基于信息融合的工业过程故障诊断方法与流程

本发明属于工业过程控制领域，具体涉及一种基于信息融合的工业过程故障诊断方法。
背景技术：
：随着现代生产的发展和科学技术的进步，现代工业生产设备越来越大规模化、复杂化和自动化。由于实际的工业生产过程是极其复杂的，操作的变量多，存在线性、非线性、高斯的、非高斯的等过程数据，这使得运用单一诊断方法会对这个工业过程的监测不够，使得那些发生的故障可能无法诊断出来，就可能会对生产安全、效率和产品质量产生不好的影响。因此，一个更好的、可以准确的指出过程故障问题的诊断方法已经成为工业生产过程研究的热点问题之一。实际的工业生产过程不确定因素多且过程复杂，使得其难以建立精确的过程模型，然而工业过程中产生的大量数据可以被拿来分析并判断过程中是否发生故障，所以基于数据驱动的方法常被用来做故障诊断研究。机器学习作为该方法其中的一方面，其主要包含神经网络和支持向量机。自组织特征映射作为神经网络中的一个方法，它的自学习和自组织的能力是在故障诊断的方法研究中的独特的优势，但是其训练需要大量历史样本数据，使得它在故障样本难以获取的系统中受到约束。支持向量机是以统计学习理论为基础的，它在小样本故障决策中具有优势，但在数据规模大、分类多的故障系统中表现出劣势。由于上述方法使用的局限性，单一方法已无法适应现代工业实际生产系统的所有可能问题。技术实现要素：本发明的目的是在于克服单一方法的局限性，提供一种基于信息融合的工业过程故障诊断方法。实现本发明目的的技术解决方案为：一种基于信息融合的工业过程故障诊断方法，包括以下步骤：(1)通过工业系统监测过程变量的传感器，采集系统正常过程和故障过程运行中的传感器数据组成训练数据集和离线测试集，将这两组数据集存入数据库；(2)将训练样本数据集进行预处理和归一化，即使得各个过程变量的均值为0，方差为1，得到新的数据集；(3)使用kpca降维方法对处理后的数据集进行降维处理，获得降维后的数据集和降维模型参数；(4)使用svm和som这两种方法，通过对降维后的数据集训练，建立不同的故障诊断模型，获得各模型相应的指标和标签；(5)归一化处理离线测试数据集，并使用训练好的kpca模型处理获得新的离线测试数据集；(6)分别使用训练好的故障诊断模型对新的离线测试数据集进行故障诊断，得到故障诊断结果并计算出基本概率赋值函数；(7)收集新的在线过程数据，并对其进行预处理和归一化，然后使用降维模型处理获得监测数据；(8)分别使用不同的故障诊断模型对监测数据进行诊断，获得监测数据的标签，然后将每一种方法的故障诊断结果作为证据体；(9)使用d-s证据理论，根据每种方法故障诊断结果的基本概率赋值函数，计算监测数据在融合后的联合概率赋值函数，并做出最后决策。与现有技术相比，本发明的有益效果为：本发明使用的kpca的数据处理方法可以应对数据的非线性问题；使用基于统计学习理论的svm和基于人工神经网络的som这两个机器学习方法，实现对故障类型的决策，并对该决策结果使用d-s证据理论做信息融合，获得最后的诊断结果具有更高的故障诊断精度。附图说明图1是kpca-som方法对te过程正常运行测试数据的命中结果图。图2是kpca-som方法对te过程的故障1测试数据的命中结果图。图3是kpca-som方法对te过程的故障12测试数据的命中结果图。图4是kpca-svm方法对te过程的正常、故障1和12的诊断结果图。具体实施方式本发明一种基于信息融合的工业过程故障诊断方法，包括以下步骤：步骤1、通过工业系统监测变量传感器，采集系统正常过程和故障过程运行中的传感器数据组成训练数据集：x＝[x1；x2；…；xn]。其中x∈rn×m，n为训练样本总数，m为过程变量数，r为实数集，rn×m表示x满足n×m的二维分布；用同样的方式采集数据作为离线测试集，将这些数据存入数据库；步骤2、从数据库调用数据集x，进行预处理和归一化，即使得各个过程变量的均值为0，方差为1，得到新的数据集为步骤3、使用数据降维方法对处理后的数据集进行降维操作，获得降维后的数据集其中l是降维后数据的维数；选择使用核主元分析(kpca)方法进行数据处理，使用径向基核函数，将原始数据映射到高维空间得到核矩阵k，然后对核矩阵k进行主元分析，得到核矩阵k的特征值、特征向量，使用累计方差贡献率(>85％)计算得到主元个数l，确定负荷矩阵p，最后获得降维后的数据矩阵集步骤4、调用不同的故障诊断方法，使用降维后的数据集建立不同的故障诊断模型，获得各模型相应的指标和标签；选择2种不同的故障诊断方法，分别是自组织特征映射(som)神经网络和支持向量机(svm)：(1)对于som故障诊断方法，通过迭代学习获得调整较好的权重向量wj，学习速率μ(t)，领域n(t)和获胜神经元，完成所有训练数据的训练后每个神经元都被打上对应的标签，获得som故障诊断模型；(2)对于svm故障诊断方法，通过建立训练数据集，选择径向基核函数，计算拉格朗日乘子和分类阈值，得到分类决策函数，建立最优分类超平面，获得svm故障诊断模型。步骤5、归一化处理离线测试数据集，并使用训练好的kpca模型处理获得新的离线测试数据集；步骤6、分别使用上面训练好的故障诊断模型对新的离线测试数据集进行故障诊断，得到故障诊断结果并计算出基本概率赋值函数；调用不同的故障诊断方法，计算出相应的基本概率赋值函数，公式如下：其中，是指第a个故障诊断方法的融合矩阵中的第i行第j列的元素，ma(ci)是指第a个故障诊断方法将样本分类为ci类的概率值，又称作为基本概率赋值函数值，g是故障诊断方法的个数；依照此方法可以将每个故障类对应不同的方法的基本概率赋值函数计算出来。步骤7、收集新的在线过程数据，并对其进行预处理和归一化，然后使用降维模型处理获得监测数据；步骤8、分别使用不同的故障诊断模型对监测数据进行诊断，获得监测数据的标签，然后将每一种方法的故障诊断结果作为证据体：(1)对于自组织特征映射神经网络方法，计算测试样本与权矢量的欧式距离，确定最近距离所匹配的最佳神经元对应的标签作为最后判断标签；(2)对于支持向量机方法，把测试样本代入分类决策函数得到样本决策输出，根据输出值大小判断所属标签类别。由于该方法是一个二分类方法，且诊断的故障不明，所以要每个二分类模型给出一个判断标签，每个判断标签作为一票，进行投票决定获得最后的判断标签。步骤9、使用d-s证据理论，根据每种方法故障诊断结果的基本概率赋值函数，计算监测数据在融合后的联合概率赋值函数，并做出最后决策；(1)在同一采样时刻，调用两种故障诊断方法的诊断输出，选择相应的故障发生的基本概率赋值函数，使用d-s融合规则，求出该样本最终的基本概率赋值函数：其中，表示正交和，如公式(2)所示，集合a,b,c分别代表不同的故障类集合，且a为集合b与c的交集，k代表交集为集的联合概率赋值函数值，m1和m2分别代表第一个和第二个故障诊断方法，m1,2(a)是两种方法融合后的概率值。(2)根据融合后的基本概率赋值函数值，通过比较函数值选择最大的所对应的故障作为最终故障诊断结果。本发明将多个方法进行融合，即用信息融合方法代替原来单一方法处理复杂的工业过程的故障诊断，提高了多故障类型诊断能力和故障诊断的精度。结合一个具体的工业过程的例子说明本发明的有效性。实施例该工业过程的数据来源于美国te(tennesseeeastman——田纳西-伊斯曼)化工过程仿真实验，原型来源于tennesseeeastman化学公司实际生产过程。te过程是一个常用的标准问题，能够较好的模拟实际复杂工业系统的一些典型特征，因此被广泛用于典型化工过程故障诊断的研究。整个过程包含了5个主要单元：反应器、冷凝器、压缩机、汽水分离器和汽提塔。整个te过程有4个反应物，2个生成物，一个惰性成分和一个副产物。整个过程总共包含53个状态变量，它们分别是12个操作变量和41个测量变量，但实际用到的状态变量只有52个。其中41个测量变量包含22个连续测量变量(系统会每个3分钟对其采样一次)和19个成分测量变量(人为添加噪声)。整个过程预设21个故障和一个正常状态，这些故障中包含16个已知的和5个未知的。其中故障1-7为阶跃型故障，故障8-12为随机变量型故障，故障13为慢偏移型故障，故障14和故障15位粘滞型故障，故障16-20为未知故障，故障21位恒定位置故障。接下来结合具体过程对本发明的实施步骤进行详细描述：步骤1.采集正常过程和故障过程数据，将数据分成训练数据集和离线测试数据集，数据预处理和归一化后存入数据库中；步骤2.调用核主元分析方法对上面的训练数据进行降维操作，获取主元个数、核矩阵、降维后的数据集和其它参数；对于训练数据矩阵建立降维模型：(1)选用高斯径向核函数，参数选择3000，计算的核矩阵k∈rn×n；(2)根据对上面得到的核矩阵处理得到其中(3)对处理后的核矩阵的特征值分解，归一化特征向量；(4)选择贡献度85％，获得主元个数23，得到新的训练数据矩阵步骤3.将数据集分别代入som和svm方法中训练，得到故障诊断模型；步骤4.调用离线测试数据集，代入上面训练好的故障诊断模型中进行故障诊断，根据结果计算出每个方法对于故障判断的基本概率赋值函数；步骤5.在线过程诊断。为了测试本发明方法的有效性，分别对正常样本和故障样本进行测试。选择正常、故障1和故障12这3类进行故障检测，使用kpca-som和kpca-svm这两种故障诊断方法的诊断结果分别如图1、图2、图3和图4所示，其中图1、图2、图3中测试数据命中神经元用黑框六边形表示，图4用标签0、1和2分别表示正常、故障1和故障12。从图中可以看出对于同一测试数据在使用不同的故障诊断方法时的诊断结果准确率是有差别的。对这些测试数据使用本发明的方法做故障诊断，比较结果如表1所示。表1：本发明中各故障诊断方法诊断结果对比表kpca-somkpca-svmd-s正常100％100％100％故障188％84％90％故障1278％68％88％综合88.7％84％92.7％结果表明，与单一的故障诊断方法相比，本发明方法在故障诊断性能上得到了显著提升。当前第1页12