基于数据驱动的工业过程故障诊断研究

第 1 章 绪论

1.1 课题的研究背景

当今社会科学技术发展迅速、贸易竞争异常激烈，各个企业不得不持续地进行技术改革与创新来谋求生存和发展的机会，由此使得生产设备向大型化、自动化、智能化、低能耗等方向发展。因此，一旦生产系统出现故障，轻则导致整个设备或系统运行瘫痪，影响企业的正常运行和经济效益，重则会发生人员伤亡的事件，给企业带来负面的影响[1]。近几十年，全球范围内不断发生的工业事故造成了灾难性的损失。1984年，位于印度的一家美国化工农药公司发生毒气泄漏事件，直接造成 2500 多人死亡，受伤人数达 60 多万人[2]。2003 年，美国“哥伦比亚”号航天飞机上起着隔离材料作用的泡沫存在瑕疵，导致泡沫从机外的油箱上脱落，引发飞机在结束飞行任务之前爆炸，机上所有成员遇难的重大灾难性航空事故。

...............

1.2 故障诊断技术概念

工业故障诊断的理论研究来源于 1971 年 Beard 博士所提出的用解析冗余代替硬件冗余的理论[4]。到了上世纪 70 年代，随着检测滤波器、广义似然比等故障诊断理论算法被提出[5]，故障诊断理论与应用得到了快速地发展。例如，故障诊断被应用于航空航天、发电以及核工业等领域。目前，小波分析、故障树、神经网络、人工智能、支持向量机、遗传算法等理论和方法已被推广到故障诊断领域，并取得了较好的成绩[6-10]。在应用领域，1967 年美国“阿波罗”号由于设备故障引发了一系列的悲剧，使美国航天国家宇航局(NASA)意识到故障诊断的重要性，开始积极投入到故障机理、监测、诊断技术的研究和开发，并将这些技术成功应用于航天、航空、军事等领域。英国在 70 年代初，为了开发、研究诊断技术专门成立了“英国机器保健中心(U.K. MechanicalHealth Monitoring Center)”，日本将诊断技术应用于核发电、钢铁和电力工业诊断等行业。

...............

第 2 章 基础理论

2.1 主成分分析(PCS)

在实际的故障诊断过程中，需要对多个变量进行研究分析。但是，这些变量的数据量较大，且存在一定的相关性，在高维空间分析其分布规律与提取特征信息难度较大，，同时提取的信息在一定程度上有所重叠，因而加大了故障诊断的难度。主元分析法[36]利用投影的思想，将多变量数据依次从高维空间投影到反映数据变化的各个方差方向上，取其中方差较大的部分作为主元部分，舍去较小的部分以达到降维的目的，也就是说它能够用较少的变量来表征原始数据多变量动态特征信息。其降阶结果是把输入数据空间划分为两个正交并且互补的子空间，即包含了过程的主要动态特征信息的主元子空间(principalcomponent subspace，PCS)和代表次要的过程信息以及过程中的噪声变化的残差子空间。从数学的角度来看，用 PCA 算法分析过程变量的特征向量相当于对过程变量的协方差矩阵进行奇异值分解。

...............

2.2 核独立成分分析(KICA)

KICA(kernel ICA)方法[30]将 ICA[29,37]使用过程数据的髙阶统计特性，获得独立元的特点，与核函数利用非线性映射，用高维线性解决低维非线性问题的主要思想结合起来。由于 KICA 故障检测方法可以有效地提取数据集的非高斯特征信息，因此 KICA 解决了 ICA 方法对非线性系统性能差的问题。独立元分析的主要目的是只知道混合信号的前提下，分离出混合前的源信号，即寻找独立元S 。其基本思想是按照统计独立的原则对混合信号建立目标函数，通过优化算法计算目标函数来实现独立成分提取的目的。

...............

第 3 章 基于 KICA-PCA 的工业过程故障诊断...............24

3.1 田纳西过程简介...............24

3.2 基于 PCA 和 KICA 的工业过程故障检测 ...............27

第 4 章 基于 FDKICA-PCA 的工业过程故障诊断...............36

4.1 小波包去噪和动态 KICA-PCA................36

4.2 FDKICA-PCA 监控流程................40

第 4 章 基于 FDKICA-PCA 的工业过程故障诊断

4.1 小波包去噪和动态 KICA-PCA

FDKICA-PCA 算法由去噪、数据扩展、两步式 KICA-PCA 等 3 部分组成。首先需要引用 2.3 节中小波包去噪的工作原理，并对正常工况下采集到的数据矩阵 X 进行去噪处理。然后利用 AR 模型(autoregressive model)对去噪后的数据矩阵 X  进行数据预测，得到增广矩阵 X 。最后，利用两步式 KICA-PCA算法对数据 X 进行分析。在实际采集数据的过程中，同一生产过程中的不同变量之间关系密切，大致可分为自相关、滞后相关以及互相关，其中前两者为生产过程的动态特性。常用的数据驱动方法只考虑到数据的互相关特性，而 AR 模型可以将现在时刻与过去时刻的数据矩阵 X 在时序上关联起来，从而分析数据的动态特性，所以可以采用 AR 模型对变量的动态特性进行处理。

...............

4.2 FDKICA-PCA 监控流程

图 4-2 和图 4-3 分别为故障 7 和故障 17 的监控统计图，其中图a和图b分别为KICA-PCA和FDKICA-PCA算法2T 、 SPE 、2I 统计量关于故障的监控图。在图 4-2 中，KICA-PCA的统计量2I 、 SPE 在采样点 160 处检测到故障，而其统计量2T 出现了许多漏报、误报点。如图 4-3 b)所示，FDKICA-PCA方法2T 、SPE 与2I 统计量在采样点 161 处检测到故障，而且其之后的采样点基本上都超出了控制限。通过对比可以看出，FDKICA