基于数据驱动的故障诊断方法解读.ppt

周瑞坤 魏宇涛 曹凯 2015-11-05 基于数据驱动的 故障诊断方法 背景 基于统计分析 基于信号分析 基于定量知识 致谢 故障诊断技术的现状 近 20 年来，现代化工、冶金、机械、物流 等工业呈现大型化、复杂化发展的新趋势，这些 大型复杂化工业过程的一个共同点就是一方面无 法依靠传统方法建立精确的物理模型，另一方面 产生大量反应过程运行机理和运行状态的数据， 由于实际限制、成本优化、技术商机等因素的考 量，如何利用这些数据来满足日益提高系统可靠 性要求已经成为亟待解决的问题。 基于数据驱动的故障检测技术，实现了大型 复杂系统需要监控的变量大幅度增加和获得的大 型数据和小型简单过程相比呈量级增长的需要。 分类 故障诊断方法可以分为三类： 基 于 数 据 故 障 诊 断 方 法 基于数据驱动故障诊断方法可以看做 是基于数据驱动的控制优化方法的一个子 领域，其核心思想是如何利用受控系统的 在线和离线数据，该方法所采用的数据来 源于当前采样的在线数据和系统存储的大 量历史离线数据。所以，明确离线、在线 的区别和对于数据的要求，是实现数据利 用的第一步。 基于数据驱动的故障诊断方法可作为 基于机理模型方法的重要补充，目前采用 的分布式控制系统（ DCS ）可以提供一个 用于全局管理监控的平台，用高质量的过 程数据进行过程优化和监控。 基于统计分析 基于统计分析的方法主要依 靠分析过程数据统计量，从 其中的变化提取特征。应用 统计理论进行故障诊断的前 提是系统中必须出现故障， 否则过程数据的特征统计量 只能在一定的、可以接受的 范围内波动。 虽然某个变量每次观测的 具体数值不能准确预测， 但其平均值和方差等特征 统计量会保持不变，这种 特性成为特征统计量的可 重复性，利用该重复性可 以针对特定变量设定特定 的门限值，从而有效地检 测出异常状态。 基于 PCA PCA 技术将系统高维历史数据组成矩 阵，进行一系列矩阵运算后确定若 干正交向量，历史数据在这些向量 上的投影反映数据变化最大的几个 方向，舍去数据变化较小的方向， 由此可将高维数据降维表示 . PCA 降维 自相关性 对于间隔较短的优化工程，除了考 虑不同变量之间的相关性，还要考虑 自相关性。 方法：采用动态的 PCA 技术，构造一 个 t 时刻和历史数据的训练矩阵。 利用 PCA 技术降维后，通常只需 2~3 维即可反映历史数据的大部分变化 方向，进而从海量数据中抓住主要 部分，极大简化数据利用。 11 12 1 21 22 2 1 2 m m n n nm x x x x x x X x x x ? ? ? ? ? ? ? ? ? ? ? ? ? 1 1 2 1 1 T T T t t t h T T T t t t h T T T t h n t h n t n x x x x x x X x x x ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 基于 PCA PCA 综述与扩展 从以上可以看出， PCA 本 质上是对历史数据集所构 成的输入空间作线性变换， 使的它只对服从高斯分布 数据特征的提取效果明显， 但在多数情况下数据集具 有任意分布的特点，特别 是在非线性结构和不能用 线性分类的情况下，传统 PCA 方法显得力不从心。 KPCA 是一种非线性 PCA 技术， 首先通过一个非线性映射函 数 Φ 将历史数据映射到特征 空间 F 的数据空间中；然而对 F 中数据集运用 PCA 技术进行 数据分类。 KPCA 的关键在于， 通过预选的核函数代替映射 函数 Φ 作用时，要进行内积 运算，不用必须找到 Φ ，将 PCA 方法扩展到基于神经网 络的非线性 PCA ，在某些数 据具有非线性的情况下，非 线性 PCA 神经网络比传统 PCA 能够更多地捕捉到数据变化。 PLS P L S 方 法 相 比 于 P C A 的 优 缺 点 PCA 方法找出训练数据 X 变化 最大的几个方向，代表这几个方 向的向量组成装载矩阵对新观测 数据进行归类，从而到故障分类 的作用。 PLS 方法通过最大化 X 和 Y 之间 的协方差来确定装载向量，这样 找出的的装载向量能够准确地表 现不同故障差异，利于进行分类。 不足之处：是装载向量只反映 了 X 变化最大的几个方向，当这 些方向不足以包含区分故障所需 要的足够信息时， PCA 就不能起 到故障分类的作用。 1 0 0 0 1