[发明专利]基于显著故障变量提取的卷烟制叶丝段故障诊断方法

说明书

技术领域

本发明涉及卷烟制叶丝段Sirox增温增湿机和KLD薄板烘丝机的故障变量提取、故障离线建模与在线故障诊断技术。

背景技术

随着我国烟草行业整体实力的不断提高，有效提升设备的智能化水平和高效运行能力已成为卷烟工业企业关注的焦点，状态监测与故障诊断是提升设备智能化和高效运行的重要手段。王伟[王伟,赵春晖,楼卫东,等.基于相对变化分析的多模态卷烟制叶丝段故障监测[J].烟草科技,2015,48(12):78-86.]等提出一种基于相对变化分析的多模态卷烟制叶丝段故障监测方法，能够及时有效地检测出设备故障。故障诊断可在检测到故障后更及时的定位故障，缩小故障的判断范围，从而使维保人员的注意力集中到发生故障的部件上来。对于故障诊断问题，目前主要有两类方法：基于统计理论的方法(贡献图法[Nomikos P,MacGregor J F.Multivariate SPC charts for monitoring batch processes[J].Technometrics,1995,37(1):41-59.]、结构化残差法[Gertler J,Li W,Huang Y,et al.Isolation enhanced principal component analysis[J].AIChE Journal,1999,45(2):323-334.]和信号重构法[Dunia R,S J Qin.Subspace approach to multidimensional fault identification and reconstruction[J].AIChE Journal,1998,44(8):1813-1831.])和基于模式分类的方法(特征方向法[Zhang J,Martin E B,Morris A J.Fault detection and diagnosis using multivariate statistical techniques[J].Chemical Engineering Research and Design,1996,74(1):89-96.,Chiang L H,Russell E L,Braatz R D.Fault diagnosis in chemical processes using Fisher discriminant analysis,discriminant partial least squares,and principal component analysis[J],Chemometrics and Intelligent Laboratory Systems,2000,50(2):243-252.]、统计距离法[Kano M,Hasebe S,Hashimoto I.A new multivariate statistical process monitoring method using principal component analysis[J].Computers and Chemical Engineering,2001,25(7-8):1103-1113.]和支持向量机法[Chu Y,Qin S J,Han C.Fault detection and operation mode identification based on pattern classification with variable selection.Industrial&Engineering Chemical Research,2004,43(7):1701-1710.,Chiang L H,Kotanchek M E,Kordon A K.Fault diagnosis based on Fisher discriminant analysis and support vector machines[J].Computers and Chemical Engineering,2004,28(8):1389-1401.])，其中贡献图故障诊断方法简单易行，且不需要预先的过程知识，得到了广泛的应用。但由于过程变量间的强相关性，故障变量的信息会传播到其它变量上，使得故障变量贡献与正常变量贡献之间的差异减少，甚至出现正常变量贡献大于故障变量贡献的情况，导致错误的诊断结果[Yue H H,Qin S J.Reconstruction-based fault identification using a combined index[J].Industrial&Engineering Chemistry Research,2001,40(20):4403-4414.]。基于Fisher判别分析(Fisher Discriminant Analysis,FDA)提取特征方向的故障诊断方法利用正常工况和各种故障工况的历史数据进行建模，其故障诊断能力要优于贡献图故障诊断方法[6]。但是基于FDA提取特征方向的故障诊断方法存在类内离散度矩阵奇异性问题，同时它将所有监测变量作为一个整体建立诊断模型而没有分离特殊的故障变量，在一定程度上制约了该方法的应用效果。