专利名称：一种基于ica重构的故障预测方法
技术领域：
本发明涉及故障预测领域，尤其涉及一种基于独立元分析(ICA)重构的故障预测方法。
背景技术：
旋转机械是工业上应用最广泛的一类机械设备，广泛应用于石化、电力等支柱产业中的大型高速压缩机、汽轮机等诸多企业的核心设备都属于旋转机械。旋转机械常常出现各种不同形式的故障而影响其正常工作，有时甚至会由某种故障引发事故，一旦发生事故会引起链式反应，损伤不可估量。轻则影响生产效率，重则导致设备停机、生产中断，导致整个生产过程不能正常运行乃至瘫痪，甚至发生灾难性的事故，造成重大经济损失，甚至危及人们的生命财产安全，造成极其严重的后果。目前已有的旋转机械故障预测技术只有基于数据的方法最为实用(包括结合了一定专家知识的方法)。由于主元分析(PCA)的投影结构性质清楚，基于PCA的故障检测、 诊断和重构方法已经得到了深入研究，基代表方法有基于PCA故障重构的故障预测方法， 将故障重构技术与故障预测技术相结合(Gang Li, S. Joe Qin，2010)。当关心过程中所有的变化时，而且对所有的异常情况同样对待，基于PCA模型进行监控就可以达到要求。当进一步的关心过程中所有的信号变化时，而且着重关心信号的非高斯性，则应该使用ICA模型进行监控。另一方面，针对工业过程的测量变量一般数量众多，导致过程变化因素也很多， 监测过程中所有的变化都有可能带来误报和漏报情况。如果考虑采用提高控制限来降低误报率势必会带来更多的漏报。因此，人们越来越期望能够监控那些和重要生产指标相关的变化。针对机械振动信号中蕴含着丰富的设备运行状态信息，而且振动信号对多数机械故障都很敏感。一旦机械设备发生了故障必然会引起振级的增加，振动特性也会随着发生相应的变化。因此，振动信号是反映机械运行状态和故障演化情况的一个极其重要的参数指标。传统的预测方法是利用单变量的振动信号对机械故障进行一个趋势预测并不能对故障进行直接预测。采用单变量振动数据的状态趋势预测技术无法利用多维测量数据的有效信息，而且忽略了安装在不同部位测量传感器之间的相互影响。多变量预测可以把过程同一时刻的测量数据中多个变量间的内在联系和相互影响考虑在内。目前，国内外基于多变量数据的故障预测方法的研究才刚刚起步，成果相对较少。因此，研究多变量数据驱动的旋转机械故障预测方法具有广泛的发展空间。由于ICA模型是完全基于数据的模型，因此基于ICA的故障预测技术可以容易地应用到工业实际中去。研究基于ICA重构的故障预测技术具有技术上的可行性。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种基于独立元分析(ICA)重构的故障预测方法。
本发明提供了一种基于ICA重构的故障预测方法，包括步骤1，计算分离矩阵W ；步骤2，计算实时数据xnew(k)统计量值I2(k)、SPE(k)或I穴Ι , I2 {Ji^— Snewd iji^ Snewd {ji^,^e = Snewe {ji ^ Snewe ij^),
SPE(k) = (xnew(k)-xnew(k)f (xnew(k)-xnew(k)), Snewd(k) = Wdxnew(k),
Snewe (k) = WeXnew (k),wd是分离矩阵w前d行构成的矩阵，We是分离矩阵w除前d行
之外的行构成的矩阵， 腳，Bd= (WdQ-1)1, Be= (WeQ-1V, Q是白化矩阵；步骤3，计算I2 (k)、SPE (k)或/〗(A)的核密度，并根据控制限检测故障。在一个示例中，步骤1中，还提取故障方向矩阵Bi ；该故障预测方法还包括步骤4，计算故障幅值/1^tMx ,X是故障下的测量数据，M = [(I-Q-1BdWd) (I-Q-1BdWd)1]。在一个示例中，步骤4中，还计算重构后的样本向量Zi = χ-Ξ^i，Zi是重构后的样本向量。在一个示例中，该故障预测方法还包括步骤5，对故障幅值利用支持向量机或自回归模型建模并预测。在一个示例中，步骤1中，对历史正常数据进行标准化和白化处理，采用FastICA 方法计算分离矩阵W ；其中变量数等于独立元个数。在一个示例中，步骤1中，利用故障子空间提取的方法来提取故障方向矩阵。在一个示例中，步骤3中，利用KDE方法计算核密度。在一个示例中，步骤3中按99%的置信区间确定控制限。本发明解决了传统烟机预测方法无法利用多维有效数据的问题，考虑了多通道的振动数据，能够直接预测故障；相比于PCA重构方法，本发明的预测方法提高了预测精度， 降低了故障误报率和漏报率。
下面结合附图来对本发明作进一步详细说明，其中图1是本发明进行故障预测的流程图；
图2是实验手段实施路线图；图3是分离矩阵各行向量范数所占的百分比；图乜-图如分别是I2 (k)、SPE (k)和/〗(^统计量的核密度估计值；图5a_图5c分别是是基于ICA模型的I2 (k)、SPE (k)和/e2 (A)监测结果；图6a是原始的故障检测指标SPE，图6b是使用1种故障方向对测试故障样本的重构检测指标；图7是基于ICA重构的故障幅值估计结果；
图是传统单通道YT-7701A的状态趋预测结果，图8b是传统单通道YT-7701B 的状态趋预测结果，图8c是传统单通道YT-7704A的状态趋预测结果，图8d是传统单通道 YT-7704B的状态趋预测结果；图9是传统烟机预测方法中不同通道这间的相关性分析结果图10是基于PCA重构的故障幅值估计结果；图11是基于PCA重构的预测结果；图1 是采用SVM和AR模型提前1步对故障幅值进行直接预测结果，图12b是采用SVM和AR模型提前20步对故障幅值进行直接预测结果，图12c是采用SVM和AR模型提前30步对故障幅值进行直接预测结果。
具体实施例方式该发明提供的故障预测方法按图1流程进行，按照下述步骤进行步骤1)、利用历史的正常过程数据X建立一个独立元分析模型，它描述了不同地点、不同类型传感器之间的相互关系；步骤2、、选取以前曾发生过的比较稳定的历史故障数据)(fault，来提取故障方向矩阵Ξ。步骤幻、根据传感器的实时测量样本，检测在过程中发生的故障；步骤4)、利用已知的故障方向Ξ来辨识故障，并进一步估计出故障的幅值。步骤5)、对获取的故障幅值利用支持向量机(SVM)和自回归(AR)模型建模并预测。步骤1)包括步骤10)、对历史正常数据进行标准化和白化处理，并假设变量数等于独立元个数。步骤11)、采用FastICA方法计算分离矩阵W。步骤12)、按照分离矩阵W行的平方和越大对S的影响也越大，选取W的前d行构成矩阵Wd (主导部分)，d即是占主要地位的独立元个数，剩下的行构成矩阵W—步骤13)、由d个独立元重构出来的过程数据可表示为
= Q-1 BdS(k) = Q-1 BdWdX(k),Bd = (WdQ^，相应的礼=(WeQ-1)τ0步骤3)包括步骤30)、对于生产过程中新采集到的一组数据Xnew (k)，建立新的独立元模型。步骤31)、求取I2(k)、SPE (k)、乃(々)统计量值，利用KDE方法对其进行核密度估计。再按99%的置信区间确定控制限。利用统计检测指标I2(k)，SPE(k)和检测过程中发生的故障。步骤2)采用故障子空间提取的方法来提取故障方向矩阵。故障子空间的维数是使得故障样本的重构检测指标处于正常范围的最小值。采用比较稳定的故障过程产生的故障数据进行ICA重构，并提取故障方向向量为ΞΚΑ1=[-0. 6970 -0.2506 0.4382 0. 5093]τ。 值得注意的是上述方法提取的故障子空间是对整个χ空间影响的故障子空间。它可以反映过程中所有的故障信息。
步骤4)中，继故障被检测出来之后，对故障类型进行了辨识，对故障数据进行了重构，并对故障幅值进行了估计。步骤5)中，当故障可以被完全重构，刚可以得到唯一的故障估计f，反映了故障当前的程度。在方法步骤中采用SVM模型和AR模型来预测f的发展趋势。选择一个合适的预测模型要取决于故障过程的特点。本发明的实验手段包括计算机仿真研究、实验台模拟实验研究和工业现场应用验证三种类型。实验手段实施路线图，如图2所示。1、仿真研究采用MATLAB软件，开展计算机仿真研究；2、实验研究利用美国本特利新型RK4型模拟转子实验台，在实验台上开展实验研究；3、应用验证利用现代测控技术教育部重点实验室的新型RMD8000远程在线监测诊断中心进行工业现场应用验证。下面结合附图和实例对该发明的具体实施步骤做进一步详细说明。以大型旋转机械——烟气轮机为研究对象，本发明所用的仿真数据全部来源于北京燕山石化公司烟气轮机机组，具有强大的实际背景。烟气轮机将催化裂化过程中产生的废烟气中所具有的压力能和热能经烟气轮机的膨胀做功化为机械能，驱动轴流式空气压缩机或给发电机提供动能，达到能量回收的目的。1、建立监测统计量1)、首先要获得过程正常工况下的变量数据Xnmial，对其进行标准化和白化处理， 并假设变量数等于独立元个数。2)、禾Ij用FastICA算法计算出分离矩阵W和独立元的估计值及—=WXnormal。3)、按照分离矩阵W行的平方和越大对S的影响也越大，选取W的前d行构成矩阵 Wd (主导部分)，d即是占主要地位的独立元个数，剩下的行构成矩阵W—图3为分离矩阵各行向量范数所占的百分比。4)、由d个独立元重构出来的过程数据可表示为 X = Q1BdS (k) = Q-lBdWdx(k) , Bd = (WdQ-1)τ，相应的 Be= (WeQ-1)1, Q 为白化矩阵，B 为正交矩阵。5)、对于生产过程中新采集到的一组数据Xnew (k)，建立新的独立元模型，通过分解矩阵Wd和W6可以得到独立成分在k时刻新的估计值，
Snewd (k) = WdXnew (k)和 (k) = WeXnew (k)。6)、求取I2(k)、SPE(k)、/e2^)统计量值，利用KDE方法对其进行核密度估计，统计量的核密度估计如图如-图4c所示。
I (众)=iS* newd {j^ ^ newd (众)，
SPE(k) = e(kf e(k) = (x⑷⑷)τ (χ⑷⑷)，I2e = Snewe (kf Snewe (k),
x(k) = Q 1BdS(k) = Q-lBdWdx{k)。按99%的置信区间确定控制限，核密度超过控制
线则判定发生故障。利用统计检测指标I2 (k)，SPE (k)和/〗(Α)检测过程中发生的故障，如
2、基于ICA的故障重构和估计1)、在上一步的框架下研究基于ICA的重构问题。假设正常条件下的测量数据用 X*表示，故障下的测量数据用X表示，而故障的大小由f表示，则故障数据可以由下式表示χ = χ*+ Ξ jf(1)基于ICA的重构将沿着对应的故障子空间方向往独立元子空间移动。当故障Fi发生时，过程故障的重构将按下式估计重构样本向量Zi以消除故障Fi的影响Zi = χ-Ξ Jfi(1)故障重构的目标是找到&的一个估计，使得重构后的SPE指标最小化SPE (Zi) = (Zi-p) (Zi-p)τ = [ (χ-Ξ Ji) -ρ] [ (χ- Ξ Ji) -ρ]τ(3)ρ = Q^1BdWd (χ-Ξ(4)将(4)代入到(3)中，可以得到SPE (Zi) = [(χ-Ξ Ji) -Q-1BdWd (χ- Ξ Ji) ] [ (χ- Ξ Ji) -Q-1BdWd (χ- Ξ Ji) ]τ= [(χ-Ξ Ji) (I-Q-1BdWd) ] [ (χ- Ξ Ji) (I-Q-1BdWd) ]τ (5)= (χ-Ξ Ji) AAt (χ-Ξ Ji)1其中Α = Ι-(^ΒΛ。如果存在故障Fi使得SPE(Zi)值位于控制限之下，则实现了故障重构。故障重构要让SPE(Zi)值最�。慈霉兰浦稻】赡艿目拷Ｐ推矫妫玈PE(Zi) 对f求一阶导数可得
权利要求
1.一种基于ICA重构的故障预测方法，其特征在于，包括 步骤1，计算分离矩阵W;步骤2，计算实时数据xnew(k)统计量值I2(k)、SPE(k)或I穴Ι ,Inewd ^ A^ ^ S newd ^ A^ ^,Iq _ S newe (灰)^ newe (灰)，SPE(k) = (xnew(k)-Xnew(k))T(xnew(k)-Xnew(/c)), Snewd(k) = Wdxnew(k),Snewe (k) = WeXnew (k), wd是分离矩阵w前d行构成的矩阵，We是分离矩阵w除前d行之外的行构成的矩阵，i ewp) = 0-^^^^^0) ,Bd= (WdQ-1)1, Be= (WeQ-1V, Q 是白化矩阵；步骤3，计算I2 (k)、SPE (k)或/〗(A)的核密度，并根据控制限检测故障。
2.如权利要求1所述的故障预测方法，其特征在于，步骤1中，还提取故障方向矩阵Ξ ；该故障预测方法还包括步骤4，计算故障幅值/ = (EJME1J1 EJMx , χ是故障下的测量数据，M = [(I-Q-1BdWd) (I-Q-1BdWd)1]。
3.如权利要求2所述的故障预测方法，其特征在于，步骤4中，还计算重构后的样本向量Zi = χ-Ξ Ji，Zi是重构后的样本向量。
4.如权利要求2或3所述的故障预测方法，其特征在于，该故障预测方法还包括步骤 5，对故障幅值利用支持向量机或自回归模型建模并预测。
5.如权利要求2或3所述的故障预测方法，其特征在于，步骤1中，对历史正常数据进行标准化和白化处理，采用FastICA方法计算分离矩阵W ；其中变量数等于独立元个数。
6.如权利要求2或3所述的故障预测方法，其特征在于，步骤1中，利用故障子空间提取的方法来提取故障方向矩阵。
7.如权利要求1、2或3所述的故障预测方法，其特征在于，步骤3中，利用KDE方法计算核密度。
8.如权利要求1、2或3所述的故障预测方法，其特征在于，步骤3中按99%的置信区间确定控制限。
全文摘要
本发明公开了一种基于ICA重构的故障预测方法，包括步骤1，计算分离矩阵W；步骤2，计算实时数据xnew(k)统计量值I2(k)、SPE(k)或Wd是分离矩阵W前d行构成的矩阵，We是分离矩阵W除前d行之外的行构成的矩阵，Bd＝(WdQ-1)T，Be＝(WeQ-1)T，Q是白化矩阵；步骤3，计算I2(k)、SPE(k)或的核密度，并根据控制限检测故障。本发明解决了传统烟机预测方法无法利用多维有效数据的问题，考虑了多通道的振动数据，能够直接预测故障；相比于PCA重构方法，本发明的预测方法提高了预测精度。
文档编号G01M99/00GK102539192SQ20121001955
公开日2012年7月4日 申请日期2012年1月20日 优先权日2012年1月20日
发明者李钢, 王秋燕, 赵本利, 马洁 申请人:北京信息科技大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
