基于动静特征协同分析和有序时段划分的闭环系统过程监测方法技术方案

本发明专利技术公开了基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，该方法考虑闭环系统的调节作用，综合分析过程动静特征，将一个多操作步骤的间歇过程自动划分为不同的子时段，并且能够通过分析控制器的调节作用区分间歇过程的过渡时段和稳态时段。本发明专利技术综合了控制器调节作用与运行状态相关的动静态在线监测指标作为时段划分的判断依据，改进了时段模型的精度，并大大提高了后续的过程在线监测性能。该方法不仅有利于对具体过程特性的了解，而且增强了闭环系统实际在线过程监测的可靠性和可信度，有助于工业工程师对闭环系统下过程运行状态做出准确判断，及时发现故障，从而保证实际生产的安全可靠运行和产品的高质量追求。

【技术实现步骤摘要】
基于动静特征协同分析和有序时段划分的闭环系统过程监测方法
本专利技术属于间歇过程统计监测领域，特别是涉及了一种考虑闭环系统的调节作用，基于动静特征协同分析，将一个多操作步骤的间歇过程自动划分为不同的时段并根据时段划分结果进行过程监测的方法。
技术介绍
随着经济发展，人们的个性化需求增多，市场需求变化加快，多品种、多规格和高质量的产品需求增长，为了迎合这些需求，工业生产更加倚重于生产小批量、高附加值产品的间歇过程。作为工业生产中一种重要的生产方式，间歇过程与人们的生活息息相关，已被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域。多时段性是间歇过程的一个显著特点，间歇操作中的过程变量相关关系跟随过程操作进程或过程机理特性的变化发生规律性的改变，呈现分段性。在同一时段中，不同采样时刻过程变量的相关关系近似一致；在不同时段中，每个时段具有不同的过程变量轨迹、运行模式以及相关性特征，变量相关性有显著差异。为了获得理想的产品质量,每个时段都有其特定的控制目标，且在每个被良好控制的时段间可能存在短暂的过渡阶段。显然，对于间歇过程的监测不能只考虑过程整体的运行情况，更应该深入分析每个子时段的潜在的过程相关特性。Kosanovich等人在对一个聚合物反应工业过程中应用MPCA时，针对过程中两个明显具有不同特征的反应时段分别建立MPCA模型，该模型对比单模型监测性能有较大提升。将一个间歇过程合理地划分成不同的子时段并且区分出稳定时段和过渡时段，不仅可以加强对过程的分析和理解，更是后续基于时段进行统计建模和实时故障检测的基础与关键。本专利中所提出方法具体应用背景为注塑过程，注塑过程是一个典型的间歇工业过程。一个完整的注塑过程由闭模、注射座前进、注射、保压、塑化、冷却、开模、制件顶出等程序组成，其中注射段、保压段和冷却段是决定制件品质的最重要的三个操作阶段。在注射段，液压系统推动螺杆将塑料粘流体注入模腔中，直至模腔被流体充满。过程处于保压段时，仍有少量的粘流体被高压挤进模腔中，以补偿塑料粘流体在冷却和塑化时造成的体积收缩。保压阶段一直持续到模腔的浇口冻结，过程进入冷却阶段。在冷却阶段模腔内流体固化的同时，机桶中的塑料颗粒在机桶外的加热装置以及螺杆旋转产生的剪切热的作用下实现其物理状态的变化，变成塑料粘流态并被运送到螺杆的头部。当螺杆头部熔料逐渐增多，其压力大于注射油缸的背压时，螺杆后退同时开始容积计算。头部熔料达到一定的注射量后，螺杆停止后退和转动，这段时间的过程状态也称为塑化阶段。随着模腔中熔体的继续冷却，塑料从粘流态恢复到玻璃态而定型。当塑件完全固化，模具打开，塑件被顶出，一个工作循环完成。显然，每个时段都有其特定的控制目标，运行轨迹具有不同的动态特征。在各稳定时段之间也会存在过渡时段，例如保压阶段和塑化阶段之间的短暂的过渡时段用于将螺杆缩回。将一个间歇过程合理的划分成不同的子时段进行基于时段的统计建模及故障检测，是实现对间歇过程准确的过程监测的关键。前人对此已经做了相应的研究与探讨，Zhao提出的使用SSPP进行时段划分，建立基于时段的PCA模型进行过程监测是比较常用的方法，该方法利用一种自动的步进有序的时段划分方法，考虑了过程运行的时序性，确定时间方向上的局部时间块，克服了传统聚类方法会将不同时间区域内的采样时刻误划入同一个子时段中的问题，提升了建模精度和监测性能。但是该方法没有考虑到闭环系统的调节作用，无法区分间歇过程的过渡时段和普通时段以及时段间控制性能的差异。且现有监测方法仅关注于监控每个时段在稳定工作条件下的状态变化，而没有考虑过程的动态行为。间歇过程不同时段有不同的闭环控制，同时段的工况变化、不同时段间的工况切换和发生真正的故障时的过程动态行为是不同的，因而过程的动态特性是区分正常的工况切换和真正的故障的关键。在工作状态产生静态偏差的情况下，过程可能具有类似的闭环控制性能，过程动态特性可能保持正常，此时过程受到了扰动但是在闭环系统控制下可能稳定在了新的稳态，但在真正的故障情况下会呈现异常的动态行为。因此，应该对过程动态特性进行监测和分析，以确定真正的故障，提升监测性能。可以说，之前的时段自动化分和监测方法都没有考虑闭环系统的调节作用，无法区分间歇过程的过渡时段和普通时段以及时段间控制性能的差异，从而直接或间歇影响了后续的过程建模精度和监测性能。本专利技术的内容深入考虑了间歇过程实际过程运行的时序性以及不同时段的闭环控制特性以及时段划分结果对于之后监测性能的影响，提出了一种新的基于动静特征协同分析的闭环系统有序时段划分与过程监测方法。
技术实现思路
本专利技术的目的在于针对现有针对间歇生产过程的时段划分和监测技术的不足，提供一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法。该方法能自动地按照间歇生产过程运行次序捕捉潜在过程特性的发展变化，确定时间方向上的局部时间块，区分子时段和过渡时段以及不同时段间控制性能的差异，基于该时段划分结果进行动静特征协同分析的监测，能够区分间歇过程同时段内的工况变化、不同时段的工况切换和真正的故障，提高在线过程监测性能，并最终可应用于实际工业生产现场，确保间歇生产的安全可靠运行以及产品的高质量追求。本专利技术的目的是通过以下技术方案来实现：一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，该方法包括以下步骤：(1)获取待分析数据：设一个间歇操作具有个J测量变量，对每一个测量变量测量N次，这样，一次间歇操作的数据可以组成一个二维数据矩阵X(K×J)。重复I次间歇操作，得到的数据可以表述为一个三维矩阵X(I×J×K)。(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中下标k是时间指标。设二维矩阵Xk内任意一点的变量为xijk对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：其中：k是时间片指标。是Xk矩阵第j列的均值，sjk是Xk矩阵第j列的标准差，为标准化后的二维矩阵内任意一点的变量。；将Xk(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵(3)时间片SFA建模，该步骤由以下子步骤来实现：(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：其中sk为第k个时间片的慢特征，Wk为第k个时间片的转换矩阵，T表示转置。(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限：是sk的一阶微分，其中是的经验协方差矩阵。根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrk,T；利用核密度估计求出S2的控制限Ctrk,S,二者分别从不同方面反应了时间片SFA模型的重构能力。(4)基于时段的SFA建模，该步骤由以下子步骤来实现：(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J)，标准化后得到矩阵其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；对新的时段矩阵进行SFA建模:其中，sc为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；(4.2)计算各时段c的静本文档来自技高网...

【技术保护点】
1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，其特征在于，该方法包括以下步骤：(1)获取待分析数据：设一个间歇操作具有J个测量变量，对每一个测量变量测量K次，这样，一次间歇操作的数据可以组成一个二维数据矩阵X(K×J)；重复I次间歇操作，得到的数据可以表述为一个三维矩阵X(I×J×K)。(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中，下标k是时间指标；设二维矩阵Xk内任意一点的变量为xijk，对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：

【技术特征摘要】
1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，其特征在于，该方法包括以下步骤：(1)获取待分析数据：设一个间歇操作具有J个测量变量，对每一个测量变量测量K次，这样，一次间歇操作的数据可以组成一个二维数据矩阵X(K×J)；重复I次间歇操作，得到的数据可以表述为一个三维矩阵X(I×J×K)。(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中，下标k是时间指标；设二维矩阵Xk内任意一点的变量为xijk，对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：其中：k是时间片指标，是Xk矩阵第j列的均值，sjk是Xk矩阵第j列的标准差，为标准化后的二维矩阵Xk内任意一点的变量；其中，将二维矩阵Xk(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵(3)时间片SFA建模，该步骤由以下子步骤来实现：(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：其中，sk为第k个时间片的慢特征，Wk为第k个时间片的转换矩阵，T表示转置；(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限：其中，是sk的一阶微分，Ωk是的经验协方差矩阵；根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrk,T；利用核密度估计求出S2的控制限Ctrk,S，二者分别从不同方面反应了时间片SFA模型的重构能力。(4)基于时段的SFA建模，该步骤由以下子步骤来实现：(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J)，标准化后得到矩阵其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；对新的时段矩阵进行SFA建模:其中，sc为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；(4.2)计算各时段c的静态监测统计量T2和动态监测统计量S2的控制限：其中，是sc的一阶微分，Ωc是的经验协方差矩阵；根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc,T；利用核密度估计求出S2的控制限Ctrc，S；(5)确定时段划分点k*：比较在相同时间区域内的Ctrk,T与Ctrc,T，Ctrk,s与Ctrc,S，定义连续三个样本呈现Ctrk>αCtrc，称两个控制限不相似，反之则称两个控制限相似；其中，α是依附于Ctrc的常数，称作缓和因子，它反应的是与时间片模型相比，时段模型允许监测精度损失的程度；若控制限不相似，说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响；有两组控制限：Ctrk,T与Ctrc,T，Ctrk,S与Ctrc,S分别进行比较，结果有四种，每种结果与其对应的时段划分操作如下表所示：其中，时段划分操作是指，将新加入的时间片前的时刻记为k*，将k*时刻之前的时间片认为是一个子时段，进行时段划分；(6)过程分析数据更新，确定所有划分时段：根据步骤5中所获得的时刻k*的指示，移除第一个子时段，把余下的间歇过程数据作为新的输入数据带入到第5步中。(7)重复上述步骤5-6，划分不同时间段，直到没有数据余留；(8)基于时段划分结果的动静协同过程监测模型建立，该步骤由以下子步骤来实现：(8.1)建立基于时段的局部SFA模型用于监测过程静态行为：根据步骤6时段划分结果，每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组，Xc(IKc×J)，标准化后得到矩阵其中，下标c是时段指标，Kc代表已划分好的第c个时段的组成该时段的时间片个数，然后建立第c个...

【专利技术属性】
技术研发人员：赵春晖，田畅，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33