[发明专利]基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法

说明书

本发明公开了一种基于局部邻域标准化和贝叶斯推断的ICA‑PCA多工况故障诊断方法，该方法首先对工业过程的各个正常工况进行独立采样获得训练数据集，通过对训练集局部邻域标准化，获得服从单一分布的数据集，然后利用ICA‑PCA方法分别对该数据集的高斯特性和非高斯特性进行分析处理，获得全局模型。在线监控阶段对工业过程数据进行独立重复采样，经过局部邻域标准化处理后应用所述模型分析处理获得多个统计量，再根据贝叶斯推断将多个统计量组合成一个统计量，通过比较控制限，获得故障诊断结果。相比与传统故障诊断方法，本发明可以简化处理过程，提高诊断效果，改善过程监测性能，同时方便工作人员监测观察，有利于杜绝安全隐患，保障工业过程的正常运行。

技术领域

本发明属于工业过程监测领域，尤其涉及一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法。

背景技术

现代复杂工业过程中往往包含非线性、非高斯、动态性等特点的不同工况，而且多工况下数据服从不同分布。然而大多数多元统计过程监测方法如主成分分析(PCA)、偏最小二乘(PLS)都假设数据服从单一高斯分布，因此这些方法应用在多工况过程中其监测效果有较大的局限。

近年来，为了能够有效地解决多工况过程的在线监测问题，一些学者提出了多模型的监测策略，高斯混合模型(GMM)、PCA混合模型等方法通过应用多个高斯成分表征过程数据，不同工况下的数据通过对应的高斯成分特征提取，从而在多工况过程中获得了良好的监测性能。然而在离线建模阶段，如何将历史数据分类到对应子模型的先验知识是很难获得的，而且在线监控阶段新数据所属的模型不易确定，不同的子模型都有各自的监测图，不方便操作人员观察判断。

所以就需要一种既能简化处理既简化处理过程，提高监测性能，而且方便操作人员观察，利于工业过程的运行管理的故障诊断方法。

发明内容

本发明针对多工况工业过程的非线性、动态性、多分布的特点提供一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法。

本发明的目的是通过以下技术方案来实现的：

一种基于局部邻域标准化和贝叶斯推断的ICA-PCA多工况故障诊断方法，所述方法包括以下过程：

首先收集不同工况下正常数据组成训练集，用局部邻域标准化方法对训练集进行预处理，并采用ICA-PCA算法建立模型，获得3个统计量，然后应用贝叶斯推断将所述统计量组合成为一个统计量，并确定相应控制限。

当新的数据点到来时，将其放入历史训练集中利用局部邻域标准化方法进行预处理，然后再将该数据点移除，通过所述ICA-PCA模型获得相应统计量。

通过贝叶斯推断将所述统计量组合成一个统计量，通过比较在线统计量与控制限的大小来对是否出现故障做出决策。

需要对当前工况监测时，不需要知道当前是哪一个工况，而且只需要观察一个监测变量图。

本发明的具体步骤如下：

步骤1：收集工业过程中各个工况正常运行的数据组成训练样本集；

步骤2：利用局部邻域标准化方法对训练样本进行预处理，使得多工况数据可以由单一模型来表示；

所述局部邻域标准化算法为：

假设样本集X∈R^m×n，其中，m是过程变量的数目，n是样本数据的大小；样本x_i∈R^m×1(i＝1,2…,n)的局部邻域N_k(x_i)表示样本在X中由欧氏距离确定的k个最近邻，其中然后利用每个样本的第一个邻居的邻域均值和邻域标准差进行标准化处理：如式(1)