基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法

1、周瑞坤周瑞坤魏宇濤魏宇濤曹凱曹凱2015-11-05基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法背景基于統(tǒng)計(jì)分析基于信號分析基于定量知識致謝故障診斷技術(shù)的現(xiàn)狀 近20年來，現(xiàn)代化工、冶金、機(jī)械、物流等工業(yè)呈現(xiàn)大型化、復(fù)雜化發(fā)展的新趨勢，這些大型復(fù)雜化工業(yè)過程的一個(gè)共同點(diǎn)就是一方面無法依靠傳統(tǒng)方法建立精確的物理模型，另一方面產(chǎn)生大量反應(yīng)過程運(yùn)行機(jī)理和運(yùn)行狀態(tài)的數(shù)據(jù)，由于實(shí)際限制、成本優(yōu)化、技術(shù)商機(jī)等因素的考量，如何利用這些數(shù)據(jù)來滿足日益提高系統(tǒng)可靠性要求已經(jīng)成為亟待解決的問題。 基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測技術(shù)，實(shí)現(xiàn)了大型復(fù)雜系統(tǒng)需要監(jiān)控的變量大幅度增加和獲得的大型數(shù)據(jù)和小型簡單過程相比呈量級增長的需要。分類故障診斷方

2、法可以分為三類：基于數(shù)據(jù)故障診斷方法 基于數(shù)據(jù)驅(qū)動(dòng)故障診斷方法可以看做是基于數(shù)據(jù)驅(qū)動(dòng)的控制優(yōu)化方法的一個(gè)子領(lǐng)域，其核心思想是如何利用受控系統(tǒng)的在線和離線數(shù)據(jù)，該方法所采用的數(shù)據(jù)來源于當(dāng)前采樣的在線數(shù)據(jù)和系統(tǒng)存儲(chǔ)的大量歷史離線數(shù)據(jù)。所以，明確離線、在線的區(qū)別和對于數(shù)據(jù)的要求，是實(shí)現(xiàn)數(shù)據(jù)利用的第一步。 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法可作為基于機(jī)理模型方法的重要補(bǔ)充，目前采用的分布式控制系統(tǒng)（DCS）可以提供一個(gè)用于全局管理監(jiān)控的平臺(tái)，用高質(zhì)量的過程數(shù)據(jù)進(jìn)行過程優(yōu)化和監(jiān)控?；诮y(tǒng)計(jì)分析基于統(tǒng)計(jì)分析的方法主要依靠分析過程數(shù)據(jù)統(tǒng)計(jì)量，從其中的變化提取特征。應(yīng)用統(tǒng)計(jì)理論進(jìn)行故障診斷的前提是系統(tǒng)中必須出現(xiàn)故障，

3、否則過程數(shù)據(jù)的特征統(tǒng)計(jì)量只能在一定的、可以接受的范圍內(nèi)波動(dòng)。雖然某個(gè)變量每次觀測的具體數(shù)值不能準(zhǔn)確預(yù)測，但其平均值和方差等特征統(tǒng)計(jì)量會(huì)保持不變，這種特性成為特征統(tǒng)計(jì)量的可重復(fù)性，利用該重復(fù)性可以針對特定變量設(shè)定特定的門限值，從而有效地檢測出異常狀態(tài)?；赑CA基于規(guī)則變量基于PLS基于規(guī)則變量基于Fisher判別基于Fisher判別基于PCAPCA技術(shù)將系統(tǒng)高維歷史數(shù)據(jù)組成矩陣，進(jìn)行一系列矩陣運(yùn)算后確定若干正交向量，歷史數(shù)據(jù)在這些向量上的投影反映數(shù)據(jù)變化最大的幾個(gè)方向，舍去數(shù)據(jù)變化較小的方向，由此可將高維數(shù)據(jù)降維表示.PCA降維自相關(guān)性 對于間隔較短的優(yōu)化工程，除了考慮不同變量之間的相關(guān)性，還

4、要考慮自相關(guān)性。方法：采用動(dòng)態(tài)的PCA技術(shù)，構(gòu)造一個(gè)t時(shí)刻和歷史數(shù)據(jù)的訓(xùn)練矩陣。利用PCA技術(shù)降維后，通常只需23維即可反映歷史數(shù)據(jù)的大部分變化方向，進(jìn)而從海量數(shù)據(jù)中抓住主要部分，極大簡化數(shù)據(jù)利用。111212122212mmnnnmxxxxxxXxxx11211TTTttt hTTTttt hTTTt h nt h nt nxxxxxxXxxx 基于PCAPCA綜述與擴(kuò)展從以上可以看出，PCA本質(zhì)上是對歷史數(shù)據(jù)集所構(gòu)成的輸入空間作線性變換，使的它只對服從高斯分布數(shù)據(jù)特征的提取效果明顯，但在多數(shù)情況下數(shù)據(jù)集具有任意分布的特點(diǎn)，特別是在非線性結(jié)構(gòu)和不能用線性分類的情況下，傳統(tǒng)PCA方法顯得力不從

5、心。KPCA是一種非線性是一種非線性PCA技術(shù)，技術(shù)，首先通過一個(gè)非線性映射函首先通過一個(gè)非線性映射函數(shù)數(shù)將歷史數(shù)據(jù)映射到特征將歷史數(shù)據(jù)映射到特征空間空間F的數(shù)據(jù)空間中；然而對的數(shù)據(jù)空間中；然而對F中數(shù)據(jù)集運(yùn)用中數(shù)據(jù)集運(yùn)用PCA技術(shù)進(jìn)行技術(shù)進(jìn)行數(shù)據(jù)分類。數(shù)據(jù)分類。KPCA的關(guān)鍵在于，的關(guān)鍵在于，通過預(yù)選的核函數(shù)代替映射通過預(yù)選的核函數(shù)代替映射函數(shù)函數(shù)作用時(shí)，要進(jìn)行內(nèi)積作用時(shí)，要進(jìn)行內(nèi)積運(yùn)算，不用必須找到運(yùn)算，不用必須找到，將，將PCA方法擴(kuò)展到基于神經(jīng)網(wǎng)方法擴(kuò)展到基于神經(jīng)網(wǎng)絡(luò)的非線性絡(luò)的非線性PCA，在某些數(shù)，在某些數(shù)據(jù)具有非線性的情況下，非據(jù)具有非線性的情況下，非線性線性PCA神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)

6、神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)PCA能夠更多地捕捉到數(shù)據(jù)變化。能夠更多地捕捉到數(shù)據(jù)變化。PLSPLS方法相比于PCA的優(yōu)缺點(diǎn) PCA PCA方法找出訓(xùn)練數(shù)據(jù)方法找出訓(xùn)練數(shù)據(jù)X X變化最變化最大的幾個(gè)方向，代表這幾個(gè)方向大的幾個(gè)方向，代表這幾個(gè)方向的向量組成裝載矩陣對新觀測數(shù)的向量組成裝載矩陣對新觀測數(shù)據(jù)進(jìn)行歸類，從而到故障分類的據(jù)進(jìn)行歸類，從而到故障分類的作用。作用。 PLS PLS方法通過最大化方法通過最大化X X和和Y Y之間之間的協(xié)方差來確定裝載向量，這樣的協(xié)方差來確定裝載向量，這樣找出的的裝載向量能夠準(zhǔn)確地表找出的的裝載向量能夠準(zhǔn)確地表現(xiàn)不同故障差異，利于進(jìn)行分類?，F(xiàn)不同故障差異，利于進(jìn)行分類。 不足

7、之處：是裝載向量只反映不足之處：是裝載向量只反映了了X X變化最大的幾個(gè)方向，當(dāng)這變化最大的幾個(gè)方向，當(dāng)這些方向不足以包含區(qū)分故障所需些方向不足以包含區(qū)分故障所需要的足夠信息時(shí)，要的足夠信息時(shí)，PCAPCA就不能起就不能起到故障分類的作用。到故障分類的作用。100010000100010000000001Y 在模式分類中，通常用“1”表示同類，“0”表示非同類，前n1行只有第1列元素為1，其余為0，表示有n1個(gè)數(shù)據(jù)屬于故障類1，后N2行與前n1行數(shù)據(jù)線性無關(guān)，表示n2個(gè)數(shù)據(jù)屬于故障類2，以此類推。在PLS方法中，行列重新排列，假設(shè)有p類故障，每類故障觀測到的向量數(shù)分別為ni（1ip），X中的前n1行放置屬于故障類1的觀測數(shù)據(jù)，n2行放置故障類2的觀測數(shù)據(jù)，以此類推，對應(yīng)X選取的Y的一種形式如下：基于信號分析基于信號分析的故障診斷方法就是利用各種信號分析技