專利名稱:一種基于ica重構(gòu)的故障預(yù)測方法
技術(shù)領(lǐng)域:
本發(fā)明涉及故障預(yù)測領(lǐng)域,尤其涉及一種基于獨立元分析(ICA)重構(gòu)的故障預(yù)測方法。
背景技術(shù):
旋轉(zhuǎn)機械是工業(yè)上應(yīng)用最廣泛的一類機械設(shè)備,廣泛應(yīng)用于石化、電力等支柱產(chǎn)業(yè)中的大型高速壓縮機、汽輪機等諸多企業(yè)的核心設(shè)備都屬于旋轉(zhuǎn)機械。旋轉(zhuǎn)機械常常出現(xiàn)各種不同形式的故障而影響其正常工作,有時甚至?xí)赡撤N故障引發(fā)事故,一旦發(fā)生事故會引起鏈?zhǔn)椒磻?yīng),損傷不可估量。輕則影響生產(chǎn)效率,重則導(dǎo)致設(shè)備停機、生產(chǎn)中斷,導(dǎo)致整個生產(chǎn)過程不能正常運行乃至癱瘓,甚至發(fā)生災(zāi)難性的事故,造成重大經(jīng)濟損失,甚至危及人們的生命財產(chǎn)安全,造成極其嚴(yán)重的后果。目前已有的旋轉(zhuǎn)機械故障預(yù)測技術(shù)只有基于數(shù)據(jù)的方法最為實用(包括結(jié)合了一定專家知識的方法)。由于主元分析(PCA)的投影結(jié)構(gòu)性質(zhì)清楚,基于PCA的故障檢測、 診斷和重構(gòu)方法已經(jīng)得到了深入研究,基代表方法有基于PCA故障重構(gòu)的故障預(yù)測方法, 將故障重構(gòu)技術(shù)與故障預(yù)測技術(shù)相結(jié)合(Gang Li, S. Joe Qin,2010)。當(dāng)關(guān)心過程中所有的變化時,而且對所有的異常情況同樣對待,基于PCA模型進行監(jiān)控就可以達到要求。當(dāng)進一步的關(guān)心過程中所有的信號變化時,而且著重關(guān)心信號的非高斯性,則應(yīng)該使用ICA模型進行監(jiān)控。另一方面,針對工業(yè)過程的測量變量一般數(shù)量眾多,導(dǎo)致過程變化因素也很多, 監(jiān)測過程中所有的變化都有可能帶來誤報和漏報情況。如果考慮采用提高控制限來降低誤報率勢必會帶來更多的漏報。因此,人們越來越期望能夠監(jiān)控那些和重要生產(chǎn)指標(biāo)相關(guān)的變化。針對機械振動信號中蘊含著豐富的設(shè)備運行狀態(tài)信息,而且振動信號對多數(shù)機械故障都很敏感。一旦機械設(shè)備發(fā)生了故障必然會引起振級的增加,振動特性也會隨著發(fā)生相應(yīng)的變化。因此,振動信號是反映機械運行狀態(tài)和故障演化情況的一個極其重要的參數(shù)指標(biāo)。傳統(tǒng)的預(yù)測方法是利用單變量的振動信號對機械故障進行一個趨勢預(yù)測并不能對故障進行直接預(yù)測。采用單變量振動數(shù)據(jù)的狀態(tài)趨勢預(yù)測技術(shù)無法利用多維測量數(shù)據(jù)的有效信息,而且忽略了安裝在不同部位測量傳感器之間的相互影響。多變量預(yù)測可以把過程同一時刻的測量數(shù)據(jù)中多個變量間的內(nèi)在聯(lián)系和相互影響考慮在內(nèi)。目前,國內(nèi)外基于多變量數(shù)據(jù)的故障預(yù)測方法的研究才剛剛起步,成果相對較少。因此,研究多變量數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)機械故障預(yù)測方法具有廣泛的發(fā)展空間。由于ICA模型是完全基于數(shù)據(jù)的模型,因此基于ICA的故障預(yù)測技術(shù)可以容易地應(yīng)用到工業(yè)實際中去。研究基于ICA重構(gòu)的故障預(yù)測技術(shù)具有技術(shù)上的可行性。
發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)中存在的上述問題,本發(fā)明提供了一種基于獨立元分析(ICA)重構(gòu)的故障預(yù)測方法。
本發(fā)明提供了一種基于ICA重構(gòu)的故障預(yù)測方法,包括步驟1,計算分離矩陣W ;步驟2,計算實時數(shù)據(jù)xnew(k)統(tǒng)計量值I2(k)、SPE(k)或I穴Ι , I2 {Ji^— Snewd iji^ Snewd {ji^,^e = Snewe {ji ^ Snewe ij^),
SPE(k) = (xnew(k)-xnew(k)f (xnew(k)-xnew(k)), Snewd(k) = Wdxnew(k),
Snewe (k) = WeXnew (k),wd是分離矩陣w前d行構(gòu)成的矩陣,We是分離矩陣w除前d行
之外的行構(gòu)成的矩陣, 腳,Bd= (WdQ-1)1, Be= (WeQ-1V, Q是白化矩陣;步驟3,計算I2 (k)、SPE (k)或/〗(A)的核密度,并根據(jù)控制限檢測故障。在一個示例中,步驟1中,還提取故障方向矩陣Bi ;該故障預(yù)測方法還包括步驟4,計算故障幅值/1^tMx ,X是故障下的測量數(shù)據(jù),M = [(I-Q-1BdWd) (I-Q-1BdWd)1]。在一個示例中,步驟4中,還計算重構(gòu)后的樣本向量Zi = χ-Ξ^i,Zi是重構(gòu)后的樣本向量。在一個示例中,該故障預(yù)測方法還包括步驟5,對故障幅值利用支持向量機或自回歸模型建模并預(yù)測。在一個示例中,步驟1中,對歷史正常數(shù)據(jù)進行標(biāo)準(zhǔn)化和白化處理,采用FastICA 方法計算分離矩陣W ;其中變量數(shù)等于獨立元個數(shù)。在一個示例中,步驟1中,利用故障子空間提取的方法來提取故障方向矩陣。在一個示例中,步驟3中,利用KDE方法計算核密度。在一個示例中,步驟3中按99%的置信區(qū)間確定控制限。本發(fā)明解決了傳統(tǒng)煙機預(yù)測方法無法利用多維有效數(shù)據(jù)的問題,考慮了多通道的振動數(shù)據(jù),能夠直接預(yù)測故障;相比于PCA重構(gòu)方法,本發(fā)明的預(yù)測方法提高了預(yù)測精度, 降低了故障誤報率和漏報率。
下面結(jié)合附圖來對本發(fā)明作進一步詳細(xì)說明,其中圖1是本發(fā)明進行故障預(yù)測的流程圖;
圖2是實驗手段實施路線圖;圖3是分離矩陣各行向量范數(shù)所占的百分比;圖乜-圖如分別是I2 (k)、SPE (k)和/〗(^統(tǒng)計量的核密度估計值;圖5a_圖5c分別是是基于ICA模型的I2 (k)、SPE (k)和/e2 (A)監(jiān)測結(jié)果;圖6a是原始的故障檢測指標(biāo)SPE,圖6b是使用1種故障方向?qū)y試故障樣本的重構(gòu)檢測指標(biāo);圖7是基于ICA重構(gòu)的故障幅值估計結(jié)果;
圖是傳統(tǒng)單通道YT-7701A的狀態(tài)趨預(yù)測結(jié)果,圖8b是傳統(tǒng)單通道YT-7701B 的狀態(tài)趨預(yù)測結(jié)果,圖8c是傳統(tǒng)單通道YT-7704A的狀態(tài)趨預(yù)測結(jié)果,圖8d是傳統(tǒng)單通道 YT-7704B的狀態(tài)趨預(yù)測結(jié)果;圖9是傳統(tǒng)煙機預(yù)測方法中不同通道這間的相關(guān)性分析結(jié)果圖10是基于PCA重構(gòu)的故障幅值估計結(jié)果;圖11是基于PCA重構(gòu)的預(yù)測結(jié)果;圖1 是采用SVM和AR模型提前1步對故障幅值進行直接預(yù)測結(jié)果,圖12b是采用SVM和AR模型提前20步對故障幅值進行直接預(yù)測結(jié)果,圖12c是采用SVM和AR模型提前30步對故障幅值進行直接預(yù)測結(jié)果。
具體實施例方式該發(fā)明提供的故障預(yù)測方法按圖1流程進行,按照下述步驟進行步驟1)、利用歷史的正常過程數(shù)據(jù)X建立一個獨立元分析模型,它描述了不同地點、不同類型傳感器之間的相互關(guān)系;步驟2、、選取以前曾發(fā)生過的比較穩(wěn)定的歷史故障數(shù)據(jù))(fault,來提取故障方向矩陣Ξ。步驟幻、根據(jù)傳感器的實時測量樣本,檢測在過程中發(fā)生的故障;步驟4)、利用已知的故障方向Ξ來辨識故障,并進一步估計出故障的幅值。步驟5)、對獲取的故障幅值利用支持向量機(SVM)和自回歸(AR)模型建模并預(yù)測。步驟1)包括步驟10)、對歷史正常數(shù)據(jù)進行標(biāo)準(zhǔn)化和白化處理,并假設(shè)變量數(shù)等于獨立元個數(shù)。步驟11)、采用FastICA方法計算分離矩陣W。步驟12)、按照分離矩陣W行的平方和越大對S的影響也越大,選取W的前d行構(gòu)成矩陣Wd (主導(dǎo)部分),d即是占主要地位的獨立元個數(shù),剩下的行構(gòu)成矩陣W—步驟13)、由d個獨立元重構(gòu)出來的過程數(shù)據(jù)可表示為
= Q-1 BdS(k) = Q-1 BdWdX(k),Bd = (WdQ^,相應(yīng)的禮=(WeQ-1)τ0步驟3)包括步驟30)、對于生產(chǎn)過程中新采集到的一組數(shù)據(jù)Xnew (k),建立新的獨立元模型。步驟31)、求取I2(k)、SPE (k)、乃(々)統(tǒng)計量值,利用KDE方法對其進行核密度估計。再按99%的置信區(qū)間確定控制限。利用統(tǒng)計檢測指標(biāo)I2(k),SPE(k)和檢測過程中發(fā)生的故障。步驟2)采用故障子空間提取的方法來提取故障方向矩陣。故障子空間的維數(shù)是使得故障樣本的重構(gòu)檢測指標(biāo)處于正常范圍的最小值。采用比較穩(wěn)定的故障過程產(chǎn)生的故障數(shù)據(jù)進行ICA重構(gòu),并提取故障方向向量為ΞΚΑ1=[-0. 6970 -0.2506 0.4382 0. 5093]τ。 值得注意的是上述方法提取的故障子空間是對整個χ空間影響的故障子空間。它可以反映過程中所有的故障信息。
步驟4)中,繼故障被檢測出來之后,對故障類型進行了辨識,對故障數(shù)據(jù)進行了重構(gòu),并對故障幅值進行了估計。步驟5)中,當(dāng)故障可以被完全重構(gòu),剛可以得到唯一的故障估計f,反映了故障當(dāng)前的程度。在方法步驟中采用SVM模型和AR模型來預(yù)測f的發(fā)展趨勢。選擇一個合適的預(yù)測模型要取決于故障過程的特點。本發(fā)明的實驗手段包括計算機仿真研究、實驗臺模擬實驗研究和工業(yè)現(xiàn)場應(yīng)用驗證三種類型。實驗手段實施路線圖,如圖2所示。1、仿真研究采用MATLAB軟件,開展計算機仿真研究;2、實驗研究利用美國本特利新型RK4型模擬轉(zhuǎn)子實驗臺,在實驗臺上開展實驗研究;3、應(yīng)用驗證利用現(xiàn)代測控技術(shù)教育部重點實驗室的新型RMD8000遠(yuǎn)程在線監(jiān)測診斷中心進行工業(yè)現(xiàn)場應(yīng)用驗證。下面結(jié)合附圖和實例對該發(fā)明的具體實施步驟做進一步詳細(xì)說明。以大型旋轉(zhuǎn)機械——煙氣輪機為研究對象,本發(fā)明所用的仿真數(shù)據(jù)全部來源于北京燕山石化公司煙氣輪機機組,具有強大的實際背景。煙氣輪機將催化裂化過程中產(chǎn)生的廢煙氣中所具有的壓力能和熱能經(jīng)煙氣輪機的膨脹做功化為機械能,驅(qū)動軸流式空氣壓縮機或給發(fā)電機提供動能,達到能量回收的目的。1、建立監(jiān)測統(tǒng)計量1)、首先要獲得過程正常工況下的變量數(shù)據(jù)Xnmial,對其進行標(biāo)準(zhǔn)化和白化處理, 并假設(shè)變量數(shù)等于獨立元個數(shù)。2)、禾Ij用FastICA算法計算出分離矩陣W和獨立元的估計值及—=WXnormal。3)、按照分離矩陣W行的平方和越大對S的影響也越大,選取W的前d行構(gòu)成矩陣 Wd (主導(dǎo)部分),d即是占主要地位的獨立元個數(shù),剩下的行構(gòu)成矩陣W—圖3為分離矩陣各行向量范數(shù)所占的百分比。4)、由d個獨立元重構(gòu)出來的過程數(shù)據(jù)可表示為 X = Q1BdS (k) = Q-lBdWdx(k) , Bd = (WdQ-1)τ,相應(yīng)的 Be= (WeQ-1)1, Q 為白化矩陣,B 為正交矩陣。5)、對于生產(chǎn)過程中新采集到的一組數(shù)據(jù)Xnew (k),建立新的獨立元模型,通過分解矩陣Wd和W6可以得到獨立成分在k時刻新的估計值,
Snewd (k) = WdXnew (k)和 (k) = WeXnew (k)。6)、求取I2(k)、SPE(k)、/e2^)統(tǒng)計量值,利用KDE方法對其進行核密度估計,統(tǒng)計量的核密度估計如圖如-圖4c所示。
I (眾)=iS* newd {j^ ^ newd (眾),
SPE(k) = e(kf e(k) = (x⑷⑷)τ (χ⑷⑷),I2e = Snewe (kf Snewe (k),
x(k) = Q 1BdS(k) = Q-lBdWdx{k)。按99%的置信區(qū)間確定控制限,核密度超過控制
線則判定發(fā)生故障。利用統(tǒng)計檢測指標(biāo)I2 (k),SPE (k)和/〗(Α)檢測過程中發(fā)生的故障,如
2、基于ICA的故障重構(gòu)和估計1)、在上一步的框架下研究基于ICA的重構(gòu)問題。假設(shè)正常條件下的測量數(shù)據(jù)用 X*表示,故障下的測量數(shù)據(jù)用X表示,而故障的大小由f表示,則故障數(shù)據(jù)可以由下式表示χ = χ*+ Ξ jf(1)基于ICA的重構(gòu)將沿著對應(yīng)的故障子空間方向往獨立元子空間移動。當(dāng)故障Fi發(fā)生時,過程故障的重構(gòu)將按下式估計重構(gòu)樣本向量Zi以消除故障Fi的影響Zi = χ-Ξ Jfi(1)故障重構(gòu)的目標(biāo)是找到&的一個估計,使得重構(gòu)后的SPE指標(biāo)最小化SPE (Zi) = (Zi-p) (Zi-p)τ = [ (χ-Ξ Ji) -ρ] [ (χ- Ξ Ji) -ρ]τ(3)ρ = Q^1BdWd (χ-Ξ(4)將(4)代入到(3)中,可以得到SPE (Zi) = [(χ-Ξ Ji) -Q-1BdWd (χ- Ξ Ji) ] [ (χ- Ξ Ji) -Q-1BdWd (χ- Ξ Ji) ]τ= [(χ-Ξ Ji) (I-Q-1BdWd) ] [ (χ- Ξ Ji) (I-Q-1BdWd) ]τ (5)= (χ-Ξ Ji) AAt (χ-Ξ Ji)1其中Α = Ι-(^ΒΛ。如果存在故障Fi使得SPE(Zi)值位于控制限之下,則實現(xiàn)了故障重構(gòu)。故障重構(gòu)要讓SPE(Zi)值最小,即讓估計值盡可能的靠近模型平面,將SPE(Zi) 對f求一階導(dǎo)數(shù)可得
權(quán)利要求
1.一種基于ICA重構(gòu)的故障預(yù)測方法,其特征在于,包括 步驟1,計算分離矩陣W;步驟2,計算實時數(shù)據(jù)xnew(k)統(tǒng)計量值I2(k)、SPE(k)或I穴Ι ,Inewd ^ A^ ^ S newd ^ A^ ^,Iq _ S newe (灰)^ newe (灰),SPE(k) = (xnew(k)-Xnew(k))T(xnew(k)-Xnew(/c)), Snewd(k) = Wdxnew(k),Snewe (k) = WeXnew (k), wd是分離矩陣w前d行構(gòu)成的矩陣,We是分離矩陣w除前d行之外的行構(gòu)成的矩陣,i ewp) = 0-^^^^^0) ,Bd= (WdQ-1)1, Be= (WeQ-1V, Q 是白化矩陣;步驟3,計算I2 (k)、SPE (k)或/〗(A)的核密度,并根據(jù)控制限檢測故障。
2.如權(quán)利要求1所述的故障預(yù)測方法,其特征在于,步驟1中,還提取故障方向矩陣Ξ ;該故障預(yù)測方法還包括步驟4,計算故障幅值/ = (EJME1J1 EJMx , χ是故障下的測量數(shù)據(jù),M = [(I-Q-1BdWd) (I-Q-1BdWd)1]。
3.如權(quán)利要求2所述的故障預(yù)測方法,其特征在于,步驟4中,還計算重構(gòu)后的樣本向量Zi = χ-Ξ Ji,Zi是重構(gòu)后的樣本向量。
4.如權(quán)利要求2或3所述的故障預(yù)測方法,其特征在于,該故障預(yù)測方法還包括步驟 5,對故障幅值利用支持向量機或自回歸模型建模并預(yù)測。
5.如權(quán)利要求2或3所述的故障預(yù)測方法,其特征在于,步驟1中,對歷史正常數(shù)據(jù)進行標(biāo)準(zhǔn)化和白化處理,采用FastICA方法計算分離矩陣W ;其中變量數(shù)等于獨立元個數(shù)。
6.如權(quán)利要求2或3所述的故障預(yù)測方法,其特征在于,步驟1中,利用故障子空間提取的方法來提取故障方向矩陣。
7.如權(quán)利要求1、2或3所述的故障預(yù)測方法,其特征在于,步驟3中,利用KDE方法計算核密度。
8.如權(quán)利要求1、2或3所述的故障預(yù)測方法,其特征在于,步驟3中按99%的置信區(qū)間確定控制限。
全文摘要
本發(fā)明公開了一種基于ICA重構(gòu)的故障預(yù)測方法,包括步驟1,計算分離矩陣W;步驟2,計算實時數(shù)據(jù)xnew(k)統(tǒng)計量值I2(k)、SPE(k)或Wd是分離矩陣W前d行構(gòu)成的矩陣,We是分離矩陣W除前d行之外的行構(gòu)成的矩陣,Bd=(WdQ-1)T,Be=(WeQ-1)T,Q是白化矩陣;步驟3,計算I2(k)、SPE(k)或的核密度,并根據(jù)控制限檢測故障。本發(fā)明解決了傳統(tǒng)煙機預(yù)測方法無法利用多維有效數(shù)據(jù)的問題,考慮了多通道的振動數(shù)據(jù),能夠直接預(yù)測故障;相比于PCA重構(gòu)方法,本發(fā)明的預(yù)測方法提高了預(yù)測精度。
文檔編號G01M99/00GK102539192SQ20121001955
公開日2012年7月4日 申請日期2012年1月20日 優(yōu)先權(quán)日2012年1月20日
發(fā)明者李鋼, 王秋燕, 趙本利, 馬潔 申請人:北京信息科技大學(xué)