基于数据驱动的故障诊断方法PPT课件

1、-，1，实际限制、成本优化、技术机会等考虑因素使如何利用这些数据来满足系统可靠性提高要求成为一个紧迫的问题。基于数据驱动的错误检测技术，需要在大型复杂系统中监视的变量大大增加，与获得的大数据量和小型简单过程相比，需要急剧增加。-，5，-，-，6，基于数据的故障排除方法，基于数据的故障排除方法可分为三类，故障排除方法是基于数据的控制优化方法的一个子领域，重点是如何利用当前采样的在线数据和利用系统存储中许多过去脱机数据的管理系统中的联机和脱机数据。因此，明确离线、在线差异和数据要求是利用数据的第一步。基于数据的故障诊断方法可以极大地补充机制模型方法，当前使用的分布式控制系统(DCS)可以为全局管理

2、监视提供由高质量流程数据组成的平台，以优化和监视流程。-，8，基于统计分析的方法主要依靠分析过程数据统计从该变化中提取要素。应用统计理论进行故障诊断时，系统必须出现故障。否则，流程数据的特性统计信息可能仅在一定的允许范围内波动。虽然不能准确预测变量的每个观测值的特定值，但是特征统计(例如平均值和方差)成为特性统计的可重复性，可重复性允许为特定变量设置特定语句限制，从而有效地检测异常状态。-，9，-，-，10，PCA技术将系统的高维历史数据组织到矩阵中，执行一系列矩阵运算，然后确定几个正交向量，其中历史数据的投影反映了数据变化最大的多个方向，并且可以通过丢弃数据变化较少的方向来维度地表示高维数据

3、。对于间隔短的优化项目，考虑不同变量之间的相关性和自相关性。方法：使用动态PCA技术配置t-time和history数据的培训矩阵。通过利用PCA技术降低维度，通常仅二维或三维就可以反映历史数据的大部分更改方向，从而使您能够捕获大规模数据的关键部分并大大简化数据的使用。-，11，PCA审阅和扩展，如上所述，PCA将本质上由历史数据集组成的输入空间转换为线性，这对于沿高斯分布数据要素的提取只有明显的效果。但是，在大多数情况下，数据集具有随机分布特性。传统的PCA方法看起来很无力，尤其是当非线性结构和线性分类不可用时。KPCA是一种非线性PCA技术，它通过非线性映射函数将历史数据映射到要素空间f的

4、数据空间。但是，使用PCA技术对f数据集进行分类。KPCA的核心是通过预先选择的内核函数(而不是映射函数)执行内部产品运算时不查找，将PCA方法扩展到基于神经网络的非线性PCA。如果某些数据是非线性的，则非线性PCA神经网络可能比传统PCA捕获更多的数据变化。-，12，PCA方法查找培训数据的x变化最大的方向，由表示这些方向的向量组成的安装矩阵作为错误分类，对新的观测数据进行分类。PLS方法确定装载向量，以最大化x和y之间的协方差，从而帮助标识的装载向量准确表示不同的故障差异并进行分类。缺点：示例安装向量只反映x变化最大的几个方向，如果这些方向不足以包含区分故障所需的足够信息，则PCA不充当故障分类。模式分类通常表示同级为“1”，非同级为“0”，第一行n1中只有元素1列，其他为0，属于故障类1的n1数据。然后，行N2与第一个n1行数据没有线性关系。也就是说，N2个数据属于故障类2。PLS方法中，类p错误，为每个错误类观测的矢量数分别为ni(1Ip)，x的前n1行放置属于错误类1的观测数据，N2行放置错误类2的观测数据，这是