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(hào)分析 基于定量知識(shí) 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(shì)，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(cè)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(jiǎn)單

2、過程相比呈量級(jí)增長(zhǎng)的需要。 分類 故障診斷方法可以分為三類： 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(duì)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。 基于統(tǒng)計(jì)分析 基于統(tǒng)計(jì)分析的方法主要依 靠分

3、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， 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(cè)的 具體數(shù)值不能準(zhǔn)確預(yù)測(cè)， 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(duì)特定變量設(shè)定特定 的門限值，從而有效地檢 測(cè)出異常狀態(tài)。 基于PCA 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PCA PCA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

4、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(duì)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(jiǎn)化數(shù)據(jù)利用。 11121 21222 12 m m nnnm xxx xxx X xxx 1 121 1 TTT ttt h TTT ttt h TTT t h nt h nt n xxx xxx X xxx 基于PCA PCA綜述與擴(kuò)展 從以上

5、可以看出，PCA本 質(zhì)上是對(duì)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(duì)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(duì)的數(shù)據(jù)空間中；然而對(duì) 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)

6、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)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。 PLS PLS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(duì)新觀測(cè)數(shù)的向量組成裝載矩陣對(duì)新觀測(cè)數(shù) 據(jù)進(jìn)行歸類，從而到故障分

7、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。 1000 1000 0100 0100 0000 0001 Y 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(cè)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(cè)數(shù)據(jù)， n2行放置故障類2的觀測(cè)數(shù)據(jù)， 以此類推，對(duì)應(yīng)X選取的Y的一 種形式如下： 基于信號(hào)分析 基于信號(hào)分析 的故障診斷方 法就是利用各 種信號(hào)分析技 術(shù)提取信號(hào)時(shí) 域和