本發(fā)明涉及工業(yè)過程監(jiān)控和故障診斷技術(shù)領域，具體涉及一種工業(yè)過程微小故障的分離方法。

背景技術(shù)：

現(xiàn)代工業(yè)過程規(guī)模龐大、結(jié)構(gòu)復雜，一旦過程出現(xiàn)異常便可能造成巨大的經(jīng)濟損失，甚至危及人身安全。過程監(jiān)控和故障診斷技術(shù)可以有效地提高系統(tǒng)可靠性、設備可維護性以及降低事故風險，已成為當前過程控制領域的研究熱點之一。此外，較為嚴重的故障通常由微小故障演化而來，歷史上發(fā)生的許多重大災難性事故也是由系統(tǒng)中微小異常未能被及時發(fā)現(xiàn)和解決造成。因此，微小故障的危害不容忽視，對微小故障進行及時的檢測和分離，并采取有效的防護措施對保障工業(yè)過程安全、高效運行具有重要意義。

近年來，基于數(shù)據(jù)的過程監(jiān)控和故障診斷技術(shù)得到了快速發(fā)展并取得了廣泛應用。通常，這類技術(shù)無需過程精確的解析模型，只是利用過程在正常工況下的大量測量數(shù)據(jù)建立相應的數(shù)據(jù)模型，并將該模型應用于在線診斷。作為基于數(shù)據(jù)故障診斷領域的重要分支，多元統(tǒng)計過程監(jiān)控技術(shù)諸如主元分析(principalcomponentanalysis,pca)和偏最小二乘(partialleastsquares,pls)在過去的二十多年時間里取得了長足發(fā)展，并成功應用于諸如石油化工、半導體制造等工業(yè)過程。故障分離是過程監(jiān)控的重要目標，主要用于檢測到故障之后確定故障的種類、位置，為部件維修或替換提供有價值的參考信息。

在統(tǒng)計過程監(jiān)控領域，重構(gòu)貢獻圖(reconstruction-basedcontribution,rbc)方法被廣泛應用于故障分離。然而，傳統(tǒng)的rbc方法在處理微小故障分離問題時，容易導致錯誤的分離結(jié)果。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有的傳統(tǒng)的方法在處理微小故障分離問題時容易導致錯誤的分離結(jié)果的不足，提出了一種工業(yè)過程微小故障的分離方法。

本發(fā)明具體采用如下技術(shù)方案：

一種工業(yè)過程微小故障的分離方法，包括：

步驟一：采集工業(yè)過程正常工況下的一段傳感器測量數(shù)據(jù)作為訓練數(shù)據(jù)集，并建立該訓練數(shù)據(jù)集的多元統(tǒng)計過程監(jiān)控模型；

步驟二：采集工業(yè)過程實時工況下的傳感器測量數(shù)據(jù)作為測試數(shù)據(jù)，測試數(shù)據(jù)中的測量變量與步驟一中訓練數(shù)據(jù)集的測量變量相對應；

步驟三：給定合適的平滑參數(shù)，基于步驟二中實時獲得的測試數(shù)據(jù)，在每個采樣時刻計算該時刻的指數(shù)加權(quán)滑動平均樣本值；

步驟四：計算每個故障方向上的指數(shù)平滑重構(gòu)貢獻值；

步驟五：將具有最大指數(shù)平滑重構(gòu)貢獻值的故障方向確定為實際發(fā)生的故障，以實現(xiàn)故障分離。

優(yōu)選地，所述步驟三中，

根據(jù)式(1)計算每個時刻的指數(shù)加權(quán)滑動平均樣本值：

z(k)＝λx(k)+(1-λ)z(k-1)(1)

其中，z(k)即為當前時刻k的指數(shù)加權(quán)滑動平均樣本值，x(k)表示步驟二中實時獲得的當前時刻k的測試數(shù)據(jù)，0＜λ≤1表示加權(quán)因子即平滑參數(shù)，在每個時刻，均按照式(1)求解z(k)，并規(guī)定z(0)＝0。

優(yōu)選地，所述步驟四中，

首先，設定已知被監(jiān)控工業(yè)過程所有可能的故障共有i種，記為其故障方向記為{ξ1,ξ2,...,ξi}；

其次，按照式(2)計算當前時刻第i∈{1,2,...,i}個故障的指數(shù)平滑重構(gòu)貢獻值：

其中，esri(k)即為當前時刻第i個故障的指數(shù)平滑重構(gòu)貢獻值，實對稱正定/半正定矩陣m的取值取決于步驟一中所采用的多元統(tǒng)計過程監(jiān)控模型，為該模型中故障檢測指標中的核矩陣。

優(yōu)選地，所述步驟五中，

基于式(3)邏輯進行故障分離：

其中，即為當前時刻被所提故障分離方法選定的故障，即在當前時刻，若某個故障具有最大的esr取值，則該故障被認為是實際發(fā)生的故障，隨著時間的推移，在每個采樣時刻均可以獲得一個故障分離結(jié)果。

本發(fā)明具有如下有益效果：本發(fā)明提供的一種工業(yè)過程微小故障分離方法，利用過程正常工況下數(shù)據(jù)進行建模，無需工業(yè)過程精確的數(shù)學模型，也無需工業(yè)過程故障工況下的數(shù)據(jù)，便于實際應用；可以應用于多種多元統(tǒng)計分析模型諸如pca和pls等。

附圖說明

圖1是工業(yè)過程微小故障分離方法的流程示意圖；

圖2是基于本發(fā)明提出方法的故障分離結(jié)果示意圖；

圖3是基于傳統(tǒng)tcp方法的故障分離結(jié)果示意圖；

圖4是基于傳統(tǒng)rbc方法的故障分離結(jié)果示意圖；

圖5是基于傳統(tǒng)wrbc方法的故障分離結(jié)果示意圖；

圖6是基于傳統(tǒng)rbcr方法的故障分離結(jié)果示意圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明的具體實施方式做進一步說明：

如圖1所示，一種工業(yè)過程微小故障的分離方法，包括：

步驟一：采集工業(yè)過程正常工況下的一段傳感器測量數(shù)據(jù)作為訓練數(shù)據(jù)集，并建立該訓練數(shù)據(jù)集的多元統(tǒng)計過程監(jiān)控模型；

采集工業(yè)過程正常工況下的傳感器測量數(shù)據(jù)作為訓練數(shù)據(jù)集，將其存儲為二維的數(shù)據(jù)矩陣，并對數(shù)據(jù)矩陣進行標準化處理。具體地，將采集得到的訓練數(shù)據(jù)存儲為二維的數(shù)據(jù)矩陣x0∈r^n×m，其中每行代表一個樣本，每列代表一個傳感器變量，數(shù)據(jù)矩陣包含n個樣本、m個變量。對x0進行標準化處理，即將x0的每一列化為零均值或者零均值且為單位方差的數(shù)據(jù)。記x0中m個變量的均值和標準差分別為μi和σi,i＝1,...,m，標準化處理后的數(shù)據(jù)矩陣記為x。進而，建立該訓練數(shù)據(jù)集的多元統(tǒng)計過程監(jiān)控模型，比如pca模型、pls模型或者pca/pls的改進模型等，并將模型參數(shù)存儲，以便用于后續(xù)的在線診斷過程。

步驟二：采集工業(yè)過程實時工況下的傳感器測量數(shù)據(jù)作為測試數(shù)據(jù)，測試數(shù)據(jù)中的測量變量與步驟一中訓練數(shù)據(jù)集的測量變量相對應；

采集工業(yè)過程實時工況下的傳感器測量數(shù)據(jù)作為測試數(shù)據(jù)，其中的測量變量與離線建模過程(步驟一)中訓練數(shù)據(jù)集中的測量變量相對應。記當前k時刻采集到的測試數(shù)據(jù)為x^t(k)∈r^m，利用步驟一中變量的均值和標準差對測試數(shù)據(jù)進行標準化，記標準化后的測試數(shù)據(jù)為x(k)。

步驟三：給定合適的平滑參數(shù)，基于步驟二中實時獲得的測試數(shù)據(jù)，在每個采樣時刻計算該時刻的指數(shù)加權(quán)滑動平均樣本值；

步驟四：計算每個故障方向上的指數(shù)平滑重構(gòu)貢獻值；

步驟五：將具有最大指數(shù)平滑重構(gòu)貢獻值的故障方向確定為實際發(fā)生的故障，以實現(xiàn)故障分離。

所述步驟三中，

根據(jù)式(1)計算每個時刻的指數(shù)加權(quán)滑動平均樣本值：

z(k)＝λx(k)+(1-λ)z(k-1)(1)

其中，z(k)即為當前時刻k的指數(shù)加權(quán)滑動平均樣本值，x(k)表示步驟二中實時獲得的當前時刻k的測試數(shù)據(jù)，0＜λ≤1表示加權(quán)因子即平滑參數(shù)，在每個時刻，均按照式(1)求解z(k)，并規(guī)定z(0)＝0。

所述步驟四中，

首先，假設已知被監(jiān)控工業(yè)過程所有可能的故障共有i種，記為其故障方向記為{ξ1,ξ2,...,ξi}；這些故障方向的獲取主要包括以下幾種方式：對于簡單的故障類型比如單傳感器故障，故障方向通?？梢灾苯訉懗?；對于復雜的故障形式，比如閉環(huán)下傳感器故障或過程故障，可以利用工業(yè)過程先驗知識/專家經(jīng)驗獲得，或者利用歷史故障數(shù)據(jù)集進行故障方向的辨識；

其次，按照式(2)計算當前時刻第i∈{1,2,...,i}個故障的指數(shù)平滑重構(gòu)貢獻值：

其中，esri(k)即為當前時刻第i個故障的指數(shù)平滑重構(gòu)貢獻值，實對稱正定/半正定矩陣m的取值取決于步驟一中所采用的多元統(tǒng)計過程監(jiān)控模型，為該模型中故障檢測指標中的核矩陣。換言之，采用不同的多元統(tǒng)計過程監(jiān)控方法(如pca、pls)或者同一方法中不同的故障檢測指標(如t²指標、spe指標或者組合指標)，矩陣m具有不同的參數(shù)值。這使得該方法可以應用于多種統(tǒng)計模型和多個故障檢測指標，拓寬了其應用范圍。關(guān)于矩陣m取值，具體可以參見文獻(jih,hex,shangj,zhoud.incipientfaultdetectionwithsmoothingtechniquesinstatisticalprocessmonitoring.controlengineeringpractice,2017,62:11-21.)。

所述步驟五中，

基于式(3)邏輯進行故障分離：

其中，即為當前時刻被所提故障分離方法選定的故障，即在當前時刻，若某個故障具有最大的esr取值，則該故障被認為是實際發(fā)生的故障，隨著時間的推移，在每個采樣時刻均可以獲得一個故障分離結(jié)果。

為了幫助理解本發(fā)明，同時直觀地展示其用于微小故障分離的效果，下面對一示例進行說明。本示例基于matlab工具，利用數(shù)值仿真案例對本發(fā)明進行說明，結(jié)合附圖展示本發(fā)明的效果。

(1)產(chǎn)生訓練數(shù)據(jù)，并建立該訓練數(shù)據(jù)的統(tǒng)計過程監(jiān)控模型。

本示例使用如下方程(請參見文獻zhoud,lig,qinsj.totalprojectiontolatentstructuresforprocessmonitoring.aichejournal,2010,56(1):168-178.)產(chǎn)生n＝500個正常樣本作為訓練數(shù)據(jù)集：

其中，

這500個樣本既包含過程變量x，也包括質(zhì)量變量y。將該訓練數(shù)據(jù)集進行標準化處(本示例只對均值進行標準化)，并利用多元統(tǒng)計模型全潛結(jié)構(gòu)投影，即totalprojectiontolatentstructures(t-pls)模型進行建模。保留t-pls建模參數(shù)，在后續(xù)的在線分離過程將會用到。t-pls方法將過程變量空間劃分為四個子空間，并在各個子空間中建立相應的統(tǒng)計量完成故障檢測，方便起見，在本示例我們采用一種組合指標(參照文獻yuehh,qinsj,reconstruction-basedfaultidenticationusingacombinedindex.industrial&engineeringchemistryresearch,2001,40(20):4403-4414.)對這四個子空間進行綜合，并記該組合指標為φ。

(2)產(chǎn)生測試數(shù)據(jù)集，施加故障，并對測試數(shù)據(jù)進行標準化處理。

具體地，仍然基于(4)和(5)，產(chǎn)生與訓練數(shù)據(jù)集獨立的200個測試樣本作為測試數(shù)據(jù)集。為了檢驗本發(fā)明提出的故障分離方法的有效性，自第101個樣本起，在第2個傳感器測量數(shù)據(jù)上施加一個恒值偏差故障，該故障幅值設定為0.14。基于第(1)步中訓練數(shù)據(jù)集的變量均值，對這200個測試樣本進行標準化處理。從而，我們獲得了總共200個測試樣本{x(k),k＝1,2,...,200}，其中第101至第200個樣本包含一個微小傳感器故障。

(3)確定每個時刻的指數(shù)加權(quán)滑動平均樣本值。

具體地，基于第(2)步中的測試樣本{x(k),k＝1,2,...,200}，按照(1)計算得到200個指數(shù)加權(quán)滑動平均樣本值{z(k),k＝1,2,...,200}。

(4)針對每個樣本z(k)，求解所有故障的esr取值。

在本示例中，我們將故障類型限定在單傳感器故障上。那么，所有可能的故障總共5種，它們的故障方向{ξi,i＝1,2,...,5}即為五維單位陣i5的各個列向量。其次，針對每個樣本z(k)，按照(2)計算五種故障的esr取值。(2)中的m矩陣即第(1)步組合指標φ的核矩陣，可以由t-pls建模參數(shù)唯一確定。

(5)完成故障分離，并分析故障分離性能。

基于(3)，確定每個時刻發(fā)生的故障，并根據(jù)實際施加故障的情況計算總共100個故障樣本的正確分離率。

為了說明本發(fā)明提出方法對微小故障分離的有效性，我們還進行了對比實驗，將幾種傳統(tǒng)方法在此示例上的故障分離結(jié)果也進行了展示。這些傳統(tǒng)故障分離方法包括傳統(tǒng)貢獻圖(traditionalcontributionplot,tcp)方法(參見文獻millerp,swansonre,hecklerce.contributionplots:amissinglinkinmultivariatequalitycontrol.appliedmathematicsandcomputerscience,1998,8(4):775-792.)、重構(gòu)貢獻圖rbc方法(參見文獻alcalacf,qinsj.reconstruction-basedcontributionforprocessmonitoring.automatica,2009,45(7):1593-1600.)、加權(quán)重構(gòu)貢獻圖(weightedrbc,wrbc)方法(參見文獻xuh,yangf,yeh,liw,xup,usadiak.weightedreconstruction-basedcontributionforimprovedfaultdiagnosis.industrial&engineeringchemistryresearch,2013,52(29):9858-9870.)以及重構(gòu)貢獻比率(rbcratio,rbcr)方法(參見文獻mnassrib,eladelem,ouladsinem.reconstruction-basedcontributionanalysisapproachesforimprovedfaultdiagnosisusingprincipalcomponentanalysis.journalofprocesscontrol,2015,33:60-76.)。

首先，以第160個樣本(故障樣本)為例，圖2展示了基于本發(fā)明提出方法，即esr(參數(shù)λ選定為0.01)，的故障分離結(jié)果示意圖?？梢钥闯觯诙€故障具有最大的貢獻值，而實際故障的確施加在了第二個傳感器測量上，因此本發(fā)明提出方法將故障正確分離。圖3～5分別展示了基于tcp、rbc和wrbc方法的分離結(jié)果示意圖，其中wrbc方法中存在一個加權(quán)系數(shù)，在此次仿真中選擇該系數(shù)為0.9，這三種方法分別將第1、4和4故障定位為發(fā)生的故障，均得到了錯誤的分離結(jié)果。圖6展示了基于rbcr方法的故障分離結(jié)果示意圖。根據(jù)rbcr用于故障分離的邏輯可知，故障變量的rbcr應該小于等于1，而非故障變量的rbcr應該均大于1。然而，圖6所示的所有可能故障的rbcr均小于1，因此rbcr方法也沒能正確分離故障。

表1

為了更具有說服力，表1列出了上述方法針對此示例中總共100個故障樣本的正確分離率(correctisolationrate,cir)。針對wrbc方法，共選擇了四組加權(quán)系數(shù)，分別為0.3、0.5、0.7和0.9進行測試。本發(fā)明所提方法esr的cir為84.0％，其中16個樣本的錯誤分離均發(fā)生在故障初期，也就是第101～116個樣本，這是因為在這個階段平滑濾波處理使得故障效應還未凸顯。隨后，所有的84個故障樣本均得到正確故障分離。相比之下，其他傳統(tǒng)方法的故障分離性能較差。

當然，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術(shù)領域的技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改型、添加或替換，也應屬于本發(fā)明的保護范圍。