基于FDA的 故障诊断.ppt

3.4 离线建模 3.4 离线建模 3.4 离线建模 （1）MICA算法 采用FastICA算法求取独立成分： 3.4 离线建模 （2）Fisher判别分析方法 3.4 离线建模 （2）Fisher判别分析方法 3.4 离线建模 （2）Fisher判别分析方法 3.4 离线建模 （2）Fisher判别分析方法 3.4 离线建模 （2）Fisher判别分析方法 3.5 建立MICA-FDA模型 3.5 建立MICA-FDA模型 3.5 建立MICA-FDA模型 3.6 在线故障诊断 3.6 在线故障诊断 3.7 水压机故障诊断上的应用 选取三类故障： （1）锁阀故障 （2）预密封故障 （3）系统泄漏 这三类故障是比较难以判断的。 3.7 水压机故障诊断上的应用 从实际生产过程中采集数据： （1）正常工况数据30批 （2）3类故障数据各15批 以上数据作为训练数据集。 涉及这3类故障的变量数共12个，每0.5s采一次样，每个批次有32个采样点。 3.7 水压机故障诊断上的应用 正常工况的数据经过MICA分析后，可求得分离矩阵W，并且可获得7个独立元，即原数据可降为7维数据。所有的故障数据经MICA变化之后得到的数据构成MFDA模型的训练数据集，并建立MFDA模型。为了测试所建立模型的性能。这里将误诊断率作为评价故障诊断性能的指标，其中，误诊断率=(样本中不正确分类的数目)／(样本总数)。将其诊断结果与仅使用MFDA方法进行故障诊断的结果比较。 3.7 水压机故障诊断上的应用 由表中可以看出，基于MlCA—FDA方法的误诊断率要低于仅使用MFDA方法的误诊断率。 3.7 水压机故障诊断上的应用 选取两批新的数据来测试所建立模型的性能： 3.7 水压机故障诊断上的应用 3.8 结论 基于MICA-FDA的水压试验机故障诊断方法研究 1 多元统计故障检测与诊断 现代工业过程趋于复杂化，过程变量也越来越多，要想保证过程正常运行、提高产品质量就需要测量很多过程变量用于过程监控。 1 多元统计故障检测与诊断 实际的过程中各变量之间往往不是相互独立的，而是彼此间存在一定的相关关系。错综复杂的相关关系已经超出了操作员和工程师的判断能力，仅仅凭借直接观察和经验难以找到发生故障的真正位置和原因。这种情况称为“操作员信息过载”。 1 多元统计故障检测与诊断 如果能通过变换将相关的过程变量简化为几个独立的变量或指标，根据这些变量的变化则能够相对容易的找出故障的真正原因。 主元分析法(Principle Component Analysis，PCA) 独立成分分析(Independent Component analysis，ICA) 费舍尔判别分析法（ Fisher Discriminant Analysis ，FDA） 1.2 多元统计过程的数据预处理 现实世界中的数据大都含有噪声，为了从数据中提取有效信息，通常需要对数据进行预处理。 预处理过程有 3 个任务： （1）去除变量 （2）自标定 （3）剔除野点 2 FDA的简介 2 .1 FDA的基本理论 在故障诊断中，从发生特定故障的设备上收集数据，并将数据归类，其中每类包含的数据代表一类特定的故障。FDA 在最大化类间离散度方面是最优的降维技术。它确定了一系列投影向量，使得类间离散度最大，同时类内离散度最小。 2.1 FDA的基本理论 2.1 FDA的基本理论 2.1 FDA的基本理论 2.1 FDA的基本理论 2.1 FDA的基本理论 可以证明类间离散度矩阵与类内离散度矩阵之和为总离散度矩阵： 2.1 FDA的基本理论 2.1 FDA的基本理论 2.2 FDA的故障诊断 2.2 FDA的故障诊断 2.2 FDA的故障诊断 通过全部数据构造模型，即可利用每一类的判别函数进行故障诊断。FDA同时利用了所有的信息构建更低维的模型进行故障诊断。由 FDA 提供的低维表征可以通过引入判别函数进行故障诊断。将正常过程操作的数据收集起来作为一类时，FDA 可用来检测故障。 2.3 FDA的降阶 2.3 FDA的降阶 3 基于MICA-FDA的水压试验机故障诊断方法研究 3.1 研究对象——水压试验机 3.1 研究对象——水压试验机 应用范围 ： 适用于各种管件（汽车软管、胶管、空调管、钢管、汽车总成等产品）的耐压、爆破性能的测试。用于各种型号的管件的爆裂压力测定和耐压时间测定。 3.1 研究对象——水压试验机 3.1 研究对象——水压试验机 3.2 水压试验机故障诊断研究现状 （1）故障树方法 目前，仅有一些利用故障树的方法针