想，随着对故障检测和预测要求日益提高，原可忽略的非线性问题越来越突出。
【发明内容】
[0005]针对上述问题，本发明的目的是提供一种基于非线性故障重构的故障预测方法，该故障预测方法能提高故障预报效率，减少误报和漏报率，为进一步研究复杂机械系统的预测维护技术奠定基础。
[0006]为实现上述目的，本发明采取以下技术方案:一种基于非线性故障重构的故障预测方法，其包括如下步骤:1)利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模，并进行异常检测，提取故障信息，其中KPCA模型为核主元分析模型；2)通过步骤I)中的KPCA模型和异常检测实现对故障程度进行定量描述，并采用最优化方法求解故障重构下的故障估计；所述最优化方法求解故障重构下的故障估计包括以下步骤:(1)确定故障方向的提取:若故障方向未知，需要从已有的历史故障数据中提取故障方向，令Xf= [Xl，x2，...，xnf]τ代表故障方向Ξ下的故障数据，
【权利要求】
1.一种基于非线性故障重构的故障预测方法，其包括如下步骤: 1)利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模，并进行异常检测，提取故障信息，其中KPCA模型为核主元分析模型； 2)通过步骤I)中的KPCA模型和异常检测实现对故障程度进行定量描述，并采用最优化方法求解故障重构下的故障估计；所述最优化方法求解故障重构下的故障估计包括以下步骤: (1)确定故障方向的提取:若故障方向未知，需要从已有的历史故障数据中提取故障方向，令Xf= [Xl，x2，...，xnf]τ代表故障方向Ξ下的故障数据，Ξ e Rmxd ;并采用滑动平均滤波法消除非线性故障数据中的正常部分<对非线性故障数据Xi的影响，滤波后故障数据矩阵 为:
2.如权利要求1所述的一种基于非线性故障重构的故障预测方法，其特征在于:所述步骤I)中，异常检测故障提取过程中，采用衡量过程数据主要变化的HotellingT2统计量和衡量过程残差部分的SPE指标两类检测指标进行过程检测，其中SPE指标为平方预测误差指标，Hotelling T2统计量、SPE指标分别计算如下:
【文档编号】G06F19/00GK103714255SQ201310744101
【公开日】2014年4月9日 申请日期:2013年12月30日 优先权日:2013年12月30日
【发明者】马洁 申请人:北京信息科技大学