一种连续化工过程故障检测方法
【专利摘要】本发明涉及一种连续化工过程故障检测方法，包括以下步骤：1)构建向量Xj和Y的线性回归模型，引入回归约束函数，2)通过haar小波变换来压缩数据，提高计算效率，3)构建加入1-范数和2-范数的回归约束构建稀疏主元模型，通过对SPCA算法的推导，求出稀疏主元的最优解，4)利用核概率密度估计(kde)的方法来估计最佳的T2统计量和SPE统计量的阈值，5)对故障数据进行T2统计量和SPE统计量计算，依次求得故障数据的T2统计量和SPE统计量的值，6)检测数据是否存在故障。本发明稀疏后主元相关的数据量减少，减少了计算量，并缩短了计算时间，进而提高了监控的实时性，可以提高故障检测的准确度和检测的效率。
【专利说明】一种连续化工过程故障检测方法
【技术领域】
[0001] 本发明涉及智能信息处理领域，尤其是涉及一种连续化工过程故障检测方法。
【背景技术】
[0002] 随着控制科学的发展和工业技术的进步，工业系统的生产能力和现代化水平日益 提高，生产工艺、生产设备和生产过程也随之越来越复杂化。同时，这些复杂的系统发生故 障的潜在可能性也相应的提高，并且故障的严重性也会随着系统的复杂程度而显著增加， 一旦发生了故障，那么将造成很大的人员和财产损失。所以如何实时监测生产过程并且将 故障提前检测出来就显得尤为重要。只有进行有效的过程监控，才能确保生产安全和提高 产品的质量。
[0003] 过程监控的四个步骤是故障检测、故障识别、故障诊断和过程恢复。通过模式识别 的方法，侧重于将故障检测出来。故障检测，通俗的讲，就是确定故障是否发生了。及时进 行检测可以对将会出现的问题提出有价值的报警，通过采取相应的措施，避免严重的过程 颠覆。
[0004] 传统的故障检测方法主要有基于模型的检测方法、基于数据驱动的方法和基于先 验知识的方法。其中基于数据驱动的方法是利用统计学的思维，对生产过程中产生的数据 进行分析，先在正常数据中做测试，再应用于对生产过程数据的监控。在数据驱动的方法 中，PCA检测方法是一种经典的检测方法，广泛应用于生产实践中。但是，PCA检测方法也 有其局限性，PCA方法有两个理想化的结果：一是主元能够体现出数据的最大变化，而且信 息损失是最小的；二是主元间是独立的，即一个主元和其他主元不相关。上述结果的取得是 因为PCA的检测方法假设过程数据是线性高斯的，在此情况下，根据方差贡献率选取主元 可以取得较好的结果。但在大型的工业生产过程中，系统中往往会存在各种各样的过程变 量，不可能完全满足线性高斯假设，另外传统的PCA检测方法往往计算量很大，影响了计算 效率和过程监控的实效性。
【发明内容】
[0005] 本发明的目的在于针对现有方法中存在的不足，提出一种连续化工过程故障检测 方法，通过引入稀疏主元的思想，将传统的降维问题转化为回归最优化问题，以此来提高检 测的精度和检测的效率。将该方法用于连续化工过程故障检测，能够提高检测的精度。
[0006] 本发明的目的可以通过以下技术方案来实现：
[0007] -种连续化工过程故障检测方法，该方法包括以下步骤：
[0008] 1)从田纳西-伊斯曼工业过程模型中获得正常数据和故障数据，将正常数据作为 训练数据，将故障数据作为测试数据，并对获得的测试数据进行标准化处理；
[0009] 2)对训练数据进行小波变换，压缩数据；
[0010] 3)引入带有1-范数和2-范数的回归约束函数对训练数据进行回归计算，利用稀 疏化主元分析法计算得到稀疏化的负荷向量；
[0011] 4)计算经过小波变化后的训练数据的T2统计量和SPE统计量；
[0012] 5)利用概率密度估计的方法求得T2和SPE统计量的阈值；
[0013] 6)根据步骤3)、4)对进行小波变化后的测试数据计算相应的T2和SPE统计量，判 断测试数据是否存在故障：
[0014] 当使用T2统计量检测时，若求得的T2统计量的值大于它所对应的阈值，则所对应 的一组数据存在故障；若求得的T 2统计量的值小于它所对应的阈值，则所对应的一组数据 正常；
[0015] 当使用SPE统计量检测时，若求得的SPE统计量的值大于它所对应的阈值，则所对 应的一组数据存在故障；若求得的SPE统计量的值小于它所对应的阈值，则所对应的一组 数据正常。
[0016] 步骤1)中，所述的标准化处理采用z-sc〇re标准化方法，计算公式为：
[0017]
【权利要求】
1. 一种连续化工过程故障检测方法，其特征在于，该方法包括以下步骤： 1) 从田纳西-伊斯曼工业过程模型中获得正常数据和故障数据，将正常数据作为训练 数据，将故障数据作为测试数据，并对获得的测试数据进行标准化处理； 2) 对训练数据进行小波变换，压缩数据； 3) 引入带有1-范数和2-范数的回归约束函数对训练数据进行回归计算，利用稀疏化 主元分析法计算得到稀疏化的负荷向量； 4) 计算经过小波变化后的训练数据的T2统计量和SPE统计量； 5) 利用概率密度估计的方法求得T2和SPE统计量的阈值； 6) 根据步骤3)、4)对进行小波变化后的测试数据计算相应的T2和SPE统计量，判断测 试数据是否存在故障： 当使用T2统计量检测时，若求得的T2统计量的值大于它所对应的阈值，则所对应的 一组数据存在故障；若求得的T2统计量的值小于它所对应的阈值，则所对应的一组数据正 常； 当使用SPE统计量检测时，若求得的SPE统计量的值大于它所对应的阈值，则所对应的 一组数据存在故障；若求得的SPE统计量的值小于它所对应的阈值，则所对应的一组数据 正常。
2. 根据权利要求1所述的一种连续化工过程故障检测方法，其特征在于，步骤1)中，所 述的标准化处理采用Z-score标准化方法，计算公式为 ：
式中，X= {Xl，x2，…，xn}为数据矩阵，矿表示标准化处理后的数据矩阵，μ为训练数 据的均值，σ为训练数据的标准差，μ和σ计算公式为：
3. 根据权利要求1所述的一种连续化工过程故障检测方法，其特征在于，步骤2)中，所 述的小波变换为haar小波变换。
4. 根据权利要求1所述的一种连续化工过程故障检测方法，其特征在于，所述的步骤 3)具体为： 301)设当前样本数据集为X，主元负荷向量为ak，则样本数据集方差矩阵为：
其满足约束条件：
定义t为稀疏性调节参数，有：
假设Y为样本数据的主元矩阵，Y」为Y的列向量，即为第j个主元，若存在参数λ > 0,则回归估计为：
其中，参数λ为回归约束参数，为对应的回归系数向量； 302) 引入另外的非负参数λ i，将上式扩展得到如下的最优化问题：
其中，
是β的1-范数； 求得及后，计算约束函数的相关系数'，得：
则X'即为第j个主元； 303) 选取主元矩阵中的前k个主元，定义α和β为参数矩阵，且维数都为pXk，XiS X的行向量，β」.为β的列向量，若存在参数λ > 0,且ατα = Ik，同时考虑弹性网约束， 得：
其中，对应j个主元的值，j = 1，2. ..，k; 304) 利用最终求得的收敛后的β进行归一化，并求解最终的k个主元，得到稀疏化的 负荷向量： Pj ^ XVj = X β j/ | β j | (j = 1,2, ... k)。
5. 根据权利要求4所述的一种连续化工过程故障检测方法，其特征在于，步骤4)中，T2 统计量的计算公式为： Τ2 = Χτν ( Σ τ Σ ) _1VTX 其中，V是样本的协方差阵Σ = XTX进行奇异值分解后的一个正交向量，X为样本数据 集； SPE统计量的计算公式为： SPE = [(Ι-ΡΡΤ)Χ]Τ(Ι-ΡΡΤ)Χ 其中，Ρ为稀疏化的负荷向量组成的负荷矩阵。
6. 根据权利要求1所述的一种连续化工过程故障检测方法，其特征在于，步骤5)中，所 述的概率密度估计方法采用Parzen窗方法，即核概率密度估计方法。
【文档编号】G05B23/02GK104062968SQ201410256142
【公开日】2014年9月24日 申请日期:2014年6月10日 优先权日:2014年6月10日
【发明者】江晓栋, 赵海涛 申请人:华东理工大学