一种基于时段的水压试验机故障诊断方法

　　根据API要求,各种不同品种和钢级的油井管,必须能承受相应等级的压力,水压试验机正是为检验钢管的耐压能力而设计制造的[1-2].水压试验机是一个集机械、液压及电控等为一体的复杂系统,由于对其机理知识缺乏深入的了解,系统发生故障时的诊断和排除带有很大的技术难度.因此,如何快速判断故障原因,减少故障排除的时间,对提高设备的检验能力及产品质量具有重要意义.

　　基于多向Fisher判别分析(简称MFDA,multiway Fisher discriminant analysis)的故障诊断方法同时利用正常工况和故障条件下的数据建模,因此具有很强的诊断能力[3-4].使用这类方法的一个必要条件是各个批次之间必须具有等长的生产周期.常用于处理不等长周期的方法有“动态时间规整”、“指示变量”、“平均长度法”等.动态时间规整法在很大程度上掩盖了异常工况的数据特征,被扭曲的故障特征会给故障诊断带来很大的困扰[5].指示变量法需要一个在整个间歇过程操作中严格单调变化的变量,不适合水压试验生产过程[6].目前,对于故障数据,处理不等长效果比较理想的还是平均长度法,但直接在数据的末尾按平均长度取齐数据容易造成数据缺失,增大诊断误差.因此,本文根据水压试验机生产过程及其故障数据特点,提出了分时段补长的处理方法.将水压试验过程按照生产特点分成几个时段,对每个时段分别补齐数据并建立MFDA模型.此外,为了获得更理想的诊断效果,在建立第二时段及其之后时段的MFDA模型时,将前一时段提取的区分故障的主要信息代入到下一时段的建模中,通过递推的方法将几个时段的特性联合在一起,充分利用了现有资源,提高故障诊断性能.

　　1　Fisher判别分析方法

　　2000年,美国学者Chiang等人[4]首先将Fisher判别分析方法引入到流程工业过程,用其进行故障诊断分析.其后,以浙江大学王树青教授及其课题小组为主的研究人员于2004年提出了MFDA方法,将Fisher判别分析思想扩展到间歇过程的故障监控[7-8].FDA的目的是寻找Fisher最优判别向量使得Fisher标准函数最大化.这样高维特征空间就可以被投影到用于组成一个低维特征空间的已获得的最优判别向量上.在低维Fisher空间上,不同类的数据基本上都可以被分开.

　　假设不同类的样本数据组成矩阵X∈Rn×m,其中:n是观测样本数;m是测量变量个数;p为类别总数;nj是第j类中的观测样本数;将第i个观测样本的测量变量向量表示为xi.定义总体离散度矩阵、第j类的类内离散度矩阵、类内离散度矩阵及类间离散度矩阵分别为

其中为总体样本的平均值向量;-xj=为第j类的总体样本平均值向量;总体离散度矩阵、类内离散度矩阵和类间离散度矩阵,三者之间有如下关系: