基于统计理论的工业过程故障诊断方法研究

发布时间：2020-04-26 00:55

【摘要】：随着工业过程生产规模的不断扩大,系统复杂性的日益提高,有效的故障诊断方法成为了保证工业生产安全和提高产品质量的关键。基于统计理论的方法作为故障诊断领域的主要方法之一,已经受到了国内外研究人员的广泛关注并得到了较快的发展。该方法具有不需要建立系统精确数学模型的优势,主要依赖正常过程数据建立统计模型,从统计学角度对生产过程的安全性进行描述。然而,由于现代生产过程的复杂性与多样性、传感器的大量使用以及产品规格的改变等,会导致采集和存储的过程数据具有不同的特性,如非高斯、非线性、多模态、多阶段以及维数过高等,这通常会限制一些传统方法的使用,导致故障诊断结果精度不高或产生误检测和误诊断。因此,针对不同性质的过程数据,探索有效的故障检测方法并保证检测精度是该领域需要解决的重点问题。当检测到过程中存在异常或故障时,及时识别和定位故障根源,追溯各种故障发生时对应的异常变量即“征兆”,建立精确的“故障-征兆”表并将其作为后续故障评价与决策时的可用知识库,最终实现工业过程的智能化故障诊断是必要的,目前也成为该领域的研究热点。本文在深入了解生产过程中的过程特性、数据特性以及传统的基于统计理论故障诊断方法的基础上,分别针对过程中不同的数据特性研究了一系列故障检测方法;并根据变量推理、k-NN变量贡献分析等知识研究了基于分布式主元分析与数据重构的故障识别与定位方法,包含故障存在时异常变量的初步识别与精确定位。本文的研究内容主要有以下几个方面:(1)针对工业过程中数据的非高斯、非线性特性以及维数过高的问题,通过引入了动力系统中的扩散映射方法对过程数据进行非线性降维,并在扩散映射空间的基础上研究了一种新的基于特征空间k近邻(k Nearest Neighbor,k-NN)扩散距离的故障检测方法。首先,通过分析原始数据点之间的内在关系,将正常高维数据映射到能够代表原始数据绝大多数信息的低维扩散空间;其次,使用扩散距离的近邻法则寻找每个低维样本点在特征空间中的前k个最近邻样本;再次,建立每个正常样本的k近邻距离统计量,采用适合处理非高斯数据的核密度估计方法计算正常模型的统计控制阈值,并对工业过程进行故障检测。(2)针对工业过程数据具有的多模态特性问题,首先研究了一种基于加权k近邻标准化(Weighted k Neighbor Standardisation,WKNS)策略的数据预处理方法。不同于传统的z-score 和局部近邻标准化(Local Neighborhood Standardisation,LNS)方法,WKNS 方法的原理是对正常数据集中每个样本采用加权k近邻均值和标准差进行标准化处理,其目的是将不同分布条件下的多模态或多工况数据转化为近似服从同一分布或单峰高斯分布的数据,抹除多模态数据中包含的多种分布特征,同时也不破坏变量之间的相互关系。随后,将WKNS方法与传统的主元分析(Principal Component Analysis,PCA)方法相结合,提出了一种新的WKNS-PCA方法对多模态过程进行故障检测;该方法可以避免建模过程中建立多个模态模型,检测过程中判断新样本属于哪一个模型的情况,同时也大大提高了故障检测精度。(3)针对过程中存在故障时的异常变量初步识别问题,研究了一种基于分布式主元分析(Distributed Principal Component Analysis,DPCA)和变量推理策略的故障诊断方法。在对工业过程检测之前,首先使用相关变量选择方法判别原始数据集中过程变量的归属并进行分布式建模;其次,确定每一个分布式模型的检测控制阈值,并对新的样本进行实时监测,确定发生故障的子模型和无故障子模型;最后,根据变量推理策略并结合传统的变量贡献图方法对过程中变量是否发生异常进行初步识别。该方法不仅可以确定过程中的正常变量,找到导致故障发生的主要责任变量,对于不能确定是否存在异常的变量也给出了初步判断。(4)针对过程中存在故障时异常变量的精确识别以及如何准确建立“故障-征兆”表的问题,研究了一种基于k-NN变量贡献分析和数据重构的异常变量精确定位方法。首先,该方法将k-NN算法中各个采样时刻的统计距离指标细化,分解为每个变量的贡献并对其进行详细分析,分别从单变量和多变量异常角度进行了方法的可行性验证,确定过程故障时异常变量具有较大的贡献值;其次,建立正常数据中每个变量的贡献模型用于对故障样本中的异常变量进行“一次”识别;随后,分别对四种基于k-NN理论的数据重构方法进行了研究,包括均值k-NN、k-1NN、加权k-NN和CNN(Center Nearest Neighbor)方法,并从重构原理及精度方面进行了分析,验证了 CNN方法在数据重构方面具有一定的优势。对于故障样本,先根据变量贡献分析方法求取每个变量对距离指标的贡献,“一次”识别出故障发生时所对应的异常变量或征兆;进而通过CNN数据重构方法对故障样本中异常变量值进行重构、检测和“二次”识别,直至辨识出所有发生异常的变量;该方法进一步保证了辨识到的异常变量准确无误,并得到故障与变量之间的关系,即“故障-征兆”表。
【图文】：

示意图,解析模型,故障诊断,示意图

逦１相关分析逡逑—Ｉ小波变换Ｉ逡逑图１．２故障诊断方法分类示意图逡逑Ｆｉｇ邋１．２邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋ｄｉａｇｒａｍ邋ｆｏｒ邋ｆａｕｌｔ邋ｄｉａｇｎｏｓｉｓ邋ａｐｐｒｏａｃｈｅｓ逡逑等价空间法：基于等价空间的故障诊断方法主要利用系统的解析数学模型建立系逡逑统输入输出变量之间存在的可以反映输出变量之间静态的直接冗余和输入输出变量之间逡逑动态的解析冗余的等价数学关系，然后通过检验实际系统的输入输出值是否满足该等价逡逑关系，实现检测和识别故障的目的［１６］。由于该方法在应用时需要较多的冗余信息，过逡逑程中具有较多的过程变量（测量信号较多），，就会导致计算量过于繁琐，不利于提取有效逡逑信息。另外，等价空间法在使用时若选择低阶的等价向量意味着在线实现较为简单，但逡逑性能较差；选择高阶的等价向量虽然性能较好，但需要较大的计算量，而且容易导致错逡逑误的诊断结果［１６］。逡逑基于解析模型的故障诊断方法能够深入系统本质，可以有效量化过程的动态波逡逑动；其缺点是当系统模型未知、不准确或过程中具有非线性时

故障检测,过程流程图,建模,统计量

ｍｉｎ邋＋为异常样本与训练样本之间的距离统计量；ｍｉｎ尤为正常样本与训练样逡逑本之间的距离统计量。基于ｋ－ＮＮ规则的故障检测方法通常可分为建模和故障检测阶逡逑段，如图２．１所示。逡逑⑴建模阶段逡逑１）
【学位授予单位】：东北大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：F224

【参考文献】