间歇过程弱故障模型控制限建立方法及弱故障监测方法
【技术领域】
[0001] 本发明涉及一种间歇过程弱故障监测方法，尤其是一种基于趋势转折点的间歇过 程弱故障模型建立及监测方法。
【背景技术】
[0002] 随着现代工业和科学技术的迅速发展，现代设备的结构越来越复杂，自动化系统 的规模也越来越大，这大大增加了系统发生故障的可能性。其一旦发生故障，不仅导致停机 停产，还会造成人员和财产的巨大损失，造成灾难性事件。为了提高工业生产过程与控制系 统的安全性、可靠性和有效性，同时提高产品质量、降低成本，迫切需要建立过程控制监控 系统。过程监控系统的任务就是监督生产过程的运行状态，不断检测过程的变化和故障信 息，以防止灾难性事故的发生，同时减少产品质量的波动，对于提高企业的经济效益以及提 高企业的竞争力具有十分重要的意义。
[0003] 多元统计过程监控技术在间歇工业过程中得到了许多成功应用，其中多以多向主 成分分析法(MPCA)和多向偏最小二乘法(MPLS)进行扩展和改进。然而，基于MPCA的方法是 一个整体建模方法，对微弱故障的识别不甚敏感。后又提出双向移动窗口 MPCA方法来解决 操作条件改变和慢时变特性以自适应地更新批次间的模型数据;Lee提出了在线更新MPCA 方法;Lu等提出了一种二维动态主元分析2D-DPCA策略，通过选取适当的数据支持域用于对 分析单元进行时间和批次双向扩展，可以直接提取批次及时间方向上局部的动态相关关 系。但是批次间相关关系的分析范围及提取性能受限于"数据支持域"的具体设定。虽然在 一定程度上解决了慢时变过程的故障监测问题，但该方法只针对线性变化过程。近年来又 提出了基于核函数的递归KPCA(RKPCA)算法用于时变非线性过程的自适应监控，但这些方 法都主要针对系统参数的缓慢变化情形。
[0004] 实际间歇工业过程中，当生产初始条件波动较大时，批次数据之间的差异较明显， 再采用上述方法对过程进行建模，将无法识别此种情况下发生的微弱故障，因为弱故障已 被淹没在初始条件的波动下了。
[0005] 因此，一种能够对严重不等长过程的弱故障进行监测，并且还能够大大降低算法 的计算复杂度的基于趋势转折点的间歇过程弱故障监测方法成为解决问题的关键。
【发明内容】
[0006] 本发明设计开发了一种间歇过程弱故障模型控制限建立方法，克服了现有技术中 算法复杂，难以进行不等长过程的弱故障检测的缺陷，解决了初始条件波动较大下的弱故 障监测问题。
[0007] 本发明的另一个目的是提供一种间歇过程弱故障监测方法，大大提高了在线监测 的速度和效率。
[0008] 本发明提供的技术方案为：
[0009] -种基于趋势转折点的间歇过程弱故障监测模型建立方法，其特征在于，包括如 下步骤：
[0010] 步骤一、采集I个批次正常运行的数据；e及#·7，其中i = 1，…，I，K^i批次的采 样点数，J为采集的变量数；
[0011] 步骤二、将间歇过程每个批次数据采用CPV1分段法进行分段
[0012] 步骤三、采用基于趋势转折点的方法进行转折点提取，并按正交距离进行排序；
[0013] 步骤四、将批次间各变量提取的转折点进行排比检验，当提取的趋势转折点两侧 变化趋势有明显不同时，需要对该趋势转折点进行替换，重新提取；
[0014] 步骤五、将批次内所有变量的趋势转折点聚合并进行真假校验；
[0015] 步骤六、针对每一批次数据基于趋势转折点建立Single-MDPCA模型，使用时滞数 据扩充分析数据阵构造时间序列增广矩阵，并对时间序列增广矩阵进行PCA处理；
[0016] 步骤七、在每一阶段，将建立的所有single-MDPCA模型按载荷方向相似性进行聚 类；
[0017]步骤八、将属于同一类的批次数据按变量展开重新建立模型，计算T2和SPE统计量 和每一类的控制限。
[0018] 优选的是，步骤一和步骤二之间还包括:将每一批次数据按变量采用Donoho的阀 值去噪方法去噪。
[0019] 优选的是，步骤三中，转折点提取方法是:对于时间序列，首先将起点和终点作为 转折点保存起来;然后在起点和终点间按最大正交距离方法查找下一个趋势转折点；在找 到的新转折点两侧，分别重新找出具有最大正交距离的转折点，并按距离进行比较，将具有 最大正交距离的点作为下一个提取点。
[0020] 优选的是，步骤五中，真假校验的过程为：当提取的趋势转折点在超过2/3的总批 次数里都有重复或非常接近时，把这些点剔除，只留下其中一个点；当提取的趋势转折点在 少于1/3的总批次数里出现重复或非常接近时，重复的点进行替换重新查找。
[0021] 优选的是，步骤六中时间序列增广矩阵为
[0022]
[0023]式中，x(k) = [X1,k x2,kL 个变量在采样时刻k处的观测向量，即在k时刻 提取的J个变量的转折点向量，K是每个批次建模数据矩阵的采样点个数，d是时滞长度。 [0024]优选的是，步骤七中，所有single-MDPCA模型按载荷方向相似性进行聚类的方法 包括：
[0025] 采用两个模型投影向量之间的余弦角来度量两个模型的相似程度：
[0026]
[0027]式中，P代表负载矩阵，if表示Pi的第m列，if表示Pk的第m列，pmax为最大主元个 数；
[0028]引入权重系数《m:
[0029]
[0030] 其中，λ是非零特征值；
[0031 ]则可计算出两个模型投影向量之间的夹角：
[0032]
[0033] 最后采用k-means算法聚类将加权的载荷分成不同的类。
[0034]优选的是，步骤八中，
[0035] T2 统 i+量为，
[0036]
[0037] 这里t为得分向量，Λ"1表示前pmax个特征向量所对应特征值组成的对角阵的逆； [0038] T2统计量的控制限可以根据F分布得出：
[0039]
[0040] 式中，巧^胃，κ是对应于检验水平为α，自由度为pmax，K_pmax条件下的F分布的 临界值。
[0041] 优选的是，步骤八中，
[0042] SPE统计量为：
[0043]
[0044] SPE统计量的控制限可以根据X2分布得出：
[0045]
[0046] 式中，u和v是建模数据SPE统计量值的统计均值和方差。
[0047] -种基于趋势转折点的间歇过程弱故障监测方法，包括如下步骤：
[0048]步骤一、实时采集过程数据；
[0049] 步骤二、用所有类模型在10 %的阶段长度范围内对新批次数据进行监测，并计算 综合指标
[0050] SI = SPE/C0Ns + T2/C0Nt，
[0051 ]其中，CONs和⑶Ντ分别为SPE和T2的控制限；将对应最小SI的模型作为最佳监测模 型；
[0052]步骤三、使用步骤二中选取的最佳监测模型对过程数据进行监控，当数据的SPE值 和T2超出了控制限，则过程中发生了故障。
[0053]本发明的有益效果是:本发明的弱故障监测方法与现有弱故障方法相比的优点在 于：1、针对间歇过程的严重不等长特性，解决了批次数据等长化问题；2、减小了计算复杂 度，提高了在线监测的速度和效率;3、成功解决了初始条件波动较大下的弱故障监测问题； 4、已成功应用于青霉素发酵过程的故障监测;5、本发明还适用于制药、半导体加工、化工等 间歇生成过程的故障监测中。
【附图说明】
[0054]图1为正常建模数据示意图。
[0055]图2为正交距离示意图。
[0056]图3为提取趋势转折点示意图。
[0057]图4为搅拌功率数据提取趋势转折点示意图。
[0058]图5为产生热量数据提取趋势转折点示意图。
[0059] 图6为溶解氧浓度数据提取趋势转折点示意图。
[0060] 图7为二氧化碳浓度数据提取趋势转折点示意图。
[0061 ]图8为温度数据提取趋势转折点示意图。
[0062] 图9为本发明所述的监测系统结构示意图。
[0063] 图10为历史数据T2控制限监测结果示意图。
[0064]图11为历史数据SPE控制限监测结果示意图。
[0065]图12为弱故障在线监测T2结果示意图。
[0066]图13为弱故障在线监测SPE结果示意图。
【具体实施方式】
[0067] 下面结合附图对本发明做进一步的详细说明，以令