数据驱动关键性能指标相关的故障诊断方法研究

The fault diagnosis of complex industrial processes is a hot issue. The model-based diagnosis approaches can be hardly used in practice due to their dependencies on the analytical models of systems. To overcome the drawbacks of model-based techniques, data-driven methods were proposed and have been receiving considerable attention in recent years. It is worth noting that the final product quality of industrial process is usually the most important indicator concerned by people. If a fault has no influence on the final product quality, then it is of practical significance to reduce downtime by reducing alarm rates of this kind of fault. Therefore, classifying the faults occurred in process data space into quality-related and quality-unrelated is quite necessary in practice. In view of this, this project aims to develop quality-related fault diagnosis approaches using data-driven techniques to ensure the safety of linear or nonlinear industrial processes.

复杂工业过程的故障诊断一直是研究的热点问题，基于模型的故障诊断方法由于对系统解析模型的过分依赖而难以在实际系统中推广和应用。为了解决这一问题，数据驱动的故障诊断方法被提出并越来越受到工业界和学术界的的关注。值得注意的是，在过程工业中，系统输出的最终的产品质量往往是人们最关心的关键指标。当系统发生故障时，如果系统输出的产品质量并不受到影响，那么就可以通过降低这类故障的报警率来减少系统停机检修的时间，进而节约维护成本并提高使用效率。因此，研究如何将过程变量空间中的故障进行分类，区分出关键性能指标相关和关键性能指标无关的故障成为实际系统的迫切需求。针对这一实际需求，本课题在复杂工业过程难以建立精确的数学模型的前提下，利用系统传感器获得的历史数据和在线数据，研究线性过程和非线性过程中的关键性能指标相关的故障诊断方法，为确保复杂工业过程的安全和高效运行奠定理论基础。

本项目以工业生产过程为研究对象，采用数据驱动方法开展基于关键性能指标（KPI）的故障检测与诊断方法研究。主要完成了以下三个方面的研究工作：针对建模数据中存在异常数据导致模型不稳定和PLS后处理方法故障误报率高的问题，采用岭回归模型进行数据建模有效抑制了异常数据对模型的影响；提出了一种基于数据预处理的故障检测新方法，通过正交信号矫正去除输入数据中与输出无关的成分之后再进行PLS建模，从而有效地增强了故障检测模型的稳定性；同时，借助TPLS的思想提出了一种全主成分回归模型极大地降低了KPI无关故障的误报率，并提出了利用全主成分回归模型和贡献图实现KPI相关故障变量辨识的新方法。针对非线性过程数据的检测与诊断问题，提出了一种改进型核偏最小二乘模型并在其基础上实现了一种非线性KPI相关的故障检测方法；为了增强模型的稳定性，提出了核最小二乘和核直接分解方法，这两种方法均可实现特征空间的正交分解，因此在故障检测模型的稳定性和故障误报率方面均远优于现有方法。针对过程数据的自相关问题，提出了采用具有时间滞后特性的增广矩阵来包含数据间动态信息的思路，通过在增广矩阵和输出矩阵之间建立最小二乘回归模型和全主成分回归模型，实现了具有完全正交分解性质的动态KPI相关的故障检测方法。上述研究成果对于增强KPI相关的故障检测模型的鲁棒性、降低KPI无关故障的误报率、解决动态系统KPI相关的故障检测问题等都具有重要的研究意义和应用价值。