专利名称：一种流程工业复杂机电系统的状态监测装置及方法
技术领域：
本发明属于机电系统监测技术领域，涉及一种状态监测装置及方法，尤其是一种流程工业复杂机电系统的状态监测装置及方法。
背景技术：
在流程工业中，由于工业过程规模不断扩大、复杂性日益增加，生产系统的安全性和可靠性要求也日益提高。生产系统长期安全稳定高效的运行，避免恶性安全事故的发生已成为现代工业的一个重要任务。为此，在系统运行过程中，需要及时检测到故障或异常状态的发生，并对故障类型进行判断和故障源定位，消除不利影响因素。传统的状态监测方法可以分为三类基于解析的方法、基于知识的方法和基于数据驱动的方法。基于解析的方法是建立在严格的数学模型基础上的，如卡尔曼滤波器、参数估计、等价空间等方法；基于知识的方法主要是依据工艺过程知识建立模型，如故障树(FTA)、决策树(DT)等；基于数据的方法主要是以采集的过程数据为基础，通过各种数据处理与分析方法挖掘出数据中隐含的系统状态信息，进而指导生产过程，如多元统计方法、聚类分析、频谱分析等。由于流程工业中的生产系统日趋复杂，获取严格的数学模型和详细的系统知识比较困难，因此，基于解析的和基于知识的方法受到限制；并且，工业系统通常都对设备运行状态数据进行采集和记录，这些状态监测数据恰好蕴含了系统运行工况和系统异常状态演化规律等本质信息，所以基于数据驱动的分析方法在流程工业中的状态监测和故障诊断等方面得到了广泛的应用。从科学研究的角度看，以化工生产为代表的流程工业生产系统是一种由诸多大型动力机械装备、化工反应装置和自动化控制系统通过能量网、流体网、信息网、控制网耦合而成的分布式复杂机电系统。在实际状态监测过程中，这样的复杂机电系统面临3个问题(I)监测变量数量庞大，变量之间具有相关性和强耦合性，人工方式难以同时监测所有变量。(2)监测数据呈现缓变、海量性、非线性和非典型性等多特征并存的特点，缺乏有效的手段挖掘数据中蕴含的设备状态特征信息。(3)现代流程工业生产系统处于一种多介质耦合的网络环境下，目前还缺乏在系统层面有效进行状态监测的装置系统和方法。以下对本发明中涉及的KPCA理论、小波降噪等概念做以下简单介绍和定义核主成分分析(kernelprincipal component analysis),简称KPCA,是基于数据驱动的故障检测的一种常用方法。核主成分分析的基本思想是首先通过一个非线性映射函数①将输入空间的数据矩阵X映射到一个高维特征空间F，然后对高维空间中的映射数据做主元分析，提取数据在高维空间的线性特征，也就是数据在低维空间的非线性特征。这一非线性映射是通过引入核函数，计算输入空间中数据的内积而实现的。KPCA通过构造基于过程主元特征信号子空间信息的过程统计量T2和残差信息子空间信息的统计量SPE，确定其控制限，进而实现状态监测。传统的KPCA方法在实际应用中存在以下不足=(I)KPCA核参数和主元个数的选取非常主观化，目前对核参数的选取没有统一的准则，大多采取经验公式的方法。KPCA中主元个数的选取一般采用简单常用的主元累积贡献率法(Cumulative percentvariance, CPV)，但是贡献率取多少最合适并没有一个统一的标准，而且KPCA中采用主元累积贡献率求主元个数时，首先会受到核参数选取的影响；(2)整个监测过程没有利用已知的故障案例数据，而是根据给定的参数建立一个KPCA模型来检测所有种类的故障。但是一个固定的系统模型不可能对所有故障都有较好 的检测效果，只能对其中某一种，或某一类故障非常敏感。本发明将在改进的双参数优化的KPCA模型的基础上，提出一套装置及方法克服以上问题。小波降噪在实际工业过程中采集的数据往往受到噪声的污染和干扰，如白噪声和电磁干扰等，其中有用信号通常表现为低频信号或是一些比较平稳的信号，而噪声信号通常表现为高频信号。对实际采集的数据进行小波分解时，噪声部分主要包含在高频小波系数中，因而，可以应用门限阈值等形式对小波系数进行处理，然后对信号进行重构即可达到降噪、抗干扰的目的，进而提高数据质量，提高故障检出能力和准确性。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种流程工业复杂机电系统的状态监测装置及方法，其针对流程工业复杂机电系统监测数据的多变量、海量、非线性等特点，从系统层面实现生产过程中的状态监测，能够提高状态监测能力，及时发现故障和异常状态的发生。本发明的目的是通过以下技术方案来解决的这种流程工业复杂机电系统的状态监测装置，包括人机交互模块用于实现用户和状态监测系统的交互，包括系统状态监测信息的输入和输出，调用数据采集模块、数据预处理模块和数据分析模块；数据采集模块用于对系统历史状态检测数据和DCS控制系统运行过程中产生的实时数据进行提取；数据预处理模块用于去除监测变量数据的高斯白噪声，以及对采集的数据进行标准化处理，去除量纲的影响，以便后续的分析；数据分析模块用于对监测系统的建模，并将实时监测数据与所建模型对比，检测系统异常状态；故障案例库用于存储、管理被监测系统的历史故障信息，包括故障时间、故障原因、以及故障模式；所述人机交互模块分别与数据采集模块、数据预处理模块和数据分析模块相连接，作为信息传递的载体；同时，数据采集模块、数据预处理模块和数据分析模块分别和故障案例库相连，从故障案例库中提取信息，完成建模和分析的功能。上述数据分析模块中的功能包括双参数优化的KPCA模型的分析方法；结合系统案例库的数据信息，建立监测系统的KPCA模型集；实时监测数据与建立的KPCA模型集对t匕，检测系统异常状态；对整个流程工业系统的运行情况做出判断，提供针对性地安全预警信息。本发明还提出一种基于上述装置的流程工业复杂机电系统的状态监测方法，包括以下步骤
I)数据采集从故障案例库中提取被监测对象的正常工况历史数据并采集监测对象的实时监测数据；其中历史数据用于建立系统模型，实时数据用于对系统状态的监测；2)数据预处理首先采用小波去噪的方法对提取的正常工况历史数据和采集的监测对象的实时监测数据进行降噪处理；然后对降噪后的数据进行标准化处理，消除各监测变量量纲不一致的影响；3)建立系统模型采用双参数优化的核主元分析方法，根据正常工况历史数据建立KPCA模型，并结合已知故障案例数据对KPCA模型中的核参数和主元个数进行优化，得到KPCA模型集，用于检测系统是否处于异常状态；4)异常状态监测计算采集的实时监测数据在所建立模型下的监测统计量，并与
模型的监测统计量上限值作比较，如果超出了统计量上限值，则能够判断系统在统计意义上出现了异常状态；5)将分析结果及有效预警信息通过人机交互模块显示出来。进一步，以上步骤3)中具体包括以下步骤a)建立一个双参数目标优化问题,求使得统计量T2统计量检出率和SPE统计量检出率最大时的核参数O和主元个数p，用下式表达为
权利要求
1.一种流程エ业复杂机电系统的状态监测装置，其特征在于，包括 人机交互模块用于实现用户和状态监测系统的交互，包括系统状态监测信息的输入和输出，调用数据采集模块、数据预处理模块和数据分析模块； 数据采集模块用于对系统历史状态检测数据和DCS控制系统运行过程中产生的实时数据进行提取； 数据预处理模块用于去除监测变量数据的高斯白噪声，以及对采集的数据进行标准化处理，去除量纲的影响，以便后续的分析； 数据分析模块用于对监测系统的建模，并将实时监测数据与所建模型对比，检测系统异常状态； 故障案例库用于存储、管理被监测系统的历史故障信息，包括故障时间、故障原因、以及故障模式； 所述人机交互模块分别与数据采集模块、数据预处理模块和数据分析模块相连接，作为信息传递的载体；同时，数据采集模块、数据预处理模块和数据分析模块分别和故障案例库相连，从故障案例库中提取信息，完成建模和分析的功能。
2.根据权利要求I所述的流程エ业复杂机电系统的状态监测装置，其特征在于，所述数据分析模块中的功能包括双參数优化的KPCA模型的分析方法；结合系统案例库的数据信息，建立监测系统的KPCA模型集；实时监测数据与建立的KPCA模型集对比，检测系统异常状态；对整个流程エ业系统的运行情况做出判断，提供安全预警信息。
3.ー种基于权利要求I所述装置的流程エ业复杂机电系统的状态监测方法，其特征在于，包括以下步骤 1)数据采集从故障案例库中提取被监测对象的正常エ况历史数据并采集监测对象的实时监测数据；其中历史数据用于建立系统模型，实时数据用于对系统状态的监测； 2)数据预处理首先采用小波去噪的方法对提取的正常エ况历史数据和采集的监测对象的实时监测数据进行降噪处理；然后对降噪后的数据进行标准化处理，消除各监测变量量纲不一致的影响； 3)建立系统模型采用双參数优化的核主元分析方法，根据正常エ况历史数据建立KPCA模型，并结合已知故障案例数据对KPCA模型中的核參数和主元个数进行优化，得到KPCA模型集，用于检测系统是否处于异常状态； 4)异常状态监测计算采集的实时监测数据在所建立模型下的监测统计量，并与模型的监测统计量上限值作比较，如果超出了统计量上限值，则能够判断系统在统计意义上出现了异常状态； 5)将分析结果及有效预警信息通过人机交互模块显示出来。
4.根据权利要求3所述的流程エ业复杂机电系统的状态监测方法，其特征在于，步骤3)中具体包括以下步骤 a)建立一个双參数目标优化问题，求使得T2统计量检出率和SPE统计量检出率最大时的核參数O和主元个数p，用下式表达为fcr> Ost'i '\n<p<ni 其中 O -核參数； P-主元个数； n-取85%累积贡献率时的主元个数； m——输入空间的维度，即变量个数； Ft ( O，p)-在给定的核參数和主元个数条件下的T2统计量检出率； Fs( O，p)-在给定的核參数和主元个数条件下的SPE统计量检出率； b)获取正常エ况下的数据作为训练样本并标准化，用初始核參数和主元个数建立KPCA模型；初始核參数G =10m，m为输入空间维数，也就是变量个数；初始主元个数按照累积贡献率达到85%的方法选取； c)由初始主元个数求得检验水平a= 99%下的T2统计量和SPE统计量上限值； d)获取故障案例数据，并对每ー变量用训练数据对应向量的标准差和均值标准化； e)求取该故障案例数据在初始參数下的主元向量，得到T2统计量和SPE统计量； f)比较统计量值和统计量上限值，分别计算T2统计量和SPE统计量超出上限值的样本所占的百分比，得到平均检出率； g)改变初始參数，并按上述步骤计算新參数下统计量的平均检出率，与上ー个平均检出率比较,保留平均检出率更高的核參数和主元个数； h)重复上述步骤，直到平均检出率满足故障检测要求的某ー检出率，或得到一个收敛解；此时的核參数和主元个数即是对于该故障的最优KPCA模型參数。
全文摘要
本发明涉及一种流程工业复杂机电系统状态监测装置及方法，该装置包括人机交互模块、数据采集模块、数据预处理模块、数据分析模块和故障案例库。采用本发明的装置和方法，能够监测系统是否有故障或异常状态发生，对流程工业系统的跳车事故或其他安全事故做出提前预警。同时，利用双参数优化的KPCA方法，克服了传统KPCA方法凭借经验公式选取参数的缺陷，提高了状态监测能力。再者，充分利用系统历史生产过程中建立的故障案例数据库，使得系统故障的监测更加及时和准确。
文档编号G05B19/048GK102736546SQ201210219078
公开日2012年10月17日 申请日期2012年6月28日 优先权日2012年6月28日
发明者杨明, 高建民, 高智勇 申请人:西安交通大学