一种工业过程微小故障的分离方法与流程

本发明涉及工业过程监控和故障诊断技术领域，具体涉及一种工业过程微小故障的分离方法。

背景技术：

现代工业过程规模庞大、结构复杂，一旦过程出现异常便可能造成巨大的经济损失，甚至危及人身安全。过程监控和故障诊断技术可以有效地提高系统可靠性、设备可维护性以及降低事故风险，已成为当前过程控制领域的研究热点之一。此外，较为严重的故障通常由微小故障演化而来，历史上发生的许多重大灾难性事故也是由系统中微小异常未能被及时发现和解决造成。因此，微小故障的危害不容忽视，对微小故障进行及时的检测和分离，并采取有效的防护措施对保障工业过程安全、高效运行具有重要意义。

近年来，基于数据的过程监控和故障诊断技术得到了快速发展并取得了广泛应用。通常，这类技术无需过程精确的解析模型，只是利用过程在正常工况下的大量测量数据建立相应的数据模型，并将该模型应用于在线诊断。作为基于数据故障诊断领域的重要分支，多元统计过程监控技术诸如主元分析(principalcomponentanalysis,pca)和偏最小二乘(partialleastsquares,pls)在过去的二十多年时间里取得了长足发展，并成功应用于诸如石油化工、半导体制造等工业过程。故障分离是过程监控的重要目标，主要用于检测到故障之后确定故障的种类、位置，为部件维修或替换提供有价值的参考信息。

在统计过程监控领域，重构贡献图(reconstruction-basedcontribution,rbc)方法被广泛应用于故障分离。然而，传统的rbc方法在处理微小故障分离问题时，容易导致错误的分离结果。

技术实现要素：

本发明的目的是针对现有的传统的方法在处理微小故障分离问题时容易导致错误的分离结果的不足，提出了一种工业过程微小故障的分离方法。

本发明具体采用如下技术方案：

一种工业过程微小故障的分离方法，包括：

步骤一：采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的多元统计过程监控模型；

步骤二：采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

步骤三：给定合适的平滑参数，基于步骤二中实时获得的测试数据，在每个采样时刻计算该时刻的指数加权滑动平均样本值；

步骤四：计算每个故障方向上的指数平滑重构贡献值；

步骤五：将具有最大指数平滑重构贡献值的故障方向确定为实际发生的故障，以实现故障分离。

优选地，所述步骤三中，

根据式(1)计算每个时刻的指数加权滑动平均样本值：

z(k)＝λx(k)+(1-λ)z(k-1)(1)

其中，z(k)即为当前时刻k的指数加权滑动平均样本值，x(k)表示步骤二中实时获得的当前时刻k的测试数据，0＜λ≤1表示加权因子即平滑参数，在每个时刻，均按照式(1)求解z(k)，并规定z(0)＝0。

优选地，所述步骤四中，

首先，设定已知被监控工业过程所有可能的故障共有i种，记为其故障方向记为{ξ1,ξ2,...,ξi}；

其次，按照式(2)计算当前时刻第i∈{1,2,...,i}个故障的指数平滑重构贡献值：

其中，esri(k)即为当前时刻第i个故障的指数平滑重构贡献值，实对称正定/半正定矩阵m的取值取决于步骤一中所采用的多元统计过程监控模型，为该模型中故障检测指标中的核矩阵。

优选地，所述步骤五中，

基于式(3)逻辑进行故障分离：

其中，即为当前时刻被所提故障分离方法选定的故障，即在当前时刻，若某个故障具有最大的esr取值，则该故障被认为是实际发生的故障，随着时间的推移，在每个采样时刻均可以获得一个故障分离结果。

本发明具有如下有益效果：本发明提供的一种工业过程微小故障分离方法，利用过程正常工况下数据进行建模，无需工业过程精确的数学模型，也无需工业过程故障工况下的数据，便于实际应用；可以应用于多种多元统计分析模型诸如pca和pls等。

附图说明

图1是工业过程微小故障分离方法的流程示意图；

图2是基于本发明提出方法的故障分离结果示意图；

图3是基于传统tcp方法的故障分离结果示意图；

图4是基于传统rbc方法的故障分离结果示意图；

图5是基于传统wrbc方法的故障分离结果示意图；

图6是基于传统rbcr方法的故障分离结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图1所示，一种工业过程微小故障的分离方法，包括：

步骤一：采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的多元统计过程监控模型；

采集工业过程正常工况下的传感器测量数据作为训练数据集，将其存储为二维的数据矩阵，并对数据矩阵进行标准化处理。具体地，将采集得到的训练数据存储为二维的数据矩阵x0∈r^n×m，其中每行代表一个样本，每列代表一个传感器变量，数据矩阵包含n个样本、m个变量。对x0进行标准化处理，即将x0的每一列化为零均值或者零均值且为单位方差的数据。记x0中m个变量的均值和标准差分别为μi和σi,i＝1,...,m，标准化处理后的数据矩阵记为x。进而，建立该训练数据集的多元统计过程监控模型，比如pca模型、pls模型或者pca/pls的改进模型等，并将模型参数存储，以便用于后续的在线诊断过程。

步骤二：采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

采集工业过程实时工况下的传感器测量数据作为测试数据，其中的测量变量与离线建模过程(步骤一)中训练数据集中的测量变量相对应。记当前k时刻采集到的测试数据为x^t(k)∈r^m，利用步骤一中变量的均值和标准差对测试数据进行标准化，记标准化后的测试数据为x(k)。

步骤三：给定合适的平滑参数，基于步骤二中实时获得的测试数据，在每个采样时刻计算该时刻的指数加权滑动平均样本值；

步骤四：计算每个故障方向上的指数平滑重构贡献值；

步骤五：将具有最大指数平滑重构贡献值的故障方向确定为实际发生的故障，以实现故障分离。

所述步骤三中，

根据式(1)计算每个时刻的指数加权滑动平均样本值：

z(k)＝λx(k)+(1-λ)z(k-1)(1)

其中，z(k)即为当前时刻k的指数加权滑动平均样本值，x(k)表示步骤二中实时获得的当前时刻k的测试数据，0＜λ≤1表示加权因子即平滑参数，在每个时刻，均按照式(1)求解z(k)，并规定z(0)＝0。

所述步骤四中，

首先，假设已知被监控工业过程所有可能的故障共有i种，记为其故障方向记为{ξ1,ξ2,...,ξi}；这些故障方向的获取主要包括以下几种方式：对于简单的故障类型比如单传感器故障，故障方向通常可以直接写出；对于复杂的故障形式，比如闭环下传感器故障或过程故障，可以利用工业过程先验知识/专家经验获得，或者利用历史故障数据集进行故障方向的辨识；

其次，按照式(2)计算当前时刻第i∈{1,2,...,i}个故障的指数平滑重构贡献值：

其中，esri(k)即为当前时刻第i个故障的指数平滑重构贡献值，实对称正定/半正定矩阵m的取值取决于步骤一中所采用的多元统计过程监控模型，为该模型中故障检测指标中的核矩阵。换言之，采用不同的多元统计过程监控方法(如pca、pls)或者同一方法中不同的故障检测指标(如t²指标、spe指标或者组合指标)，矩阵m具有不同的参数值。这使得该方法可以应用于多种统计模型和多个故障检测指标，拓宽了其应用范围。关于矩阵m取值，具体可以参见文献(jih,hex,shangj,zhoud.incipientfaultdetectionwithsmoothingtechniquesinstatisticalprocessmonitoring.controlengineeringpractice,2017,62:11-21.)。

所述步骤五中，

基于式(3)逻辑进行故障分离：

其中，即为当前时刻被所提故障分离方法选定的故障，即在当前时刻，若某个故障具有最大的esr取值，则该故障被认为是实际发生的故障，随着时间的推移，在每个采样时刻均可以获得一个故障分离结果。

为了帮助理解本发明，同时直观地展示其用于微小故障分离的效果，下面对一示例进行说明。本示例基于matlab工具，利用数值仿真案例对本发明进行说明，结合附图展示本发明的效果。

(1)产生训练数据，并建立该训练数据的统计过程监控模型。

本示例使用如下方程(请参见文献zhoud,lig,qinsj.totalprojectiontolatentstructuresforprocessmonitoring.aichejournal,2010,56(1):168-178.)产生n＝500个正常样本作为训练数据集：

其中，

这500个样本既包含过程变量x，也包括质量变量y。将该训练数据集进行标准化处(本示例只对均值进行标准化)，并利用多元统计模型全潜结构投影，即totalprojectiontolatentstructures(t-pls)模型进行建模。保留t-pls建模参数，在后续的在线分离过程将会用到。t-pls方法将过程变量空间划分为四个子空间，并在各个子空间中建立相应的统计量完成故障检测，方便起见，在本示例我们采用一种组合指标(参照文献yuehh,qinsj,reconstruction-basedfaultidenticationusingacombinedindex.industrial&engineeringchemistryresearch,2001,40(20):4403-4414.)对这四个子空间进行综合，并记该组合指标为φ。

(2)产生测试数据集，施加故障，并对测试数据进行标准化处理。

具体地，仍然基于(4)和(5)，产生与训练数据集独立的200个测试样本作为测试数据集。为了检验本发明提出的故障分离方法的有效性，自第101个样本起，在第2个传感器测量数据上施加一个恒值偏差故障，该故障幅值设定为0.14。基于第(1)步中训练数据集的变量均值，对这200个测试样本进行标准化处理。从而，我们获得了总共200个测试样本{x(k),k＝1,2,...,200}，其中第101至第200个样本包含一个微小传感器故障。

(3)确定每个时刻的指数加权滑动平均样本值。

具体地，基于第(2)步中的测试样本{x(k),k＝1,2,...,200}，按照(1)计算得到200个指数加权滑动平均样本值{z(k),k＝1,2,...,200}。

(4)针对每个样本z(k)，求解所有故障的esr取值。

在本示例中，我们将故障类型限定在单传感器故障上。那么，所有可能的故障总共5种，它们的故障方向{ξi,i＝1,2,...,5}即为五维单位阵i5的各个列向量。其次，针对每个样本z(k)，按照(2)计算五种故障的esr取值。(2)中的m矩阵即第(1)步组合指标φ的核矩阵，可以由t-pls建模参数唯一确定。

(5)完成故障分离，并分析故障分离性能。

基于(3)，确定每个时刻发生的故障，并根据实际施加故障的情况计算总共100个故障样本的正确分离率。

为了说明本发明提出方法对微小故障分离的有效性，我们还进行了对比实验，将几种传统方法在此示例上的故障分离结果也进行了展示。这些传统故障分离方法包括传统贡献图(traditionalcontributionplot,tcp)方法(参见文献millerp,swansonre,hecklerce.contributionplots:amissinglinkinmultivariatequalitycontrol.appliedmathematicsandcomputerscience,1998,8(4):775-792.)、重构贡献图rbc方法(参见文献alcalacf,qinsj.reconstruction-basedcontributionforprocessmonitoring.automatica,2009,45(7):1593-1600.)、加权重构贡献图(weightedrbc,wrbc)方法(参见文献xuh,yangf,yeh,liw,xup,usadiak.weightedreconstruction-basedcontributionforimprovedfaultdiagnosis.industrial&engineeringchemistryresearch,2013,52(29):9858-9870.)以及重构贡献比率(rbcratio,rbcr)方法(参见文献mnassrib,eladelem,ouladsinem.reconstruction-basedcontributionanalysisapproachesforimprovedfaultdiagnosisusingprincipalcomponentanalysis.journalofprocesscontrol,2015,33:60-76.)。

首先，以第160个样本(故障样本)为例，图2展示了基于本发明提出方法，即esr(参数λ选定为0.01)，的故障分离结果示意图。可以看出，第二个故障具有最大的贡献值，而实际故障的确施加在了第二个传感器测量上，因此本发明提出方法将故障正确分离。图3～5分别展示了基于tcp、rbc和wrbc方法的分离结果示意图，其中wrbc方法中存在一个加权系数，在此次仿真中选择该系数为0.9，这三种方法分别将第1、4和4故障定位为发生的故障，均得到了错误的分离结果。图6展示了基于rbcr方法的故障分离结果示意图。根据rbcr用于故障分离的逻辑可知，故障变量的rbcr应该小于等于1，而非故障变量的rbcr应该均大于1。然而，图6所示的所有可能故障的rbcr均小于1，因此rbcr方法也没能正确分离故障。

表1

为了更具有说服力，表1列出了上述方法针对此示例中总共100个故障样本的正确分离率(correctisolationrate,cir)。针对wrbc方法，共选择了四组加权系数，分别为0.3、0.5、0.7和0.9进行测试。本发明所提方法esr的cir为84.0％，其中16个样本的错误分离均发生在故障初期，也就是第101～116个样本，这是因为在这个阶段平滑滤波处理使得故障效应还未凸显。随后，所有的84个故障样本均得到正确故障分离。相比之下，其他传统方法的故障分离性能较差。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。