[发明专利]一种基于两分类Fisher判别分析的故障诊断方法

说明书

技术领域

本发明涉及一种工业故障诊断方法，尤其涉及一种基于两分类Fisher判别分析的故障诊断方法。

背景技术

日趋复杂而大规模化的工业过程对象对故障检测与诊断系统的性能提出了越来越高的要求，不仅需要及时地触发故障警报，而且还要求准确地识别出当前故障类型。考虑到过程对象的复杂特性，建立相应的机理模型几乎不可能。对此，理论研究者与实践者们建议利用生产过程采集的数据实施故障检测与诊断。在工业“大数据”背景下，数据驱动的过程监测方法技术得到了空前的发展与应用，各种方法层出不穷。在已有的科研文献与专利中，数据驱动的过程监测方法取得的瞩目成就主要集中于对故障进行监测，也就是当故障发生时，能触发故障警报。然而，当故障被检测出来后，如何诊断所发生的故障类型却成了数据驱动方法技术的软肋。已有的数据驱动的故障诊断方法主要依赖于贡献图法与模式分类法，前者通过找出“可疑”变量以指导操作人员定位故障原因，后者通过比较当前故障数据与历史数据库中各种故障数据的相似性匹配当前故障类型。虽然利用贡献图法能够定位出“可疑”变量，但是由于测量变量间的耦合性，无法保证“可疑”变量的正确性。利用模式分类法直接匹配故障类型相对来讲更加可靠，但是由于故障开始阶段所采集的数据是非稳态数据，非线性与动态性问题都是非常棘手的。若处理不当，所建立的分类模型误报率会非常高。另一方面，建立分类模型通常需要比测量变量更多的样本数，以避免小样本问题的出现。这在实际应用中有时无法满足，因为操作人员通常会及时采取措施消除故障，这样一来采集到的历史数据量非常有限。因此，基于模式分类方法的故障诊断技术同样面临着诸多挑战。

建立分类模型最经典的算法莫过于Fisher判别分析，它通过最大化类别间方差与最小化同类数据方差实现了对多类数据的分类目的。Fisher判别分析方法发展至今，各种拓展与改进形式层出不穷，衍生出了各式各样的算法，但其算法的基本宗旨却未发生任何改变。在故障诊断领域，Fisher判别分析已经被用来建立故障的多分类模型。值得一提的是，有学者曾研究证明若在建立Fisher判别模型之前，对变量实施选择可有效地提升模型的分类正确率。因为变量选择除了降低“干扰变量”的负面影响外，还起到了一定的降维作用，这对提高模型可靠性是有很大助益的。可是，当故障类型较多时，基于变量选择的Fisher判别模型精度依旧无法达到要求。然而，变量选择仍旧不失为一种能有效提高模型分类能力的途径。作为一种最简单的分类建模算法，多分类的Fisher判别分析用于故障分类诊断似乎遇到了发展的瓶颈，研究者们开始更多地关注于其他更高效的分类方法。因此，如何提升Fisher判别模型用于故障分类诊断的识别精度是一个丞待解决的问题。

发明内容

本发明所要解决的主要技术问题是：如何通过变量选择提高Fisher判别分析模型用于故障诊断的可适用性与分类正确率。为此，本发明提供一种基于两分类Fisher判别分析的故障诊断方法。该发明方法首先利用遗传算法选择出每种故障类型最能区别于正常数据的特征变量集，然后利用特征变量建立正常数据与每类故障数据之间的两分类的Fisher判别分析模型。最后，利用多个两分类的Fisher判别模型实施故障分类诊断。

本发明解决上述技术问题所采用的技术方案为：一种基于两分类Fisher判别分析的故障诊断方法，包括以下步骤：

(1)收集生产过程正常运行状态下的采样数据，组成数据矩阵X₀∈R^n×m，收集生产过程在不同故障操作状态下的采样数据，组成不同的参考故障数据集其中，n为训练样本数，m为过程测量变量数，下标号c＝1，2，…，C表示第c种参考故障类型，N_c为第c种故障的可用样本数，R为实数集，R^n×m表示n×m维的实数矩阵。

(2)对矩阵X₀进行标准化处理，得到均值为0，标准差为1的新数据矩阵并利用矩阵X₀的均值向量与标准差向量对进行同样的标准化处理，得到矩阵

(3)利用遗传算法找出第c种故障类型数据最能区别于正常数据的特征变量集，记做θ_c。

(4)利用特征变量集θ_c从矩阵与中选出相应的变量(即矩阵的列)，对应组成新矩阵与

(5)利用Fisher判别分析算法建立与之间的两分类判别模型，并保留模型参数集Θ_c以备调用。