專利名稱:一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及工業(yè)過程故障診斷領(lǐng)域，特別地，涉及一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)及方法。
背景技術(shù)：
由于產(chǎn)品質(zhì)量、經(jīng)濟效益、安全以及環(huán)保的要求，工業(yè)過程和相關(guān)的控制系統(tǒng)變的非常復雜，為了保證工業(yè)系統(tǒng)的正常運作，故障的診斷和檢測在工業(yè)過程中扮演著非常重要的角色。近年來，統(tǒng)計分析應(yīng)用于過程監(jiān)控和故障診斷得到了廣泛的研究。
利用工業(yè)實測數(shù)據(jù)，采用統(tǒng)計的方法進行故障診斷，避開了復雜的機理分析，求解相對方便。但是目前的大多數(shù)故障診斷方法都對變量的分布或者協(xié)方差分布有一定的要求，比如要求變量滿足高斯分布等，而工業(yè)生產(chǎn)過程中的數(shù)據(jù)往往很有可能不滿足這些要求。因此，往往得不到很好的故障診斷效果。

發(fā)明內(nèi)容為了克服已有的故障診斷系統(tǒng)的適用性差、診斷效果較差的不足，本發(fā)明提供一種適用范圍廣、能夠得到良好的故障診斷效果的基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)及方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機依次相連，所述的上位機包括標準化處理模塊，用于對數(shù)據(jù)進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,]]>
2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數(shù)；fisher判別分析模塊，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量1；3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；信號采集模塊，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；故障診斷模塊，用于對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
作為優(yōu)選的一種方案所述的上位機還包括判別模型更新模塊，用于定期將過程狀態(tài)正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
作為優(yōu)選的另一種方案所述的上位機還包括結(jié)果顯示模塊，用于將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)方法所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、在上位機的fisher判別分析模塊中，設(shè)置判別函數(shù)個數(shù)N等參數(shù)，并設(shè)定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數(shù)。
(4)、再對數(shù)據(jù)進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量1；4.3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4.4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；4.5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；(5)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
作為優(yōu)選的一種方案所述的故障診斷方法還包括(6)、定期將過程狀態(tài)正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機的fisher判別分析模塊中的分類器模型。
作為優(yōu)選的再一種方案在所述的(5)中，計算判別函數(shù)值，并在上位機的人機界面上顯示過程的狀態(tài)，上位機將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
Fisher準則對變量分布和協(xié)方差分布沒有要求，適用范圍廣，因此廣泛運用于判別分析的各個領(lǐng)域。故障診斷的首要任務(wù)是把來自工業(yè)過程的樣本分成正常和故障兩類，可以歸結(jié)為判別分析問題，所以本發(fā)明引入fisher準則進行過程的故障診斷，可以廣泛適用于各種工業(yè)過程。
本發(fā)明的有益效果主要表現(xiàn)在1、適用范圍廣、能夠得到良好的故障診斷效果；2、能夠廣泛適用于各種工業(yè)過程。

圖1是本發(fā)明所提出的故障診斷系統(tǒng)的硬件結(jié)構(gòu)圖。
圖2是本發(fā)明所提出的故障診斷系統(tǒng)功能模塊圖。
圖3是本發(fā)明上位機的原理框圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明作進一步描述。
實施例1參照圖1、圖2、圖3，一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，包括與工業(yè)過程對象1連接的現(xiàn)場智能儀表2、DCS系統(tǒng)以及上位機6，所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；智能儀表2、DCS系統(tǒng)、上位機6通過現(xiàn)場總線依次相連，所述的上位機6包括標準化處理模塊7，用于對數(shù)據(jù)進行標準化處理，使得各變量的均值為0、方差為1，并得到輸入矩陣X，采用以下過程來完成
1)計算均值TX‾=1NΣi=1NTXi,]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數(shù)；fisher判別分析模塊8，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量l；3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；信號采集模塊9，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊10，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；故障診斷模塊11，用于對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
所述的上位機還包括判別模型更新模塊12，用于定期將過程狀態(tài)正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
所述的上位機還包括結(jié)果顯示模塊13，用于將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
本實施例的工業(yè)過程故障診斷系統(tǒng)的硬件結(jié)構(gòu)圖如附圖1所示，所述的故障診斷系統(tǒng)核心由包括標準化處理模塊7和fisher判別分析模塊8兩大功能模塊和人機界面的上位機6構(gòu)成，此外還包括現(xiàn)場智能儀表2，DCS系統(tǒng)和現(xiàn)場總線。所述的DCS系統(tǒng)由數(shù)據(jù)接口3、控制站4、數(shù)據(jù)庫5構(gòu)成；工業(yè)過程對象1、智能儀表2、DCS系統(tǒng)、上位機6通過現(xiàn)場總線依次相連，實現(xiàn)信息流的上傳和下達。故障診斷系統(tǒng)在上位機6上運行，可以方便地與底層系統(tǒng)進行信息交換，及時應(yīng)對系統(tǒng)故障。
本實施例的故障診斷系統(tǒng)的功能模塊圖如附圖2所示，主要包括標準化處理模塊7、fisher判別分析模塊8等。
所述的故障診斷方法按照如下步驟來實現(xiàn)1、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫5的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時這些變量的數(shù)據(jù)作為訓練樣本TX；2、在上位機6的fisher判別分析模塊8中，設(shè)置判別函數(shù)個數(shù)N等參數(shù)，并設(shè)定DCS中的采樣周期；3、訓練樣本TX在上位機6中，依次經(jīng)過標準化處理7、fisher判別分析8等功能模塊，采用以下步驟來完成診斷系統(tǒng)的訓練1)在上位機6的標準化處理功能模塊7中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X。采用以下過程來完成①計算均值TX‾=1NΣi=1NTXi,]]>②計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>③標準化X=TX-TX‾σx,]]>④其中N為訓練樣本數(shù)。
上位機6的標準化處理功能模塊7所進行的標準化處理能消除各變量因為量綱不同造成的影響。
2)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；3)計算|B-λW|＝0的廣義特征根λ和特征向量l；
4)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；5)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，作為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；4、系統(tǒng)開始投運1)用定時器，設(shè)置好每次采樣的時間間隔；2)現(xiàn)場智能儀表2檢測過程數(shù)據(jù)并傳送到DCS數(shù)據(jù)庫5的實時數(shù)據(jù)庫中；3)上位機6在每個定時周期從DCS數(shù)據(jù)庫5的實時數(shù)掘庫中，得到最新的變量數(shù)據(jù)，作為待診斷數(shù)據(jù)VX；4)待檢測數(shù)據(jù)VX，在上位機6的標準化處理功能模塊7中，用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊8的輸入；5)上位機6中的fisher判別分析模塊8，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別并在上位機6的人機界面上顯示過程的狀態(tài)；6)上位機6將故障診斷結(jié)果傳給DCS，并在DCS的控制站4顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示，使得現(xiàn)場操作工可以及時應(yīng)對。
5、判別模型更新在系統(tǒng)投運過程中，定期將過程狀態(tài)幣常的點添加到訓練集VX中，重復步驟3的訓練過程，以便及時更新上位機6的fisher判別分析模塊8中的分類器模型，保持判別模型具有較好的效果。
實施例2參照圖1、圖2、圖3，一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)方法所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫5的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、在上位機6的fisher判別分析模塊8中，設(shè)置判別函數(shù)個數(shù)N等參數(shù)，并設(shè)定DCS中的采樣周期；
(3)、訓練樣本TX在上位機中，在標準化模塊7對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數(shù)。
(4)、再對數(shù)據(jù)進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量l；4.3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4.4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；4.5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；(5)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
所述的故障診斷方法還包括(6)、定期將過程狀態(tài)正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機6的fisher判別分析模塊8中的分類器模型。
在所述的(5)中，計算判別函數(shù)值，并在上位機6的人機界面上顯示過程的狀態(tài)，上位機6將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
權(quán)利要求
1.一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機依次相連，其特征在于所述的上位機包括標準化處理模塊，用于對數(shù)據(jù)進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數(shù)；fisher判別分析模塊，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量1；3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；信號采集模塊，用于設(shè)定每次采樣的時間間隙，采集現(xiàn)場智能儀表的信號；待診斷數(shù)據(jù)確定模塊，用于將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；故障診斷模塊，用于對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
2.如權(quán)利要求
1所述的基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，其特征在于所述的上位機還包括判別模型更新模塊，用于定期將過程狀態(tài)正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
3.如權(quán)利要求
1或2所述的的基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，其特征在于所述的上位機還包括結(jié)果顯示模塊，用于將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，并通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
4.一種用如權(quán)利要求
1所述的基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)實現(xiàn)的故障診斷方法，其特征在于所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關(guān)鍵變量，從DCS數(shù)據(jù)庫的歷史數(shù)據(jù)庫中分別采集系統(tǒng)正常和故障時所述變量的數(shù)據(jù)作為訓練樣本TX；(2)、在上位機的fisher判別分析模塊中，設(shè)置判別函數(shù)個數(shù)N等參數(shù)，并設(shè)定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數(shù)據(jù)進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數(shù)。(4)、再對數(shù)據(jù)進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內(nèi)離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量1；4.3)取對應(yīng)于非0特征根的特征向量，得如下變換式Y(jié)1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數(shù)，Xi′為標準化后的數(shù)據(jù)；4.4)通過以上變換式分別計算出系統(tǒng)正常和故障時的L個指標，即為各類狀態(tài)的重心，按參數(shù)設(shè)置取前N個；4.5)待測樣本經(jīng)過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態(tài)重心的距離，將其歸為距離最小的一類；(5)、將采集的數(shù)據(jù)傳送到DCS實時數(shù)據(jù)庫中，在每個定時周期從DCS數(shù)據(jù)庫的實時數(shù)據(jù)庫中，得到最新的變量數(shù)據(jù)作為待診斷數(shù)據(jù)VX；對待檢測數(shù)據(jù)VX用訓練時得到的
和σx2進行標準化處理，并將標準化處理后的數(shù)據(jù)作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數(shù)，計算判別函數(shù)值，判別所述工業(yè)過程的狀態(tài)。
5.如權(quán)利要求
4所述的一種基于fisher的工業(yè)過程非線性故障診斷方法，其特征在于所述的故障診斷方法還包括(6)、定期將過程狀態(tài)正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機的fisher判別分析模塊中的分類器模型。
6.如權(quán)利要求
4或5所述的一種基于fisher的工業(yè)過程非線性故障診斷方法，其特征在于在所述的(5)中，計算判別函數(shù)值，并在上位機的人機界面上顯示過程的狀態(tài)，上位機將故障診斷結(jié)果傳給DCS系統(tǒng)，并在DCS的控制站顯示過程狀態(tài)，同時通過DCS系統(tǒng)和現(xiàn)場總線將過程狀態(tài)信息傳遞到現(xiàn)場操作站進行顯示。
專利摘要
一種基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、DCS系統(tǒng)以及上位機，所述的DCS系統(tǒng)由數(shù)據(jù)接口、控制站、數(shù)據(jù)庫構(gòu)成；智能儀表、DCS系統(tǒng)、上位機依次相連，所述的上位機包括標準化處理模塊、fisher判別分析模塊以及故障診斷模塊。以及提出了一種非線性故障診斷方法。本發(fā)明提供一種適用范圍廣、能夠得到良好的故障診斷效果的基于fisher的工業(yè)過程非線性故障診斷系統(tǒng)及方法。
文檔編號G05B19/418GK1996191SQ200610154826
公開日2007年7月11日 申請日期2006年11月23日
發(fā)明者劉興高, 閻正兵 申請人:浙江大學導出引文BiBTeX, EndNote, RefMan