一种基于ICA-SVM的故障诊断方法 电子技术论文(精品).doc

本文由yangjun2399贡献 pdf文档可能在WAP端浏览体验不佳。建议您优先选择TXT，或下载源文件到本机查看。 第 34 卷 第 4 期 V ol .34 N o 4 中南工业大学学报( 自然科学版) J . CENT . SOUTH UNIV . TECHNOL . V ol .34 N o .4 A u g . 20 03 一 种 基 于 ICA SV M 的 故 障 诊 断 方 法 郭 明,谢 磊,何 宁,王树青 杭州, 310027) ( 工业控制技术国家重点实验室, 浙江大学 先进控制研究所,浙江 摘要: 提出了一种基于独立分量分析和支撑向量机( A SV M ) IC 对系统性能 进行监控的 整体框架 .这一框 架包括 特 阵, 而这些投影系数矩阵则被用于训练多个支撑 向量机, 实现故 障类型 的识别 .Tennes see Eastman 过 程的仿 真 以 征提取和故障识别两部分 .独立分量分析被用于从当前工况的数据矩阵中提取出代表 当前工况特 征的投影系 数矩 结果证明了该算法的有效性 . 中图分类号: P273 T 关键词: 支撑向量机;过程监控;故障诊断 文献标识码: A 1005 2003) 0447 04 04 文章编号: 9792( 对于实际化工过程, 由于控制回路与测量点多, 操作条件多变, 故障类型也有多种, 使得化工过程的 化工过程很难建立起精确的动态数学模型, 因此, 基 于数学模型的故障诊断方法在化工过程中没有广泛 动的各种统计方法 ( 主元 分析 等).这 一方 法要 求 如 史数据 .其诊断步骤包括特征提取和模式识别两步, 目标是提取可以明确 识 别的 某一 类型 的特 征, 在 并 于人工神经网络的故障诊断方法在化工过程中应用 较多 1 们 能 够 更 好 得 反 映 过 程 的 特 征 .独 立 分 量 分 析 ( A) IC 作为近年来发展起 来的一种 新的统计 信号 处 理方法 3 故障检测与诊断问题变得十分复杂 .总的来说, 由于 x , 信息 其原理如下: 设共有 l 个观测信号 x 1 , 2 , s2 , s m 的线性组合, , 即 式中: AR l m , P CA 相比, 有效地 利用 了高 阶统 计 与 更 推广应用 .目前, 比较有效的方法是采用基于数据驱 xl , 它们分别为 m 个 非高 斯 分 布 的 独立 源 信 号 s1 , , 混 叠 系 数矩 阵 .由 于独 立 源 S 和 为 X = A S . ( 1) 收集正常操作条件下, 以及 在各 种故 障 状态 下的 历 混叠系数矩阵 A 都未 知, 为了从 观测 信号中 分离 出 各独立源信号, 定义如下目标函数: J( y)= H( g a u s s )- H ( y y). 此基础上最优地对采集到的样本进行分类 .目前, 基 , 是, 但 其结 构 参 数 往 往需 多 次 实 验 才 能 确 式中: 为任 一随机量; g a u s s 是一 个与 y 具有相 同方 y y 差的高斯分布的随机量;函数 H( ) 为相应变量的 信息熵函数 .根据中心极限定理可知, 由于观测信号 可 s i 相比 更 接 近 高 斯分 布 .因 此, 在 分 离 过 程 中 按 当 2) ( 式计算源信号估计值 i 的非 高斯 性, ( 式 中 2) s 立分量( 即驱动变 量) 个数, 目前 也 还未 有一 个 的 而 的分离 .对于实际化工过程, 一般并不能确切知道独 ( 2) 定, 且在分类之前 需要 大量 的故 障样 本 对其 进行 训 练 .而实际工业生产过程中只有少量的故障样本, 大 小样本下具有良好的学习能力 的故障诊断方法 . 2 量的是正常操作条件 下 的数 据 .由于 支 撑向 量机 在 x i 为相互独立的 源信 号 s i 的线 性组 合, 此, i 与 因 x 立分量分析提取故障 特 征, 以探 讨基 于 支撑 向量 机 , 在此, 作者通过 独 的目标函数达到最大时,表明 已完成对 各独立分 量 1 基于 ICA S V M 的故障诊断框架 大多数 化工 过程 常常拥 有大 量的测 量变 量, 这 中的方差累计贡献率的方法来确定独立分量数 . 4 在对系统进行监 控时,先 从历史数据库中 选取 l n 较好的方法确定最优 的 独立 分量 数 .这 里采 用文 献 正常工 况 下 的 测 量 数 据 Xn or m a l R Xn o r m a l = An Sn . ( 为传感 器 l 些变量并不是相互独 立 的, 往往 是由 少 数独 立变 量 ( 不一定可直接测 量) 驱动 .利 用独 立 分量 分析 提 所 取这些独立变量, 并进一步对其进行监控, 可以大大 减少数据的维数; 同时, 由于 各分 量都 是独 立 的, 它 收 稿日 期: 00 3 04 20 2 作 者简 介: 郭 数, 为采样点 数) 预 处 理后 对 其 进行 独 立分 量 分 n , 析, 即有 ( 3) 基 金项 目: 家 “ 3” 国 86 计划 项目 ( 001 A A41311 0) 2 明 ( 77 ) 19 ,男 ,湘 北 襄樊 人, 浙江大 学博 士 研究 生 , 从事 化工过 程控 制、 系统性 能监 控及故 障诊 断等研 究 448 中南工 业大 学学报 ( 然科 学版) 自 m n 第 34 卷 式中: 矩阵 Sn R 量的变化趋势; n R A , 表征 正常 工 况下 m 个 独 立分 l m 以 矩阵 .当得到 正常 工 况 下的 矩 阵 Sn 之后, 其 行向 测量 信号 投影 到该 特征 子 空间, 待 监控 的测 量信 设 号为 Xp R l n , 为正常 工况下 的混 叠系数 常工况 . 量为特征向量构造特征子 空间 .然 后, 将待 监控的 , 有 在正 常工 况特 征子 空间 的 投影 系数, 这些 系数 可以 反映出系统是否处于正常操作条件, 按下式求得: S 表 示矩 阵 Sn 的 M o or e Penr ose 广 义 逆 .当 系 统 + n 式中: 矩阵 Ap R l m Xp = Ap Sn . , 其各行向量分别为各测量信号 ( 4) Ap = Xp Sn . + ( 5) 图 1 基于 I C A S U M 的系统性能监控步骤 有异 常事 件发 生时, 其在 特征 子空 间 的投 影系 数矩 监控指标进行异常事件的检测 . 阵 Ap 与 An 相比, 必然发生较大的变化, 义如下的 定 A Ap - An 2 m a x ( dif f ) I= . = m a x ( n ) An 2 A ( 6) 2 仿真实例 T E( Tennessee E as t man) 程 ( 图 2 所 示) 过 如 是 值 .在对实际过程进行监控 时, 对正常 工况 下的数 可 进一 步可 超出阈值 Ic ri ,则可 认 为有 异常 事件 发生, 根据系数 Ap 来识别故障 . 用独立分量分析计算出投影系 数矩 阵作 为系统 据多次取样, 确定指标 I 的阈值 Ic ri .一旦指标 I 的值 式中: d i ff = Ap - An ; m a x ( 表 示矩 阵 的 最 大 奇异 A ) 由 J .Do w ns 等提出的5 .这 一过 程以 实 际的 工业 流 程为基础, 适用于充当测试各种控 制算 法的平 台 .目 程 , 6 7 前, 有 不 少 基 于 PC A 的 监 控 方 法 应 用 于 该 过 已 器、 循环压缩机、 气液分离器、 解吸塔 .该过程共有 12 .该过程包括 5 个主要操作 单元: 反应器、 凝 冷 过程中共有 15 种主要已知扰动5 . 个操纵变量, 个 测量 变量,采 样 时间 为 3 min .该 41 在进行实时监 控时, 于 IC A 分 析 需对 一段 时 由 所处 工况 的特 征, 后利 用支 撑向 量 机对 其进 行分 然 构风险极小化的基础上, 有限的训 练样 本集, 对 能够 获得 最优 的推 广能 力, 好地 解决 了 过学 习和 欠学 较 习问 题, 被 成 功 应 用 于 人 脸 识 别、 音 识 别 等 领 已 语 域 2 类 .支撑向量机作为一种小 样本学习 理论, 立在结 建 间片内的数据进行处理, 采用文献 中的滑 动窗 口 7 技术, 即用 适当 大 小的 滑动 窗逐 步更 新 代表 当前 操 作条 件 的数 据矩 阵, 着将 其投 影到 正 常工 况特 征 接 子空间, 并按( 式计算当前步的监控指标 I .若其 超 6) 则 并将 此 时 的 投 过阈值 Icr i , 判断 有 异 常 事件 发 生, 影系数矩阵 Ap 送 到后 续 的支 撑 向 量机 故 障识 别 系 多类问题分解为多个两类问题, 然后用 S V M 进行训 练, 即每 次将 其 中一 个类 别的 训练 数 据作 为一 个类 别, 其他 不属 于 该类 别的 训练 数据 作 为另 外一 个类 别 .对于含 J 个故障的故障集 i= 1 , F i 可用 J 组支撑 J 实际 工业 过程 常常 包括 多 种类 型的 故障 .一般 是将 .经典的 S V M 是 针对 两类 模 式识 别 问题 的, 但 统去处理; 若未超过阈值, 则继续向前滑动窗口 .图 3 所示 为第 4 种故 障的 实 时监 控结 果, 中的 虚线 表 图 示 95 % 的控制限的监控结果 .过程为: 先在正常工况 经超出控制限 .该过程 的 15 种已 知扰 动 中, 共有 12 种可以被检测出的故障( 故障 3 , 和 15 不能 被检 测 9 向量 机来 实 现 故 障 的识 别 .整 个 基于 IC A S V M 的 系统性能监控步骤如图 1 所示 .图 1 中, 在进 行独立 分量 分析 之前, 需先 对采 集到 的数 据 进行 消噪 和校 正 .其目 的是 剔 除 一 些 明 显 的 测 量 误 差 ( 粗 噪 误 即 平衡、 量平 衡) 确 保每 一传 感器 的 测量 数据 都是 质 , 有效 的 .通过 这 一步 骤能 够检 测出 一 些量 值大 且较 明显 的故 障, 时也 能增 强后 续步 骤 的故 障检 测能 同 下运行 8 h, 此后引入扰动 .可见, 8 h 时, 在 指标 I 已 出来).每种故障取 6 个样本, 则一 共可 以得到 72 个 投影系数矩 阵, 用这 72 个 训 练 样 本 分 别 去 训 练 12 个支 撑 向量 机, 一支 撑向 量机 对应 于 某一 特定 故 每 差) 同时使测量 数 据 满足 一 些基 本 关系 式 ( 能量 , 如 力 .当 SV M 识 别出 故障 源之后, 监督 控制 层产生 由 相应的动作( 设定 值 的改 变) 以 使 过 程恢 复 到正 如 , 系数矩阵 Ap 按 行 展开 成 一维 横 向 量作 为 支撑 向 量 机的输入 .表 1 列 出 了故 障诊 断结 果 .可 见, 撑 向 支 量机具有较强的识别能力 . 障 .验证 集取 48 个 样本 ( 每种 故 障取 4 个样 本).将 S V M 的核函数选为径向基 函数, 将每 一故障 的投 影 第4期 郭 明, 一种 基 于 IC A S V M 的故障 诊断方 法 等: 449 图 2 处理模拟过程 型, 是一种基于历史数据的监控方法 . 前提是必需收集正常操作条件及各种故障状态下的 b .采用基于历史 数 据的 方法 进行 故障 诊 断, 其 历史数据 .鉴于实际过程的故障数据都是有限的, 在 用独立分量分析进行 特 征提 取的 基础 上, 用支 撑 采 图 3 第 4 种故障的实时监控结果 表 1 故障 类型 1 2 4 5 6 7 识 别率 44 / 4 8 45 / 4 8 44 / 4 8 46 / 4 8 48 / 4 8 48 / 4 8 向量机进行模式的分类 . 故障诊断结果 故 障类型 10 11 12 13 14 8 识别率 48 / 48 47 / 48 48 / 48 47 / 48 46 / 48 48 / 48 法与传统的识别方法 相 比, 可以 获得 更 强的 学习 能 力 . c . T E 过程的计算结果表明整个监 控方法是 有 c .对于小样 本问 题, 使用 支 撑 向量 机 的识 别 方 效的 . 参考文献: 1 o rsa T ,K oi vo H N . A pp lica ti on of ar tif icia l ne ur al n et w o r ks 注 : 别率 即 正确 识 别 数与 总 识别 数之比 . 识 3 结 论 2 边 肇 祺, 学 工 . 模 式 识 别 M. 北 京 : 清 华 大 学 出 版 社, 张 3 H y v in en A . F as t and r o bus t fi xe d p oin t a lg o ri t hm s f o r inde 2 000 . 8 49 . i n pr o ces s fa ul t di ag n osis J. A u t o m a tica,1993 , ( : 29 4) 843 监控的整体框架 .这一 方法 不需 建立 系 统的 数学 模 a .提出了一种基于 IC A S V M 对 系统性 能进 行 p end en t co mp o ne n t an aly sis J. I EE E T r an sac ti on s o n N eu ra l 450 N et w o rks ,19 99, 3) 62 6 6 34 . 10( : 中南工 业大 学学报 ( 然科 学版) 自 第 34 卷 4 L I R F , Wa n g X Z . Dim en si on r educ tio n of pr ocess d y na m ic a nd C he m ical E ng in eerin g ,20 02 , : 7 47 3 . 26 46 tr ends u sin g in d epe nde n t co mp o ne n t a nal ysis J. C o mpu t er s a te st a tist ica l pr oces s m o ni to ri ng m et h o ds w i t h a pplicat io ns t o E n gi nee r in g,200 2, 1 61 1 74 . 26: t he E ast m a n c hal len ge pr o bl e m J. C o mpu t er s a nd Ch e m ica l 5 D o w ns J J,V o gel E F . A pl an t w ide in dust ria l p r oces s co n tr o l 17: 5 25 5 . 24 7 K an o M ,H aseb e S,H ash im o t o I . A ne w mu l tiv ar ia te st at isti cal pr o ces s m on it o r in g m et h o d u si n g prin ci pal co m po ne n t an al y sis J. Co m pu t e rs a nd Ch e m ica l En g in eer in g , 2 001 ,25 : pr o ble m J. C o mpu t e rs and C h em ical E n gin ee ri n g, 19 93 , 6 K a no M ,N ag ao K ,H ase be S,et a l . C o mp a riso n o f m ul ti va ri 1 103 1113 . The method of independent component analysis and support vector machine based fault diagnosis G U O M ing,XIE Lei,H E Ning,W A N G S hu qing ( tio nal K ey La bo rato r y o f Indust rial C on tr ol T echn olo gy, Na Institu te of Advanced P rocess Con t rol,Zh ejian g U niversit y,Ha ngzho u 310027, hina) C Abstract:A chemical pr ocess has a lar ge nu m be r of m easured variables ,but it is us ually driven by fe w e r essential va riables,w hic h may not be meas ured . E x t racti ng t hese essen tial va riables and m onit oring t he m w ill im pro ve t h