] (7.5)根據(jù)條件風(fēng)險，按照以下規(guī)則判別故障狀態(tài)：
[0064] 其中，h是指可以根據(jù)實際工業(yè)過程來調(diào)節(jié)的因子，lu>l。
[0065] 優(yōu)選地，上述步驟(8)具體如下：
[0066]
，將下一時刻的待測樣本中該過 程變量的先驗概率初始化至P(Ni,t+1) =P(Fi,t+1) = 0.5;
[0067] 即利用該時刻待測樣本的過程變量的后驗概率值進(jìn)行比較得到的判斷結(jié)果，并利 用條件風(fēng)險值進(jìn)行比較得到的判斷結(jié)果，當(dāng)以上兩種判斷結(jié)果發(fā)生矛盾時，將下一時刻的 待測樣本中該過程變量的先驗概率初始化為〇. 5;
[0068] (b)當(dāng)后驗概率滿足 kiP(Fi | xt)< P(Ni | xt)或P(Fi | Xx) 2 P(Ni | xt)時，則用當(dāng)前樣本 的后驗概率更新下一時刻待測樣本的先驗概率，gp:
[0069] p(Fi t+1) =ρ(κ | Xt)，p(Ni>t+1) =P(Ni | xt)。
[0070] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有 益效果：
[0071] (1)本發(fā)明提出的工業(yè)過程故障診斷方法，由于根據(jù)過程變量的相對重構(gòu)貢獻(xiàn)值 來選取合適的代表過程變量特征屬性的特征量而不是直接選取過程變量的重構(gòu)貢獻(xiàn)值作 為特征量，可明顯區(qū)分故障樣本中的主要故障變量，次要故障變量和正常變量，準(zhǔn)確定位至 故障發(fā)生的源頭，減少"污染"效應(yīng)，有效提高對工業(yè)過程進(jìn)行故障診斷的可靠性和準(zhǔn)確性；
[0072] (2)本發(fā)明提出的工業(yè)過程故障診斷方法，由于將上一時刻樣本的過程變量的診 斷結(jié)果應(yīng)用于當(dāng)前樣本的診斷中，充分利用隱藏在待測樣本背后的數(shù)據(jù)信息，因此可以及 時監(jiān)測到故障發(fā)生并追溯引起異常工況的主要過程變量，減少"污染"效應(yīng)，同時利用條件 風(fēng)險準(zhǔn)則來進(jìn)行故障分類判斷，更加符合實際工業(yè)過程，具有實用性。
【附圖說明】
[0073] 圖1是本發(fā)明實施例提供的工業(yè)過程故障診斷方法的流程圖；
[0074] 圖2(a)，圖2(b)，圖2(c)示意了在實施例1的多變量傳感器故障條件下:傳統(tǒng)貢獻(xiàn) 圖方法、基于最大后驗概率的貝葉斯診斷方法、本發(fā)明的方法的故障診斷結(jié)果圖；
[0075] 圖3(a)，圖3(b)，圖3(c)分別示意了在實施例2的單變量傳感器故障條件下:傳統(tǒng) 貢獻(xiàn)圖方法、基于最大后驗概率的貝葉斯診斷方法、本發(fā)明的方法，三種方法的故障診斷結(jié) 果圖；
[0076] 圖4(a)和圖4(b)是實施例1中變量1和變量3分別將nRBCi(xt)和pRBCi(xt)作為特 征量時，特征值的取值情況；
[0077] 圖5(a)，圖5(b)，圖5(c)分別是實施例3的Tennessee Eastman過程在故障1的條件 下，傳統(tǒng)貢獻(xiàn)圖方法、基于最大后驗概率的貝葉斯診斷方法以及本發(fā)明的方法的故障診斷 結(jié)果示意圖；
[0078] 圖6(a)，圖6(b)，圖6(c)分別是實施例4的Tennessee Eastman過程在故障2的條件 下，傳統(tǒng)貢獻(xiàn)圖方法、基于最大后驗概率的貝葉斯診斷方法以及本發(fā)明的方法的故障診斷 結(jié)果示意圖。
【具體實施方式】
[0079] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0080] 本發(fā)明實施例提供的工業(yè)過程故障診斷方法，其流程如圖1所示意的，包括如下步 驟：
[0081] (1)采集正常工況下的數(shù)據(jù)，組成建模所需的訓(xùn)練樣本集矩陣 為樣本個數(shù)，n為變量個數(shù)；
[0082] (2)對上述訓(xùn)練樣本集矩陣進(jìn)行歸一化處理，獲得新的數(shù)據(jù)矩陣；
[0083] (3)利用主元分析法對上述歸一化后的樣本集矩陣進(jìn)行PCA分解，將原始的高維樣 本集矩陣進(jìn)行降維，建立監(jiān)測模型，得到模型的sro統(tǒng)計量和spe統(tǒng)計量的控制限，以及 Hotelling T2統(tǒng)計量和Hotel ling T2統(tǒng)計量的控制限；
[0084] (4)收集待檢測樣本數(shù)據(jù)，對待測樣本數(shù)據(jù)進(jìn)行減均值、除標(biāo)準(zhǔn)差的預(yù)處理并計算 待測樣本數(shù)據(jù)的SPE和Hotelling T2統(tǒng)計量;將待測樣本的SPE和Hotelling T2統(tǒng)計量和上 述(3)對應(yīng)的控制限進(jìn)行比較，如果待測樣本的統(tǒng)計量有一個超過了對應(yīng)的控制限，則認(rèn)為 該時刻樣本發(fā)生故障；
[0085] (5)利用重構(gòu)貢獻(xiàn)方法（Reconstruction based Contribution，RBC)對當(dāng)前時刻 的故障樣本進(jìn)行重構(gòu)，得到該時刻故障樣本每個過程變量的重構(gòu)貢獻(xiàn)值以及重構(gòu)貢獻(xiàn)值的 期望值;根據(jù)每個過程變量的重構(gòu)貢獻(xiàn)值和期望值計算該時刻故障樣本每個過程變量的相 對重構(gòu)貢獻(xiàn)值，獲得每個過程變量的特征量；
[0086] (6)根據(jù)上述過程變量的特征量，計算當(dāng)前時刻樣本每個過程變量在故障模式下 的條件概率密度函數(shù)p(Xt | ，與正常模式下的條件概率密度函數(shù)p(Xt | ;
[0087] (7)根據(jù)上述故障模式下的條件概率密度函數(shù)與正常模式下的條件概率密度函數(shù) 及先驗概率，計算后驗概率;并對后驗概率進(jìn)行限定處理；
[0088] 根據(jù)限定處理后的后驗概率與改進(jìn)后的0-1損失函數(shù)，獲得在故障模式下和正常 模式下各自的條件風(fēng)險值;根據(jù)條件風(fēng)險準(zhǔn)則對當(dāng)前時刻樣本的過程變量進(jìn)行故障分類； 其中，在故障模式和正常模式下各自的先驗概率的初始值均預(yù)設(shè)為0.5;
[0089] (8)利用后驗概率與故障分類結(jié)果更新下一時刻樣本的過程變量的先驗概率；
[0090] (9)重復(fù)上述步驟(4)~(8)，直到所有時刻的待測樣本故障分類完畢;獲得最終這 一批所有待測樣本的故障診斷結(jié)果。
[0091] 實施例采用本發(fā)明提供的工業(yè)過程故障診斷方法，對數(shù)值仿真實例以及如TE過程 的連續(xù)化工過程進(jìn)行故障診斷；
[0092]實施例1中，蒙特卡洛(Monte Carlo)數(shù)值仿真實例具體描述為：
[0094]其中，是正常工況下的樣本乂1<#叫3是均值為0，標(biāo)準(zhǔn)差分別為1，0.8,0.6的三 個潛變量信號，ε是均值為〇,標(biāo)準(zhǔn)差為0.2的白噪聲，記作e~7\r(0,0.22：);總共3000個正常 樣本組成訓(xùn)練集；
[0095] 將待測的故障樣本表示成以下一般形式：
[0096] xt = x*+Cifi
[0097] 實施例 1中|1>3=[1 0 1 0 0 0]\心,3 = 6\10-6\七2，（七=1，2^"1200)，共產(chǎn)生 1200個待測的故障樣本。
[0098]采用本實施例提供的故障診斷方法，對上述Monte Carlo數(shù)值仿真實例進(jìn)行故障 診斷的具體過程如下：
[0099] (1)對正常工況下的樣本集矩陣尤e 進(jìn)行歸一化處理，然后進(jìn)行PCA分 解，得到3個主元個數(shù)，保留了 85.3%的波動信息；
[0100] (2)計算PCA模型的綜合指標(biāo)爭以及#的控制限；
[0101 ] (3)對于當(dāng)前時刻的待測樣本，計算各個過程變量的相對重構(gòu)貢獻(xiàn)值rRBCi (X )，并 計算當(dāng)前時刻樣本的過程變量的特征量
[0102] (4)設(shè)p(xt|Fi)中的，p(xt|Ni)中的〇 3 = 3,〇4=1，計算過程變量在故障 模式下的條件概率密度函數(shù)P(xt I ，以及正常模式下的條件概率密度函數(shù)p(Xt | ，并設(shè) 定檢測的初始時刻的先驗概率P (Fi)和P (Ni)為0.5;
[0103] (5)利用貝葉斯公式計算后驗概率PWilxt)和PWilxt)并將后驗概率限定在0.01 至0 · 99之間，令ki = 3，計算條件風(fēng)險| 和| ;
[0104] (6)根據(jù)條件風(fēng)險的判別規(guī)則將過程變量進(jìn)行分類；
[0105] (7)利用后驗概率與故障分類結(jié)果更新下一時刻樣本的過程變量的先驗概率；
[0106] (8)重復(fù)上述步驟(3)~(7)，直到1200個待測樣本分類完畢，結(jié)束循環(huán)，得到最終 這一批所有待測樣本的故障診斷結(jié)果，如圖2(c)所示。
[0107] 圖2是貢獻(xiàn)圖方法、基于最大后驗概率方法和本發(fā)明提供的故障診斷方法三種不 同方法在實施例1中的診斷結(jié)果示意圖，從圖2(a)中可以看到，由于過程變量之間的相關(guān)性 和故障傳播過程中故障變量的"污染效應(yīng)"，采用貢獻(xiàn)圖方法將變量5和變量6誤判為故障變 量，并且將變量1和變量3判定為故障變量的準(zhǔn)確率分別為73.4%和75.7%;如圖2(b)所示， 采用基于最大后驗概率方法將變量1和變量3判定為故障變量的準(zhǔn)確率分別為78.6%和 84.6% ;采用本發(fā)明提供的故障診斷方法，對于變量1和變量3判定為故障變量的準(zhǔn)確率分 別為 82.7% 和 84.3%。
[0108] 實施例2采用與實施例1相同的3000個正常樣本訓(xùn)練集，改變待測的故障樣本的故 障方向向量和故障幅值，ΒΡξ4=[0 0 0 1 0 0]T，f4=10-5父92，（9=1，2，~1000)，共產(chǎn)生 1000個待測的故障樣本。對實施例2進(jìn)行故障診斷的具體過程和實施例1相同，圖3(a)，圖3 (b)，圖3(c)分別展示了貢獻(xiàn)圖方法、基于最大后驗概率方法和本發(fā)明提供的故障診斷方法 三種不同方法在實施例2中的診斷結(jié)果。
[0109] 圖4(a)和圖4(b)示意的是對過程變量分別以重構(gòu)貢獻(xiàn)值和相對重構(gòu)貢獻(xiàn)值來選 取特征量時特征量值不同的波動范圍；圖4(