1、基于基于MICA-FDA的水压试验机的水压试验机故障诊断方法研究故障诊断方法研究1 多元统计故障检测与诊断 现代工业过程趋于复杂化，过程变量也越来越多，要想保证过程正常运行、提高产品质量就需要测量很多过程变量用于过程监控。1 多元统计故障检测与诊断 实际的过程中各变量之间往往不是相互独立的，而是彼此间存在一定的相关关系。错综复杂的相关关系已经超出了操作员和工程师的判断能力，仅仅凭借直接观察和经验难以找到发生故障的真正位置和原因。这种情况称为“操作员信息过载”。1 多元统计故障检测与诊断 如果能通过变换将相关的过程变量简化为几个独立的变量或指标，根据这些变量的变化则能够相对容易的找出故障的真正原
2、因。主元分析法(Principle Component Analysis，PCA)独立成分分析(Independent Component analysis，ICA)费舍尔判别分析法（Fisher Discriminant Analysis，FDA）1.2 多元统计过程的数据预处理 现实世界中的数据大都含有噪声，为了从数据中提取有效信息，通常需要对数据进行预处理。预处理过程有 3 个任务：（1）去除变量（2）自标定（3）剔除野点2 FDA的简介2.1 FDA的基本理论 在故障诊断中，从发生特定故障的设备上收集数据，并将数据归类，其中每类包含的数据代表一类特定的故障。FDA 在最大化类间离散度方
3、面是最优的降维技术。它确定了一系列投影向量，使得类间离散度最大，同时类内离散度最小。2.1 FDA的基本理论n mXR1()()nTtiiisxxxx2.1 FDA的基本理论1()()nTtiiiSxxxx11niixxn2.1 FDA的基本理论()()ijTjijijxSxxxx1ijjixxxn2.1 FDA的基本理论1pwjiSS1()()pTbjjjjSn xxxx2.1 FDA的基本理论 可以证明类间离散度矩阵与类内离散度矩阵之和为总离散度矩阵：tbwSSS1pwjiSS1()()pTbjjjjSn xxxx()()ijTjijijxSxxxx2.1 FDA的基本理论0maxTbTv
4、wv S vv S vbiiwiS wS w2.1 FDA的基本理论biiwiS wS w2.2 FDA的故障诊断()(),ijg xgx ij2.2 FDA的故障诊断()()iig xP w x2.2 FDA的故障诊断 通过全部数据构造模型，即可利用每一类的判别函数进行故障诊断。FDA同时利用了所有的信息构建更低维的模型进行故障诊断。由 FDA 提供的低维表征可以通过引入判别函数进行故障诊断。将正常过程操作的数据收集起来作为一类时，FDA 可用来检测故障。2.3 FDA的降阶()af an2.3 FDA的降阶()af an3 基于MICA-FDA的水压试验机故障诊断方法研究3.1 研究对象水
5、压试验机3.1 研究对象水压试验机 应用范围：适用于各种管件（汽车软管、胶管、空调管、钢管、汽车总成等产品）的耐压、爆破性能的测试。用于各种型号的管件的爆裂压力测定和耐压时间测定。3.1 研究对象水压试验机3.1 研究对象水压试验机3.2 水压试验机故障诊断研究现状（1）故障树方法 目前，仅有一些利用故障树的方法针对某个故障进行诊断的研究。这类方法采用自顶向下、逐步演绎的方法分析系统薄弱环节，但存在图形元素种类繁多、缺乏一致性、分析过程复杂等缺点，最重要的一点是需要对设备及故障的机理十分清楚，因此该方法对一些国外引进的先进水压试验机的过程故障诊断并不适用。3.2 水压试验机故障诊断研究现状（2
6、）基于解析方法的诊断 由于缺乏对水压试验机机理方面的了解，从机理方面对其建模来进行故障诊断也并不可行。3.2 水压试验机故障诊断研究现状（3）采用基于MICA-FDA的故障诊断 水压试验机的一个打压批次速度很快，一般只需几十秒的时问，整个生产过程涉及到各种压力、位移、油温、阀门的状态及报警等数十个变量，因此，短时间内可以产生大批的数据信息，而这些数据信息又对各类故障具有一定的表征作用，根据这一特点，可以采用数据挖掘的方法对水压试验机的生产过程进行故障诊断。3.2 水压试验机故障诊断研究现状（3）采用基于MICA-FDA的故障诊断 在各类数据挖掘方法中，Fisher判据分析(FDA)方法同时利用
7、了正常工况和故障条件下的数据来建立模型，与PCA等方法相比，FDA方法具有很强的故障诊断能力，又由于水压试验机的生产过程是一个间歇过程，因此本文采用基于间歇过程的MFDA方法进行故障诊断。3.3 数据预处理()X IJK3.3 数据预处理3.3 数据预处理（2）展开成二维矩阵3.4 离线建模（1）MICA算法 多向独立元分析方法(MICA)是基于独立元分析方法(ICA)发展起来的一种间隙过程的监测方法，该方法一方面充分利用了高阶统计量，另一方面可从观测数据中进一步提取出互为独立的信息元，因而能更本质地描述过程特征，为过程监控和故障诊断性能的提高提供了一种更为有效的方法。3.4 离线建模XAS3
8、.4 离线建模SWX3.4 离线建模（1）MICA算法 采用FastICA算法求取独立成分：3.4 离线建模（2）Fisher判别分析方法3.4 离线建模（2）Fisher判别分析方法3.4 离线建模（2）Fisher判别分析方法3.4 离线建模（2）Fisher判别分析方法3.4 离线建模（2）Fisher判别分析方法3.5 建立MICA-FDA模型3.5 建立MICA-FDA模型3.5 建立MICA-FDA模型3.6 在线故障诊断3.6 在线故障诊断3.7 水压机故障诊断上的应用选取三类故障：（1）锁阀故障（2）预密封故障（3）系统泄漏这三类故障是比较难以判断的。3.7 水压机故障诊断上的
9、应用 从实际生产过程中采集数据：（1）正常工况数据30批（2）3类故障数据各15批 以上数据作为训练数据集。涉及这3类故障的变量数共12个，每0.5s采一次样，每个批次有32个采样点。3.7 水压机故障诊断上的应用 正常工况的数据经过MICA分析后，可求得分离矩阵W，并且可获得7个独立元，即原数据可降为7维数据。所有的故障数据经MICA变化之后得到的数据构成MFDA模型的训练数据集，并建立MFDA模型。为了测试所建立模型的性能。这里将误诊断率作为评价故障诊断性能的指标，其中，误诊断率=(样本中不正确分类的数目)(样本总数)。将其诊断结果与仅使用MFDA方法进行故障诊断的结果比较。3.7 水压机故障诊断上的应用 由表中可以看出，基于MlCAFDA方法的误诊断率要低于仅使用MFDA方法的误诊断率。3.7 水压机故障诊断上的应用 选取两批新的数据来测试所建立模型的性能：3.7 水压机故障诊断上的应用3.8 结论
