基于最小风险贝叶斯准则的工业过程故障诊断

• 作 者: 毛思敏
• 机 构: 华中科技大学
• 出 处: 华中科技大学
• 发表日期: 2016年期
• 关键词: 故障诊断 最小贝叶斯决策 相对重构贡献 损失函数

在工业制造过程中,快速检测和识别异常事件的发生对于提高过程的安全性和减少不必要的生产损失有着至关重要的影响。计算机控制技术的快速提升使采集和存储工业现场的海量数据成为可能,如何充分利用数据信息对生产过程实施监控受到了极大的关注,基于数据驱动的多变量统计监控更是当下的热门研究之一。故障检测和诊断是过程监控中非常关键的环节。本文采用了主元分析法来检测故障,它是一种基于多变量统计的常用检测方法。在检测到故障后,有必要诊断出故障发生的变量。常用的故障诊断方法有贡献图方法以及基于重构的方法,但是二者存在着以下缺陷。首先,两种方法本身存在着“污染”效应,即变量之间的相关性使得故障变量很容易对非故障变量产生影响,进而导致非故障变量的贡献值增大甚至超过故障变量的贡献值,引起不同程度的误判。其次,当工业过程出现异常时,由于控制器的控制作用以及变量与变量间的相关性,故障会从故障源变量逐步“蔓延”到其他变量。针对以上两个问题,本文基于最小贝叶斯准则提出了一种新的故障诊断技术。该技术利用标准化的相对重构贡献值来代表特征属性,引入贝塔分布来逼近类条件概率密度,在调节因子的基础上采用最小风险贝叶斯决策对复杂的工业过程进行了故障检测和诊断。该方法很大程度地减轻了故障发生后的“污染”效应,跟踪了故障在变量间的传播过程,诊断出故障根源变量,同时还可以处理微小故障以及多传感器故障情况。通过数值仿真、田纳西伊斯曼过程以及青霉素发酵过程仿真平台对本文方法进行了验证,结果证明了本方法对于解决上述问题的有效性;同时通过分析比较本文方法和两种现有的故障诊断方法,说明本方法能够更快更准地诊断出故障变量。