1.本发明属于真空仪故障诊断领域，具体是一种基于主元分析的贝叶斯网络构造远程故障诊断方法。
背景技术：
：：2.真空仪是一种精密在线仪器，在石油化工、有机合成、医药医疗、天然气、环境治理、冶金和电力等诸多行业中得到广泛应用。真空仪能够为以多变量预测控制为代表的先进控制技术和以过程实时优化为核心的优化控制技术提供必不可少的定性和定量信息，在提高生产过程自动化水平、稳定和优化产品质量、实现生产的精细管理等方面发挥着重要作用。3.因此，监控、诊断及保障真空仪的稳定高效运转，成为目前真空仪应用领域的重中之重。随着网络化技术和数据通信技术的发展，开发一种实现远程真空仪监控与故障诊断技术迫在眉睫。技术实现要素：4.针对流体储运罐车、真空镀膜设备、分子精馏设备等监测对象，本发明提出一种基于主元分析的贝叶斯网络构造远程故障诊断方法，其以主元分析方法为核心，提取描述过程变量误差信息的q统计量，同时引入贝叶斯分类方法，利用先验知识和样本数据，实现对异常值的在线检测与诊断，最终集成远程通信技术，在边缘计算节点实现基于真空远传数据的远程故障诊断。该发明可有效解决现有真空仪实时故障诊断问题，进而为真空仪的长期稳定运行提供技术支持，在提高生产过程自动化水平、稳定和优化产品质量、实现生产的精细管理等方面发挥着重要作用。5.本发明为实现上述目的所采用的技术方案是：6.一种基于主元分析的贝叶斯网络构造远程故障诊断方法，包括以下步骤：7.根据历史真空度样本数据确定发生异常情况的先验概率p0、符合正态分布的样本概率密度分布函数f(x|θi)，i＝nord，n为样本数据正常，d为样本数据异常；8.将真空仪实时监测数据作为新的真空度样本数据，基于新的真空度样本数据的q统计量以及先验概率p0、样本概率密度分布函数f(x|θi)，采用贝叶斯方法计算采样点的异常情况的后验概率分布p(θd|x)或正常信号的后验概率p(θn|x)；9.根据p(θd|x)以及p(θn|x)，对历史真空度样本数据进行更新；10.根据异常情况的后验概率分布p(θd|x)判断采样点的异常情况是否为异常信号，进而判断该采样点是否有故障发生；11.将诊断结果实时传输至上位机，实现实时远程故障诊断。12.所述异常情况为：真空设备故障或工业过程中存在干扰的情况。13.当新的真空度样本数据与历史真空度样本数据不同时，采用p(θd|x)计算新的真空度样本数据的后验概率分布；当新的真空度样本数据与历史真空度样本数据相同时，采用p(θn|x)计算新的真空度样本数据的后验概率分布。14.所述异常情况的后验概率分布p(θd|x)和正常情况的后验概率p(θn|x)为：[0015][0016][0017]所述对历史真空度样本数据进行更新具体为：[0018]若检测到真空度的正常信号，则采用滑窗方法更新历史真空度样本数据空间，重新给定p0和f(x|θn)；[0019]若检测到真空度的异常值，则用异常状态下的实时样本信息取代前一时刻的正常数据的样本数据空间θn。[0020]所述根据异常情况的后验概率分布p(θd|x)判断采样点的异常情况是否为异常信号具体为：[0021]由于样本数据共两类，则p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则该采样点属于异常信号。[0022]所述判断该采样点是否有故障发生具体为：[0023]设真空度样本数据中最大区间样本为l，若检测到k个连续样本满足p(θd|x)》0.5，而接下来的第k l个样本点的后验概率满足p(θn|x)》0.5时，则检测出前k个样本点为过程干扰值；若连续检测到l个样本点的后验概率都满足p(θd|x)》0.5，则判断出现故障状况，其中，k＜l，l＜l。[0024]本发明具有以下有益效果及优点：[0025]1.基于主元分析和贝叶斯分类，可有效诊断识别真空仪故障；[0026]2.结合网络化技术和数据通信技术，可远程精准识别定位故障类别。[0027]3.本发明为真空仪的长期稳定运行提供技术支持。附图说明[0028]图1为基于pca与贝叶斯理论的在线异常值检测方法流程图；[0029]图2为基于真空远传数据的远程诊断方案架构图。具体实施方式[0030]下面结合附图及实施例对本发明做进一步的详细说明。[0031]以真空流体储运罐车监测过程为例，本发明具体为：[0032]1)将真空流体储运罐车车队通过传感器节点组成无线传感器网络，监测数据通过传感器节点实时传送给汇聚节点，并通过汇聚节点的边缘计算功能进行实时分析，具体分析过程如步骤2)——8)所示。[0033]2)首先，将真空设备故障与过程干扰统一称为异常情况，采用pca主元分析技术建立正常过程下样本数据的主元模型，并根据专家知识确定发生异常的先验概率p0、符合正态分布的样本概率密度分布函数f(x|θi)，i＝nord，其中，n为样本数据正常，d为样本数据异常，x为样本数据，θi为样本数据空间。[0034]3)基于新的真空度样本数据的q统计量，采用贝叶斯方法计算流体储运罐车真空度发生波动的后验概率分布p(θd|x)和正常状态的后验概率p(θn|x)。[0035][0036][0037]4)当每次检测到真空度的正常信号以及异常情况时，对样本数据进行更新：[0038]i.若检测到真空度的正常信号，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新给定p0和f(x|θn)。[0039]ii.若检测到真空度的异常值，则用异常状态下的样本信息取代前一时刻的正常数据的样本数据空间θn。[0040]5)由于样本数据总共才两类，则有p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则可认为该样本点属于异常信号。[0041]6)根据5)中的朴素贝叶斯分类方法判断其属于正常信号还是异常信号，一旦被检测为异常信号，则等待新样本数据，进一步判断该状态为故障还是过程干扰引起：根据实际经验，设最大区间样本l＝20，如检测到k个连续样本处(k《20)满足p(θd|x)》0.5，而接下来的第k l个样本点的后验概率满足p(θn|x)》0.5时，则检测出前k个样本点为过程干扰值；若连续检测到20个样本点的后验概率都满足p(θd|x)》0.5，可判断出现故障状况。[0042]7)基于数据通信与网络化技术，将真空仪监测数据实时传输至方法，采用基于主元分析的贝叶斯网络构造诊断技术，实现实时远程故障诊断。[0043]1)如图1所示，基于正常历史数据，以主元分析技术为手段，建立正常过程下样本数据的主元模型，根据先验知识设定过程发生干扰的先验概率p0，以及由历史数据拟合出样本的概率密度分布函数f(x|θi)。[0044]2)基于图2所示的基于真空远传数据的远程诊断方案架构，以网络化技术和数据通信技术为基础，获取实时真空仪数据，基于新样本数据的q统计量，采用贝叶斯方法计算发生干扰的后验概率分布p(θd|x)。[0045]3)如图1所示，根据当前计算出来的后验概率，采用朴素贝叶斯分类方法判断其属于正常信号还是干扰信号；[0046]4)如图1所示，一旦被检测为干扰信号，则等待新样本数据直至满足样本需求，而后进一步判断该值为异常值还是过程变化引起。[0047]5)如图1所示，当每次检测到正常信号以及过程变化引起的异常情况时，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新测定p0和f(x|θi)。[0048]6)如图1所示，若检测到新的过程状态，则用新过程状态下的样本信息取代前一时刻的θn空间。[0049]7)如图1所示，获取后验知识库及旧样本库后，则在第一步同时考虑主元分析、新样本和后验知识库以完成后验概率分析。[0050]一种基于主元分析的贝叶斯网络构造远程故障诊断方法，以主元分析方法为核心，提取描述过程变量误差信息的q统计量；同时引入贝叶斯分类方法，利用先验知识和样本数据，实现对异常值的在线检测与诊断；最终集成远程通信技术，实现基于真空远传数据的远程故障诊断。[0051]所需支撑包括：先验知识、样本数据、远程通信技术。[0052]以主元分析作为诊断技术：[0053]主元分析(principalcomponentanalysis，pca)方法的本质是将维数较大的过程数据投影到一个维数较少的主元空间，从而实现数据压缩和信息提取，借助相应统计量如spe，t2统计量进行故障发现，借助变量贡献图等进行故障诊断。[0054]假设来自于过程正常操作条件下的数据矩阵经过标准化(均值化为0，方差为l)处理后为x(n×m)，其中n为采集到的样本个数，m为过程变量数。主元分析的目的是寻找个数较少的k(k≤m)个相互独立的变量来尽可能的反映原数据阵的信息。这些变量分别是原m个变量的线性组合。在这里信息是以方差加以度量的，因此主元分析实际是依赖于x阵协方差阵的特征值分解。设其协方差阵为c，则有：[0055][0056]cpi＝λipi[0057]其中，pi是协方差阵c的正交单位化特征向量，λi是对应的特征值并按值大小降序排列。这样原数据阵x就可以分解为如下形式:[0058][0059]其中，pi被定义为主元负荷向量，ti定义为相应的得分向量且：[0060]ti＝xpi[0061]主元分析就是选择恰当的前k个得分向量来解释原数据矩阵的主要变化。即[0062][0063]其中，e(n×m)为残差矩阵，反映的是原始数据和经过前k个主元重构数据之间的差别，往往用来描述噪声信息，这样就可以利用数目较少的k个得分向量来代替原来数目较多的m个变量，达到降维的目的。[0064]在主元分析中，主元个数k的选择是十分重要的：如果k值太小，主元模型将不能有效提取原数据阵的信息，造成信息丢失和模型不精确；相反，如果k值太大则可能包含噪声信息，同时起不到主元分析降维的目的使分析复杂化，因此必须针对不同的过程或对象选择合适的主元个数。[0065]pca的三个属性总结如下：第一，pca可以产生数据的低维表示，与用全维观测空间相比，可以更好地推广到独立于训练集的数据，从而提高检测和诊断故障的效率；第二，不论是造成故障的变量，还是严重受故障影响的变量，用pca提取的结构都可以有效地对它们进行识别；第三，pca能够把观测空间分离成一个获取过程的系统趋势的子空间，和一个基本上包含随机噪声的子空间。因为某些故障主要影响两个子空间中的一个，所以可以用一种方法针对一个子空间，用另一种方法针对另一个子空间，这样可以从总体上提高过程监控方案的灵敏度。[0066]以贝叶斯网络结构作为分类方法：[0067]贝叶斯网络综合了概率论和图论，是一种基于网络结构的有向图解描述，它用具有网络结构的有向图表达各个信息要素之间的关联关系及影响程度，用节点变量表达各个信息要素；用连接节点之间的有向边表达各个信息要素之间的关联关系；用条件概率表表达各个信息要素之间的影响程度。[0068]贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，它包含两方面的内容，即用bn＝(dag，cpd)来表示，分别指有向无环图和条件概率表。[0069]有向无环图dag＝(v，e)是一个网络结构。其中v＝{x1，x2，…，xn}是dag中结点的集合，每一结点xi为v表示域中的一个随机变量，每个变量都具有有限且互斥的状态集合，变量可以是连续变量，也可以是不连续变量，变量的状态为两个或两个以上，取值可以是确定型，也可以是不确定型。e是结点间有向边(弧)的集合，边表示变量之间的直接依赖关系。对于任意的两个节点xi，xj的有向边表示xi对xj有直接的因果影响，表示为弧xi→xj，并称节点xi是节点xj的父亲节点(parent)，而节点xj是节点xi的子节点(child)。[0070]cpd表示为条件概率分布(即bn的参数集合)，属于贝叶斯网的定量部分。条件概率表(collditiollalprobabilitytable，cpt)反映了变量之间关联性的局部概率分布情况，可以用p(xi/pa(xi))来描述，表示给定了父亲节点的状态情况下，当前节点所有取值的条件概率分布表。[0071]贝叶斯网络提供了对域的一个完整描述。有了节点及其对应的有向边、条件概率表，贝叶斯网络就可以表达网络中所有节点(变量)的联合概率，并可以根据先验概率信息或某些节点的取值来计算其它任意节点的概率信息。[0072]根据贝叶斯网络在故障诊断领域中的应用目的，可以分为故障预测、故障分类与诊断、故障诊断策略优化三种主要的应用形式。[0073]用于故障预测的贝叶斯网络有两种形式：一类是诊断型贝叶斯网络结构，将系统划分为故障征兆节点和故障状态节点，通过征兆节点信息推断状态节点的故障概率，但是两层节点的网络结构无法充分体现故障在元器件节点间的传播关系。另一类是动态贝叶斯网络结构，利用动态决策网的特殊结构和处理时序数据的能力进行概率推理，但其网络结构比较复杂，构建过程需要系统网络拓扑结构的深层知识。[0074]应用于故障分类时，贝叶斯网络节点变量有两类:故障假设节点和信息节点。故障假设节点为隐藏变量，不能被直接观测到，一般为被诊断设备的故障模式；信息节点是可以观测的变量，表达用于推理确定故障模式的信息。这种方式的诊断过程可以理解为根据已有观测信息节点的信息计算故障假设节点的概率信息，然后做出诊断决策。故障诊断往往不局限于分类方式，贝叶斯网络就是充分利用系统或设备的各个组成之间或各种因素之间的相互关联关系，建立最能体现贝叶斯网络优点的故障诊断网络模型。模型中的各个节点变量可以表达各种信息，结构中蕴涵了条件独立性假设。在诊断应用时，网络从任何节点获取的信息都可以沿着网络向各个节点传播，使得所有节点的概率信息都得到更新。故障诊断就是根据更新的概率信息进行诊断决策的。[0075]故障诊断策略优化的目标是根据已有信息，以最小代价、最快速度查找到并排除故障。因此，网络节点变量除了与作为分类用时相同的故障假设节点和信息节点外，还可能有其它的信息节点，如修理操作、人机交互信息等对查找故障有利的信息节点。[0076]贝叶斯网络以贝叶斯公式为基础，清楚地表达各个变量之间的关系，适合描述故障诊断问题，具有很强的学习机制，因此在故障诊断领域取得令人满意的效果。[0077]贝叶斯有坚实的理论基础，其强大的学习推理能力使得结果具有很强的说服力。目前已有成熟的概率推理算法和开发软件，利用其条件独立性计算各节点概率值。应用于故障诊断问题时，利用故障症状信息可以快速的计算各个节点变量的概率，进而推得故障源。贝叶斯网络推理可以完美的解决不确定、不完整信息。此外，基于贝叶斯网络开发的故障诊断软件大大提高了故障诊断的效率。贝叶斯网络通过实践积累可以随时进行学习改进网络结构和参数，提高故障诊断能力，并且基于网络的概率推理算法，贝叶斯网络接受了新信息后立即更新网络中的概率信息。在设备故障诊断应用中，将所有信息以适当的节点变量表示后，贝叶斯网络可以进行统一处理，即建造贝叶斯网络时变量的广义性可以将与设备故障诊断有关的所有信息来源纳入网络结构中，适合于表达更为复杂的、不确定性的问题。[0078]融合主元分析和贝叶斯分类的故障诊断：[0079]鉴于pca方法对某些微弱的异常情况缺乏检测能力，容易出现漏判的问题，引入贝叶斯统计理论，提出一种基于pca的贝叶斯网络构造——不仅使用主元分析方法，提取描述过程变量误差信息的q统计量，而且引入贝叶斯分类方法，利用先验知识和基于滑窗技术更新的样本数据，对q统计量分类，判断当前样本数据来自正常过程还是干扰过程，若为干扰过程，则进一步判断该值为异常值情况还是过程变化引起的情况，从而实现对异常值的在线检测。该方法能有效检测异常值并及时识别过程状态变化，误判率低。[0080]首先，将过程干扰与故障存在的情况统一称为异常情况，采用pca主元分析技术建立正常过程下样本数据的主元模型，并根据先验知识设定过程发生异常的先验概率p0，以及由历史数据拟合出样本的概率密度分布函数f(x|θi)；然后基于新样本数据的q统计量，采用贝叶斯方法计算发生异常的后验概率分布p(θd|x)；最后，根据当前计算出来的后验概率，采用朴素贝叶斯分类方法判断其属于正常信号还是异常信号，一旦被检测为异常信号，则等待新样本数据，进一步判断该值为故障还是过程干扰引起。当每次检测到正常信号以及异常情况时，对样本数据进行更新。若检测到正常信号，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新测定p0和f(x|θi)；若检测到新的异常状态，则用新过程状态下的样本信息取代前一时刻的θn空间。由于样本数据总共才两类，则有p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则可认为该样本点属于故障信号。[0081]基于真空远传数据的远程故障诊断：[0082]基于数据通信与网络化技术，将真空仪数据实时传输至服务端，采用基于主元分析的贝叶斯网络构造诊断技术，实现实时远程故障诊断。当前第1页12当前第1页12
背景技术：
：：2.真空仪是一种精密在线仪器，在石油化工、有机合成、医药医疗、天然气、环境治理、冶金和电力等诸多行业中得到广泛应用。真空仪能够为以多变量预测控制为代表的先进控制技术和以过程实时优化为核心的优化控制技术提供必不可少的定性和定量信息，在提高生产过程自动化水平、稳定和优化产品质量、实现生产的精细管理等方面发挥着重要作用。3.因此，监控、诊断及保障真空仪的稳定高效运转，成为目前真空仪应用领域的重中之重。随着网络化技术和数据通信技术的发展，开发一种实现远程真空仪监控与故障诊断技术迫在眉睫。技术实现要素：4.针对流体储运罐车、真空镀膜设备、分子精馏设备等监测对象，本发明提出一种基于主元分析的贝叶斯网络构造远程故障诊断方法，其以主元分析方法为核心，提取描述过程变量误差信息的q统计量，同时引入贝叶斯分类方法，利用先验知识和样本数据，实现对异常值的在线检测与诊断，最终集成远程通信技术，在边缘计算节点实现基于真空远传数据的远程故障诊断。该发明可有效解决现有真空仪实时故障诊断问题，进而为真空仪的长期稳定运行提供技术支持，在提高生产过程自动化水平、稳定和优化产品质量、实现生产的精细管理等方面发挥着重要作用。5.本发明为实现上述目的所采用的技术方案是：6.一种基于主元分析的贝叶斯网络构造远程故障诊断方法，包括以下步骤：7.根据历史真空度样本数据确定发生异常情况的先验概率p0、符合正态分布的样本概率密度分布函数f(x|θi)，i＝nord，n为样本数据正常，d为样本数据异常；8.将真空仪实时监测数据作为新的真空度样本数据，基于新的真空度样本数据的q统计量以及先验概率p0、样本概率密度分布函数f(x|θi)，采用贝叶斯方法计算采样点的异常情况的后验概率分布p(θd|x)或正常信号的后验概率p(θn|x)；9.根据p(θd|x)以及p(θn|x)，对历史真空度样本数据进行更新；10.根据异常情况的后验概率分布p(θd|x)判断采样点的异常情况是否为异常信号，进而判断该采样点是否有故障发生；11.将诊断结果实时传输至上位机，实现实时远程故障诊断。12.所述异常情况为：真空设备故障或工业过程中存在干扰的情况。13.当新的真空度样本数据与历史真空度样本数据不同时，采用p(θd|x)计算新的真空度样本数据的后验概率分布；当新的真空度样本数据与历史真空度样本数据相同时，采用p(θn|x)计算新的真空度样本数据的后验概率分布。14.所述异常情况的后验概率分布p(θd|x)和正常情况的后验概率p(θn|x)为：[0015][0016][0017]所述对历史真空度样本数据进行更新具体为：[0018]若检测到真空度的正常信号，则采用滑窗方法更新历史真空度样本数据空间，重新给定p0和f(x|θn)；[0019]若检测到真空度的异常值，则用异常状态下的实时样本信息取代前一时刻的正常数据的样本数据空间θn。[0020]所述根据异常情况的后验概率分布p(θd|x)判断采样点的异常情况是否为异常信号具体为：[0021]由于样本数据共两类，则p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则该采样点属于异常信号。[0022]所述判断该采样点是否有故障发生具体为：[0023]设真空度样本数据中最大区间样本为l，若检测到k个连续样本满足p(θd|x)》0.5，而接下来的第k l个样本点的后验概率满足p(θn|x)》0.5时，则检测出前k个样本点为过程干扰值；若连续检测到l个样本点的后验概率都满足p(θd|x)》0.5，则判断出现故障状况，其中，k＜l，l＜l。[0024]本发明具有以下有益效果及优点：[0025]1.基于主元分析和贝叶斯分类，可有效诊断识别真空仪故障；[0026]2.结合网络化技术和数据通信技术，可远程精准识别定位故障类别。[0027]3.本发明为真空仪的长期稳定运行提供技术支持。附图说明[0028]图1为基于pca与贝叶斯理论的在线异常值检测方法流程图；[0029]图2为基于真空远传数据的远程诊断方案架构图。具体实施方式[0030]下面结合附图及实施例对本发明做进一步的详细说明。[0031]以真空流体储运罐车监测过程为例，本发明具体为：[0032]1)将真空流体储运罐车车队通过传感器节点组成无线传感器网络，监测数据通过传感器节点实时传送给汇聚节点，并通过汇聚节点的边缘计算功能进行实时分析，具体分析过程如步骤2)——8)所示。[0033]2)首先，将真空设备故障与过程干扰统一称为异常情况，采用pca主元分析技术建立正常过程下样本数据的主元模型，并根据专家知识确定发生异常的先验概率p0、符合正态分布的样本概率密度分布函数f(x|θi)，i＝nord，其中，n为样本数据正常，d为样本数据异常，x为样本数据，θi为样本数据空间。[0034]3)基于新的真空度样本数据的q统计量，采用贝叶斯方法计算流体储运罐车真空度发生波动的后验概率分布p(θd|x)和正常状态的后验概率p(θn|x)。[0035][0036][0037]4)当每次检测到真空度的正常信号以及异常情况时，对样本数据进行更新：[0038]i.若检测到真空度的正常信号，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新给定p0和f(x|θn)。[0039]ii.若检测到真空度的异常值，则用异常状态下的样本信息取代前一时刻的正常数据的样本数据空间θn。[0040]5)由于样本数据总共才两类，则有p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则可认为该样本点属于异常信号。[0041]6)根据5)中的朴素贝叶斯分类方法判断其属于正常信号还是异常信号，一旦被检测为异常信号，则等待新样本数据，进一步判断该状态为故障还是过程干扰引起：根据实际经验，设最大区间样本l＝20，如检测到k个连续样本处(k《20)满足p(θd|x)》0.5，而接下来的第k l个样本点的后验概率满足p(θn|x)》0.5时，则检测出前k个样本点为过程干扰值；若连续检测到20个样本点的后验概率都满足p(θd|x)》0.5，可判断出现故障状况。[0042]7)基于数据通信与网络化技术，将真空仪监测数据实时传输至方法，采用基于主元分析的贝叶斯网络构造诊断技术，实现实时远程故障诊断。[0043]1)如图1所示，基于正常历史数据，以主元分析技术为手段，建立正常过程下样本数据的主元模型，根据先验知识设定过程发生干扰的先验概率p0，以及由历史数据拟合出样本的概率密度分布函数f(x|θi)。[0044]2)基于图2所示的基于真空远传数据的远程诊断方案架构，以网络化技术和数据通信技术为基础，获取实时真空仪数据，基于新样本数据的q统计量，采用贝叶斯方法计算发生干扰的后验概率分布p(θd|x)。[0045]3)如图1所示，根据当前计算出来的后验概率，采用朴素贝叶斯分类方法判断其属于正常信号还是干扰信号；[0046]4)如图1所示，一旦被检测为干扰信号，则等待新样本数据直至满足样本需求，而后进一步判断该值为异常值还是过程变化引起。[0047]5)如图1所示，当每次检测到正常信号以及过程变化引起的异常情况时，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新测定p0和f(x|θi)。[0048]6)如图1所示，若检测到新的过程状态，则用新过程状态下的样本信息取代前一时刻的θn空间。[0049]7)如图1所示，获取后验知识库及旧样本库后，则在第一步同时考虑主元分析、新样本和后验知识库以完成后验概率分析。[0050]一种基于主元分析的贝叶斯网络构造远程故障诊断方法，以主元分析方法为核心，提取描述过程变量误差信息的q统计量；同时引入贝叶斯分类方法，利用先验知识和样本数据，实现对异常值的在线检测与诊断；最终集成远程通信技术，实现基于真空远传数据的远程故障诊断。[0051]所需支撑包括：先验知识、样本数据、远程通信技术。[0052]以主元分析作为诊断技术：[0053]主元分析(principalcomponentanalysis，pca)方法的本质是将维数较大的过程数据投影到一个维数较少的主元空间，从而实现数据压缩和信息提取，借助相应统计量如spe，t2统计量进行故障发现，借助变量贡献图等进行故障诊断。[0054]假设来自于过程正常操作条件下的数据矩阵经过标准化(均值化为0，方差为l)处理后为x(n×m)，其中n为采集到的样本个数，m为过程变量数。主元分析的目的是寻找个数较少的k(k≤m)个相互独立的变量来尽可能的反映原数据阵的信息。这些变量分别是原m个变量的线性组合。在这里信息是以方差加以度量的，因此主元分析实际是依赖于x阵协方差阵的特征值分解。设其协方差阵为c，则有：[0055][0056]cpi＝λipi[0057]其中，pi是协方差阵c的正交单位化特征向量，λi是对应的特征值并按值大小降序排列。这样原数据阵x就可以分解为如下形式:[0058][0059]其中，pi被定义为主元负荷向量，ti定义为相应的得分向量且：[0060]ti＝xpi[0061]主元分析就是选择恰当的前k个得分向量来解释原数据矩阵的主要变化。即[0062][0063]其中，e(n×m)为残差矩阵，反映的是原始数据和经过前k个主元重构数据之间的差别，往往用来描述噪声信息，这样就可以利用数目较少的k个得分向量来代替原来数目较多的m个变量，达到降维的目的。[0064]在主元分析中，主元个数k的选择是十分重要的：如果k值太小，主元模型将不能有效提取原数据阵的信息，造成信息丢失和模型不精确；相反，如果k值太大则可能包含噪声信息，同时起不到主元分析降维的目的使分析复杂化，因此必须针对不同的过程或对象选择合适的主元个数。[0065]pca的三个属性总结如下：第一，pca可以产生数据的低维表示，与用全维观测空间相比，可以更好地推广到独立于训练集的数据，从而提高检测和诊断故障的效率；第二，不论是造成故障的变量，还是严重受故障影响的变量，用pca提取的结构都可以有效地对它们进行识别；第三，pca能够把观测空间分离成一个获取过程的系统趋势的子空间，和一个基本上包含随机噪声的子空间。因为某些故障主要影响两个子空间中的一个，所以可以用一种方法针对一个子空间，用另一种方法针对另一个子空间，这样可以从总体上提高过程监控方案的灵敏度。[0066]以贝叶斯网络结构作为分类方法：[0067]贝叶斯网络综合了概率论和图论，是一种基于网络结构的有向图解描述，它用具有网络结构的有向图表达各个信息要素之间的关联关系及影响程度，用节点变量表达各个信息要素；用连接节点之间的有向边表达各个信息要素之间的关联关系；用条件概率表表达各个信息要素之间的影响程度。[0068]贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，它包含两方面的内容，即用bn＝(dag，cpd)来表示，分别指有向无环图和条件概率表。[0069]有向无环图dag＝(v，e)是一个网络结构。其中v＝{x1，x2，…，xn}是dag中结点的集合，每一结点xi为v表示域中的一个随机变量，每个变量都具有有限且互斥的状态集合，变量可以是连续变量，也可以是不连续变量，变量的状态为两个或两个以上，取值可以是确定型，也可以是不确定型。e是结点间有向边(弧)的集合，边表示变量之间的直接依赖关系。对于任意的两个节点xi，xj的有向边表示xi对xj有直接的因果影响，表示为弧xi→xj，并称节点xi是节点xj的父亲节点(parent)，而节点xj是节点xi的子节点(child)。[0070]cpd表示为条件概率分布(即bn的参数集合)，属于贝叶斯网的定量部分。条件概率表(collditiollalprobabilitytable，cpt)反映了变量之间关联性的局部概率分布情况，可以用p(xi/pa(xi))来描述，表示给定了父亲节点的状态情况下，当前节点所有取值的条件概率分布表。[0071]贝叶斯网络提供了对域的一个完整描述。有了节点及其对应的有向边、条件概率表，贝叶斯网络就可以表达网络中所有节点(变量)的联合概率，并可以根据先验概率信息或某些节点的取值来计算其它任意节点的概率信息。[0072]根据贝叶斯网络在故障诊断领域中的应用目的，可以分为故障预测、故障分类与诊断、故障诊断策略优化三种主要的应用形式。[0073]用于故障预测的贝叶斯网络有两种形式：一类是诊断型贝叶斯网络结构，将系统划分为故障征兆节点和故障状态节点，通过征兆节点信息推断状态节点的故障概率，但是两层节点的网络结构无法充分体现故障在元器件节点间的传播关系。另一类是动态贝叶斯网络结构，利用动态决策网的特殊结构和处理时序数据的能力进行概率推理，但其网络结构比较复杂，构建过程需要系统网络拓扑结构的深层知识。[0074]应用于故障分类时，贝叶斯网络节点变量有两类:故障假设节点和信息节点。故障假设节点为隐藏变量，不能被直接观测到，一般为被诊断设备的故障模式；信息节点是可以观测的变量，表达用于推理确定故障模式的信息。这种方式的诊断过程可以理解为根据已有观测信息节点的信息计算故障假设节点的概率信息，然后做出诊断决策。故障诊断往往不局限于分类方式，贝叶斯网络就是充分利用系统或设备的各个组成之间或各种因素之间的相互关联关系，建立最能体现贝叶斯网络优点的故障诊断网络模型。模型中的各个节点变量可以表达各种信息，结构中蕴涵了条件独立性假设。在诊断应用时，网络从任何节点获取的信息都可以沿着网络向各个节点传播，使得所有节点的概率信息都得到更新。故障诊断就是根据更新的概率信息进行诊断决策的。[0075]故障诊断策略优化的目标是根据已有信息，以最小代价、最快速度查找到并排除故障。因此，网络节点变量除了与作为分类用时相同的故障假设节点和信息节点外，还可能有其它的信息节点，如修理操作、人机交互信息等对查找故障有利的信息节点。[0076]贝叶斯网络以贝叶斯公式为基础，清楚地表达各个变量之间的关系，适合描述故障诊断问题，具有很强的学习机制，因此在故障诊断领域取得令人满意的效果。[0077]贝叶斯有坚实的理论基础，其强大的学习推理能力使得结果具有很强的说服力。目前已有成熟的概率推理算法和开发软件，利用其条件独立性计算各节点概率值。应用于故障诊断问题时，利用故障症状信息可以快速的计算各个节点变量的概率，进而推得故障源。贝叶斯网络推理可以完美的解决不确定、不完整信息。此外，基于贝叶斯网络开发的故障诊断软件大大提高了故障诊断的效率。贝叶斯网络通过实践积累可以随时进行学习改进网络结构和参数，提高故障诊断能力，并且基于网络的概率推理算法，贝叶斯网络接受了新信息后立即更新网络中的概率信息。在设备故障诊断应用中，将所有信息以适当的节点变量表示后，贝叶斯网络可以进行统一处理，即建造贝叶斯网络时变量的广义性可以将与设备故障诊断有关的所有信息来源纳入网络结构中，适合于表达更为复杂的、不确定性的问题。[0078]融合主元分析和贝叶斯分类的故障诊断：[0079]鉴于pca方法对某些微弱的异常情况缺乏检测能力，容易出现漏判的问题，引入贝叶斯统计理论，提出一种基于pca的贝叶斯网络构造——不仅使用主元分析方法，提取描述过程变量误差信息的q统计量，而且引入贝叶斯分类方法，利用先验知识和基于滑窗技术更新的样本数据，对q统计量分类，判断当前样本数据来自正常过程还是干扰过程，若为干扰过程，则进一步判断该值为异常值情况还是过程变化引起的情况，从而实现对异常值的在线检测。该方法能有效检测异常值并及时识别过程状态变化，误判率低。[0080]首先，将过程干扰与故障存在的情况统一称为异常情况，采用pca主元分析技术建立正常过程下样本数据的主元模型，并根据先验知识设定过程发生异常的先验概率p0，以及由历史数据拟合出样本的概率密度分布函数f(x|θi)；然后基于新样本数据的q统计量，采用贝叶斯方法计算发生异常的后验概率分布p(θd|x)；最后，根据当前计算出来的后验概率，采用朴素贝叶斯分类方法判断其属于正常信号还是异常信号，一旦被检测为异常信号，则等待新样本数据，进一步判断该值为故障还是过程干扰引起。当每次检测到正常信号以及异常情况时，对样本数据进行更新。若检测到正常信号，则采用滑窗方法更新用于贝叶斯分类的样本数据空间，重新测定p0和f(x|θi)；若检测到新的异常状态，则用新过程状态下的样本信息取代前一时刻的θn空间。由于样本数据总共才两类，则有p(θd|x) p(θn|x)＝1，因此若计算出后验概率p(θd|x)》0.5，则可认为该样本点属于故障信号。[0081]基于真空远传数据的远程故障诊断：[0082]基于数据通信与网络化技术，将真空仪数据实时传输至服务端，采用基于主元分析的贝叶斯网络构造诊断技术，实现实时远程故障诊断。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
