3基于数据驱动的系统监测和故障诊断PPT课件下载推荐.ppt

3基于数据驱动的系统监测和故障诊断PPT课件下载推荐.ppt

《3基于数据驱动的系统监测和故障诊断PPT课件下载推荐.ppt》由会员分享，可在线阅读，更多相关《3基于数据驱动的系统监测和故障诊断PPT课件下载推荐.ppt（80页珍藏版）》请在冰豆网上搜索。

缺乏有效的分析算法和可利用的商业软件包；

如何利用这些数据的目的性不够明确。

随着工业计算机技术、现场总线技术的发展，相关的数据分析理论的研究也取得到了长足的进步。

因此，工业界已意识到并且也已具备了相应的能力，必须将海量的数据变为有用的信息，服务于生产安全和产品质量控制，以起到降低成本、提高企业竞争力的作用。

数据处理的需求,2022/10/21,9,通过对工业过程数据的采集、预处理（滤波、校正等）和分析（特征提取、模式分类等），监督生产过程的运行状态，检测系统的故障信息、诊断故障原因，分析和预测生产过程的动态趋势，从而达到减小产品质量波动、保障系统可靠运行的目标，使生产系统始终处于最佳运行状态。

基于数据驱动的系统监控,2022/10/21,10,监控系统组成结构,2022/10/21,11,监控与故障诊断系统,显示,报警,记录,控制,集成监控系统,监控,诊断,数据预处理,数据采集,传感器,特征提取,2022/10/21,12,时间序列图,统计分析,控制图,标称概率图,监控分析方法,2022/10/21,13,主要数据驱动方法,数字信号处理方法谱分析、小波分析等统计分析方法主元分析（PrincipalComponentAnalysis,PCA）、偏最小二乘（PartialLeastSquares,PLS）、Fisher判别分析、CVA等统计学习方法支持向量机（SVM）、Kernel学习等人工智能方法神经网络、粗糙集、模糊推理、专家系统等,面向故障诊断的系统监控,2022/10/21,15,基于小波分析的监控方法,利用小波变换进行监控和故障检测的思路：

在进行故障检测时，同时对系统的输入和被检测信号（系统的输出或可能的状态变量）进行小波变换。

然后分析不同尺度下的信号的变换结果。

在被检测的信号的小波分析中剔除由于输入信号变化引起的奇异点，那么剩下的奇异点代表的就是系统发生的故障点。

2022/10/21,16,一个应用实例,利用改进的小波包分频算法进行挖掘机提升系统故障信号的检测，并成功应用。

已知提升系统轴承因缺损而产生的振动频率为：

84.6Hz（内圈脱落）和58.10Hz（外圈脱落）。

从FFT频谱图可见主要频线为：

213.91Hz、429.47Hz和645.26Hz，它们分别是齿轮啮合频率及其2倍、3倍频率，是齿轮正常运行时的典型频谱。

这些频谱强烈淹没了轴承的故障信息。

2022/10/21,17,基于小波包的故障检测方法,频率Hz频率Hz,时间/s频率Hz,2022/10/21,18,多元统计分析的应用背景,在现代流程工业中，随着测控技术的快速发展，人们已经能够对越来越多的过程变量和产品质量指标进行测量；

同时计算机和数据库技术的普及，使工厂拥有了相当丰富的生产数据资源。

工业过程，尤其是流程工业，在同一过程中的不同变量间往往存在相互关联的关系。

比如在精馏塔的操作中，进料组分的变化会引起各塔板温度、塔顶和塔底组分等多个变量的变化。

从直观上看，这种多变量间的变化是错综复杂的。

2022/10/21,19,多元统计分析的应用背景,厂方有内在的需求：

采用多变量统计分析技术对大量采集的测控数据和产品质量数据进行分析。

以便揭示过程的内在变化规律、趋势，为提高产品质量提高有用信息，从而把数据资源优势转化为生产效益和产品质量优势。

客户对产品性能的定量要求也越来越严格。

这就要求对许多过程变量和产品性能指标进行分析、处理和监测。

仅依靠分别对这些变量和指标逐一进行单变量SPC分析，其结果往往不太可靠。

2022/10/21,20,多元统计分析的应用背景,早期的理论发展：

将单变量SPC技术直接扩展到多变量的情况。

出现了所谓的多变量SPC/SPM技术，包括：

多变量CUSUM、多变量EWMA和多变量时间序列建模技术等。

仍未脱离管理层面的SPC概念和范畴，需要辅以较多的人员交流。

2022/10/21,21,多元统计分析的应用背景,20世纪80年代开始起，以主元分析（PrincipalComponentAnalysis，PCA）为主的多元统计技术开始用于工业过程的监测，并利用控制图等简单的工具实现初步的诊断功能。

随着在工业中成功应用例子的不断增多，以及安全与质量控制的实际需求，PCA等多元统计方法的定位与功能开始向传统的故障检测功能趋进，并逐步建立起了理论体系框架和研究分支方向。

目前基于多元统计的过程监控仍处于发展之中。

2022/10/21,22,PCA监测模型,基本原理：

PCA统计过程监测模型描述了正常工况下各过程变量之间的关系，这种变量间的内在联系是由物料平衡、能量平衡以及操作限制等约束所形成的。

具体建模方法就是将过程数据向量投影到两个正交的子空间（主元空间和残差空间）上，并分别建立相应的统计量进行假设检验，以判断过程的运行状况。

PCA监测模型本身只具有检测过程变化的功能，不具有明确的、定量的故障重构、识别和分离等高级功能。

2022/10/21,23,PCA监测模型,建模前的准备：

过程数据的归一化首先取一段正常生产工况下的过程数据集Xmn（m为采样点数，n为传感器数）建立统计模型。

数据阵需要进行标准化，即对数据集Xmn中每一时刻的数据向量作变换：

，其中：

为x对应的均值向量；

为方差矩阵，这里为第i个过程变量的标准差，i=1,n。

记标准化后得到的数据集为。

默认情况下都是指过程数据已归一化。

2022/10/21,24,PCA监测模型,新的基底：

坐标旋转对的相关系数矩阵作奇值分解：

（3.1）式中Unn为酉矩阵，D=diag（i=1,n）为对角矩阵。

向量矩阵U=u1,u2,un即为n空间的一组标准基，且过程数据集在新的基底U下将获得最佳的描述，即在坐标系U的各方向上的方差满足12n（3.2）其中i=1,n即为矩阵D中相应的对角元素。

2022/10/21,25,PCA监测模型,空间分解与降维称U的前k（kn）维线性无关向量P=u1,u2,uk构成的子空间为主元空间。

后n-k维向量=uk+1,uk+2,un构成残差空间。

向量P又称之为载荷向量（LoadingVectors）主元数k可以根据某一标准来选取，通常采用的是方差累计和百分比（CumulativePercentofVariance,CPV）。

一般取CPV80%为标准。

（3.3）,2022/10/21,26,PCA监测模型,空间分解与降维原来的n维过程数据空间被k维主元空间和n-k维残差空间代替，而且过程变量之间的相关性被消除。

通过在这两个子空间中建立PCA过程统计模型，就可以在低维的子空间中实现对多变量过程的监测。

图3.1PCA空间降维示意图,2022/10/21,27,PCA监测模型,监控数据向量的分解数据向量可以分解为：

（3.4）式中：

和分别为在和上的投影；

投影矩阵和。

PCA监测模型的获得：

具体就是建立两个统计量，HotellingT2和SPE（SquaredPredictionError，或称为Q）统计量。

2022/10/21,28,PCA监测模型,T2统计量之定义（空间中）：

（3.5）式中=diag（），i=1,k为矩阵D中的前k个对角元素。

t=PT称为主元打分向量（ScoreVectors），为控制限。

控制限的计算：

由T2的抽样分布确定（3.6）,2022/10/21,29,PCA监测模型,SPE统计量之定义（空间中）：

（3.7）式中：

为控制限。

由SPE的抽样分布确定（3.8）,2022/10/21,30,PCA监测模型,SPE控制限的计算：

在式（3.8）中，各参数如下=高斯分布的上

（1）分位数,2022/10/21,31,PCA监测模型,PCA模型的一些主要性质：

建模数据矩阵直接进行奇值分解得到的奇异值是其相关矩阵奇异值的平方根。

即第i个载荷向量pi的方差为i，且12n。

从而成立：

式（3.4）中的数据分解可以写为另一种更具体的形式：

其中残差矩阵E理解为噪声或者不重要的过程信息。

2022/10/21,32,PCA监测模型,2维主元图：

当主元数k=2时，Pc1和Pc2与控制限的关系正好为一个椭圆区域。

此时高维的数据空间的变化监测问题，可以在2维的平面图形上进行直观的考察。

这是PCA早期被应用于系统监控的一个典型的优点和原因之一。

2022/10/21,33,PCA监测模型,PCA监控模型需要满足的两个假设条件：

只有当这两个假设条件成立时，以上给出的控制限和的计算方法才成立。

各过程变量均是服从高斯分布的随机过程各过程变量自身是独立同分布的（i.i.d）,2022/10/21,34,PCA监测模型,PCA对过程的监测是通过T2和SPE检验来实现的，共有四种可能的检测结果：

虽然近年来有关PCA的过程监测方法已得到了广泛的研究，然而对PCA监测方法的特点及其内涵的分析却很不充分，已有的结论多为定性的（虽然其表现形式是定量的），且很不明确。

已有的文献中一般均笼统地认为在4种检测结果中，结果（I）和（III）对应于故障发生；

结果（II）则可能是工况变化（扰动）。

对于结果（IV）则认为过程运行正常，处于受控之中。

（I）T2和SPE统计量均超过控制界限；

（II）T2统计量超过控制界限，SPE统计量没有超过；

（III）T2统计量没有超过控制界限，SPE统计量超过；

（IV）T2和SPE统计量均未超过控制界限。

2022/10/21,35,PCA监测模型,在过程监测中PCA的作用主要是提供一种“经验模型”（Empiricalmodel）。

这种由数据驱动方法建立的模型与精确的机理模型（Firstprincipalmodel）在过程监测策略中作用和地位是类似的。

在基于滤波器的方法中是利用精确的机理模型来产生残差信号，然后对残差信号进行分析以判断系统的运行状态；

而在数据驱动的过程监测方法中PCA模型是用于提供变量和的“正常范围”，或“控制限”。

2022/10/21,36,PCA监测模型,PCA在PMD中的作用，与在传统多元统计分析中的作用是不同的，即并不主要是为了减小被分析变量集的维数（有文献将这一功能称为压缩）。

也就是说，在建立PCA过程监测模型时（主要表现为主元个数的选取），“减小主元个数”不