数据驱动的非线性多模态复杂系统性能退化故障预测方法研究

Aiming at the complex systems with performance degrading components in industrial processes, a prognosis and health management frame is proposed based on multivariable statistical modeling and fault reconstruction, and the fault prognosis and remaining useful life estimation for the whole system performance is obtained. At last, the algorithm and software realization are developed for practical use. Most practical systems are highly nonlinear, multivariable, strongly disturbed, and multimodal. It is hard to build explicit static models for these systems and use model based fault detection methods directly. On the other hand, data-driven statistical process monitoring technologies are widely used. Towards the topic of fault prognosis and remaining useful life estimation for complex systems, several problems will be studied and solved: i) propose the fault description based on nonlinear data models, study the fault prognosis for nonlinear systems; ii) propose the fault description for multimodal data models, including the supervised and unsupervised cases, and study the fault prognosis for multimodal systems; iii) propose the fault prognosis for nonlinear multimodal systems.

以工业生产过程中带有性能退化部件的复杂系统为研究对象，基于多测量变量数据统计建模和故障重构技术提出一套用于非线性、多模态复杂系统的故障预测研究框架，最终得到系统整体性能的故障预测方法和剩余有效寿命估计技术，开发适合实际应用的算法和软件系统。一般复杂系统都具有高度非线性、变量多、耦合强、干扰多、运行模式多变等特性，无法建立精确静态的过程模型，因此基于模型的故障监测技术难以直接使用。而数据驱动的统计过程监控技术则得到了广泛应用。围绕复杂系统的故障预测与和剩余有效寿命估计问题，拟研究和解决以下几个方面问题：（1）提出基于非线性数据模型的故障描述，并研究非线性系统的故障预测技术；（2）提出基于多模态数据模型的故障描述，包括有监督的和无监督两类，并研究多模态系统的故障预测技术；（3）提出非线性多模态系统的故障预测技术。

本项目以工业过程中带有性能退化部件的复杂系统为研究对象，基于多元统计过程监控和故障重构技术，研究了非线性多模态故障预测与和剩余有效寿命估计方法，并以北京燕山石化公司大型旋转机械烟气轮机等实际系统为应用对象，验证了所提出方法的有效性。在此基础上，还开发了适合实际应用的算法软件包等。.1. 针对工业过程中非线性问题，研究了复杂系统的非线性故障检测、重构、估计和预测方法，完成了《项目计划书》中研究内容1的工作。首先，采用核主元分析（Kernel Principal Component Analysis，KPCA)或核独立成分分析(Kernel independent component analysis, KICA)等方法进行故障检测和故障重构，然后，对故障幅值进行定量描述；最后，采用多层递阶方法的预测模型对故障幅值的发展趋势进行预测。.2. 针对工业过程多模态问题，研究了复杂系统的多模态故障检测、重构、估计和预测方法(包括有监督、无监督两种情况)，完成了《项目计划书》中研究内容2的工作。.（1）有监督情况，采用基于多主元分析(Multiple Principal Component Analysis, MPCA)模型的故障检测、重构方法，为了解决不同工况下同一种故障的估计问题，提出了故障估计的一致算法。当故障幅值被估计出来以后，采用支持向量机模型对故障幅值进行了预测；.（2）无监督情况，首先，建立一种基于保局投影(Locality Preserving Projection, LPP)和模糊C均值聚类(Fuzzy C-means, FCM)的故障检测模型，采用一个全局检测指标来检测故障；然后，对多工况下的故障幅值进行定量描述；最后，采用支持向量机预测模型对故障幅值进行了趋势预测。.3. 针对工业过程中非线性、多模态问题，研究了复杂系统的非线性多模态故障预测及剩余有效寿命估计方法，完成了《项目计划书》中研究内容3的工作。首先，采用减法聚类（Subtrative Clustering Method ，SCM）和最大熵模糊聚类（Maximum Entropy Fuzzy Clustering, MEFC）联合的方法进行潜在故障检测，然后，利用波形叠加极限学习机（Summation Wavelet -Extreme Learning Machine，SW-ELM）算法对设备剩余