專利名稱：一種基于fisher的工業過程非線性故障診斷系統及方法
技術領域：
本發明涉及工業過程故障診斷領域，特別地，涉及一種基于fisher的工業過程非線性故障診斷系統及方法。
背景技術：
由于產品質量、經濟效益、安全以及環保的要求，工業過程和相關的控制系統變的非常復雜，為了保證工業系統的正常運作，故障的診斷和檢測在工業過程中扮演著非常重要的角色。近年來，統計分析應用于過程監控和故障診斷得到了廣泛的研究。
利用工業實測數據，采用統計的方法進行故障診斷，避開了復雜的機理分析，求解相對方便。但是目前的大多數故障診斷方法都對變量的分布或者協方差分布有一定的要求，比如要求變量滿足高斯分布等，而工業生產過程中的數據往往很有可能不滿足這些要求。因此，往往得不到很好的故障診斷效果。
發明內容為了克服已有的故障診斷系統的適用性差、診斷效果較差的不足，本發明提供一種適用范圍廣、能夠得到良好的故障診斷效果的基于fisher的工業過程非線性故障診斷系統及方法。
本發明解決其技術問題所采用的技術方案是一種基于fisher的工業過程非線性故障診斷系統，包括與工業過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊，用于對數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,]]>
2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數；fisher判別分析模塊，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量1；3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
作為優選的一種方案所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
作為優選的另一種方案所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
一種基于fisher的工業過程非線性故障診斷系統方法所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在上位機的fisher判別分析模塊中，設置判別函數個數N等參數，并設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數。
(4)、再對數據進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量1；4.3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4.4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；4.5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；(5)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
作為優選的一種方案所述的故障診斷方法還包括(6)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機的fisher判別分析模塊中的分類器模型。
作為優選的再一種方案在所述的(5)中，計算判別函數值，并在上位機的人機界面上顯示過程的狀態，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
Fisher準則對變量分布和協方差分布沒有要求，適用范圍廣，因此廣泛運用于判別分析的各個領域。故障診斷的首要任務是把來自工業過程的樣本分成正常和故障兩類，可以歸結為判別分析問題，所以本發明引入fisher準則進行過程的故障診斷，可以廣泛適用于各種工業過程。
本發明的有益效果主要表現在1、適用范圍廣、能夠得到良好的故障診斷效果；2、能夠廣泛適用于各種工業過程。
圖1是本發明所提出的故障診斷系統的硬件結構圖。
圖2是本發明所提出的故障診斷系統功能模塊圖。
圖3是本發明上位機的原理框圖。
具體實施方式
下面結合附圖對本發明作進一步描述。
實施例1參照圖1、圖2、圖3，一種基于fisher的工業過程非線性故障診斷系統，包括與工業過程對象1連接的現場智能儀表2、DCS系統以及上位機6，所述的DCS系統由數據接口3、控制站4、數據庫5構成；智能儀表2、DCS系統、上位機6通過現場總線依次相連，所述的上位機6包括標準化處理模塊7，用于對數據進行標準化處理，使得各變量的均值為0、方差為1，并得到輸入矩陣X，采用以下過程來完成
1)計算均值TX‾=1NΣi=1NTXi,]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數；fisher判別分析模塊8，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量l；3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；信號采集模塊9，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊10，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊11，用于對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
所述的上位機還包括判別模型更新模塊12，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
所述的上位機還包括結果顯示模塊13，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
本實施例的工業過程故障診斷系統的硬件結構圖如附圖1所示，所述的故障診斷系統核心由包括標準化處理模塊7和fisher判別分析模塊8兩大功能模塊和人機界面的上位機6構成，此外還包括現場智能儀表2，DCS系統和現場總線。所述的DCS系統由數據接口3、控制站4、數據庫5構成；工業過程對象1、智能儀表2、DCS系統、上位機6通過現場總線依次相連，實現信息流的上傳和下達。故障診斷系統在上位機6上運行，可以方便地與底層系統進行信息交換，及時應對系統故障。
本實施例的故障診斷系統的功能模塊圖如附圖2所示，主要包括標準化處理模塊7、fisher判別分析模塊8等。
所述的故障診斷方法按照如下步驟來實現1、確定故障診斷所用的關鍵變量，從DCS數據庫5的歷史數據庫中分別采集系統正常和故障時這些變量的數據作為訓練樣本TX；2、在上位機6的fisher判別分析模塊8中，設置判別函數個數N等參數，并設定DCS中的采樣周期；3、訓練樣本TX在上位機6中，依次經過標準化處理7、fisher判別分析8等功能模塊，采用以下步驟來完成診斷系統的訓練1)在上位機6的標準化處理功能模塊7中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X。采用以下過程來完成①計算均值TX‾=1NΣi=1NTXi,]]>②計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>③標準化X=TX-TX‾σx,]]>④其中N為訓練樣本數。
上位機6的標準化處理功能模塊7所進行的標準化處理能消除各變量因為量綱不同造成的影響。
2)計算訓練樣本的組內離差陣W和組間離差陣B；3)計算|B-λW|＝0的廣義特征根λ和特征向量l；
4)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；5)通過以上變換式分別計算出系統正常和故障時的L個指標，作為各類狀態的重心，按參數設置取前N個；4、系統開始投運1)用定時器，設置好每次采樣的時間間隔；2)現場智能儀表2檢測過程數據并傳送到DCS數據庫5的實時數據庫中；3)上位機6在每個定時周期從DCS數據庫5的實時數掘庫中，得到最新的變量數據，作為待診斷數據VX；4)待檢測數據VX，在上位機6的標準化處理功能模塊7中，用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊8的輸入；5)上位機6中的fisher判別分析模塊8，將輸入代入訓練得到的判別函數，計算判別函數值，判別并在上位機6的人機界面上顯示過程的狀態；6)上位機6將故障診斷結果傳給DCS，并在DCS的控制站4顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示，使得現場操作工可以及時應對。
5、判別模型更新在系統投運過程中，定期將過程狀態幣常的點添加到訓練集VX中，重復步驟3的訓練過程，以便及時更新上位機6的fisher判別分析模塊8中的分類器模型，保持判別模型具有較好的效果。
實施例2參照圖1、圖2、圖3，一種基于fisher的工業過程非線性故障診斷系統方法所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫5的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在上位機6的fisher判別分析模塊8中，設置判別函數個數N等參數，并設定DCS中的采樣周期；
(3)、訓練樣本TX在上位機中，在標準化模塊7對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數。
(4)、再對數據進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量l；4.3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4.4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；4.5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；(5)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
所述的故障診斷方法還包括(6)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機6的fisher判別分析模塊8中的分類器模型。
在所述的(5)中，計算判別函數值，并在上位機6的人機界面上顯示過程的狀態，上位機6將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
權利要求
1.一種基于fisher的工業過程非線性故障診斷系統，包括與工業過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，其特征在于所述的上位機包括標準化處理模塊，用于對數據進行標準化處理，各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成1)計算均值TX‾=1NΣi=1NTXi,]]>2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3)標準化X=TX-TX‾σx,]]>其中，TX為訓練樣本，N為訓練樣本數；fisher判別分析模塊，用于對樣本進行分析診斷，確定分類器模型，采用如下過程1)計算訓練樣本的組內離差陣W和組間離差陣B；2)計算|B-λW|＝0的廣義特征根λ和特征向量1；3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；信號采集模塊，用于設定每次采樣的時間間隙，采集現場智能儀表的信號；待診斷數據確定模塊，用于將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；故障診斷模塊，用于對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
2.如權利要求1所述的基于fisher的工業過程非線性故障診斷系統，其特征在于所述的上位機還包括判別模型更新模塊，用于定期將過程狀態正常的點添加到訓練集VX中，輸出到標準化處理模塊，并更新上位機的fisher判別分析模塊中的分類器模型。
3.如權利要求1或2所述的的基于fisher的工業過程非線性故障診斷系統，其特征在于所述的上位機還包括結果顯示模塊，用于將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，并通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
4.一種用如權利要求1所述的基于fisher的工業過程非線性故障診斷系統實現的故障診斷方法，其特征在于所述的故障診斷方法包括以下步驟(1)、確定故障診斷所用的關鍵變量，從DCS數據庫的歷史數據庫中分別采集系統正常和故障時所述變量的數據作為訓練樣本TX；(2)、在上位機的fisher判別分析模塊中，設置判別函數個數N等參數，并設定DCS中的采樣周期；(3)、訓練樣本TX在上位機中，對數據進行標準化處理，使得各變量的均值為0，方差為1，得到輸入矩陣X，采用以下過程來完成3.1)計算均值TX‾=1NΣi=1NTXi,]]>3.2)計算方差σx2=1N-1Σi=1N(TXi-TX‾),]]>3.3)標準化X=TX-TX‾σx,]]>其中，N為訓練樣本數。(4)、再對數據進行fisher判別分析，具體的步驟為4.1)計算訓練樣本的組內離差陣W和組間離差陣B；4.2)計算|B-λW|＝0的廣義特征根λ和特征向量1；4.3)取對應于非0特征根的特征向量，得如下變換式Y1=l11X1′+l12X2′+...+l1mXm′...YL=lL1X1′+lL2X2′+...+lLmXm′]]>其中L為非0特征根的個數，Xi′為標準化后的數據；4.4)通過以上變換式分別計算出系統正常和故障時的L個指標，即為各類狀態的重心，按參數設置取前N個；4.5)待測樣本經過同樣的變換得到L個指標，取前N個，分別計算它與各類狀態重心的距離，將其歸為距離最小的一類；(5)、將采集的數據傳送到DCS實時數據庫中，在每個定時周期從DCS數據庫的實時數據庫中，得到最新的變量數據作為待診斷數據VX；對待檢測數據VX用訓練時得到的 和σx2進行標準化處理，并將標準化處理后的數據作為fisher判別分析模塊的輸入，將輸入代入訓練得到的判別函數，計算判別函數值，判別所述工業過程的狀態。
5.如權利要求4所述的一種基于fisher的工業過程非線性故障診斷方法，其特征在于所述的故障診斷方法還包括(6)、定期將過程狀態正常的點添加到訓練集VX中，重復(3)的訓練過程，以便及時更新上位機的fisher判別分析模塊中的分類器模型。
6.如權利要求4或5所述的一種基于fisher的工業過程非線性故障診斷方法，其特征在于在所述的(5)中，計算判別函數值，并在上位機的人機界面上顯示過程的狀態，上位機將故障診斷結果傳給DCS系統，并在DCS的控制站顯示過程狀態，同時通過DCS系統和現場總線將過程狀態信息傳遞到現場操作站進行顯示。
全文摘要
一種基于fisher的工業過程非線性故障診斷系統，包括與工業過程對象連接的現場智能儀表、DCS系統以及上位機，所述的DCS系統由數據接口、控制站、數據庫構成；智能儀表、DCS系統、上位機依次相連，所述的上位機包括標準化處理模塊、fisher判別分析模塊以及故障診斷模塊。以及提出了一種非線性故障診斷方法。本發明提供一種適用范圍廣、能夠得到良好的故障診斷效果的基于fisher的工業過程非線性故障診斷系統及方法。
文檔編號G05B19/418GK1996191SQ20061015482
公開日2007年7月11日 申請日期2006年11月23日 優先權日2006年11月23日
發明者劉興高, 閻正兵 申請人:浙江大學