基于自适应分块非负矩阵分解的化工生产过程故障监测方法技术

一种基于自适应分块非负矩阵分解(APNMF)的化工生产过程故障监测方法，用于处理化工生产中采集的变量数据以识别出与故障对应的数据，便于维护人员及早发现生产中的问题并做出相应处理，变量包括温度、压力、液位、流体速度和流量中的至少一种，包括离线采集d个采集点的变量的历史样本构建历史矩阵，在线采集d个采集点的变量的测量样本构建测量矩阵，利用NMF模型故障监测方法对过程的全局变量进行监测，获取故障矩阵

【技术实现步骤摘要】
基于自适应分块非负矩阵分解的化工生产过程故障监测方法
本专利技术属于控制系统故障诊断
，具体涉及一种化工生产过程故障监测方法，用于提高复杂化工生产过程故障监测的准确率。
技术介绍
随着现代工业过程变得越来越复杂，许多工业过程(如化工过程)通常由高维且相互关联的海量数据组成。多变量统计过程监控(MSPM)是一种基于数据驱动的故障诊断技术，其本质是将高维数据转换为低维数据，并在低维数据中获取重要信息。典型的MSPM技术包含主成分分析(PCA)，偏最小二乘法(PLS)，独立成分分析(ICA)等。PCA是一种广泛使用的降维技术，近几年来已经成功地应用于工业过程的在线监测，尤其是在化工过程中。很多文献在使用PCA进行故障监控时，都要求被监控的过程变量必须遵循高斯分布。然而在实际的复杂工业生产中，大多数过程变量不满足高斯分布。如果PCA方法用于非高斯过程的故障监测，则过程的统计特性将被削弱，导致过程故障监控不准确。为了解决过程数据非高斯问题，很多学者提出了ICA算法，ICA虽然提取了非高斯且相互独立的潜在独力分量，但处理的结果不够准确。为此，Lee等人提出一种基于非负矩阵(NMF)降维方法(D.D.Lee,andH.S.Seung,“Algorithmsfornon-negativematrixfactorization,”AdvancesinNeuralInformationProcessingSystems,vol.13,no.6,pp.556-562,2000.)。与传统的MSPM监测方法相比，NMF算法对测量数据除了为非负外没有其他限制，具有更广泛的应用。此外，NMF算法可以从海量数据中捕获数据的局部特征，并且具有比传统MSPM方法更好的解释能力。然而，很多基于NMF的故障监测方法中，都采用了固定的NMF模型通常故障过程是缓慢变化的，基于固定模型的故障监测算法可能会降低故障监测的准确性。
技术实现思路
本专利技术的专利技术目的是提供一种化工生产过程故障监测方法，用于解决现有的化工生产过程故障诊断准确率低的问题。为实现专利技术目的，可以采用如下的技术方案。一种基于自适应分块非负矩阵分解(APNMF)的化工生产过程故障监测方法，用于处理化工生产过程中多个采集点监测的变量数据以识别出与已知故障相对应的数据，便于生产维护人员及早发现生产中的问题并做出相应处理，所述变量包括温度、压力、液位、流体速度和流量中的至少一种，包括以下步骤：步骤一，基于非负矩阵的全局故障监测；离线采集化工生产过程中d个采集点的所述变量的Mn个历史正常样本，并构建历史矩阵对矩阵Xn′进行预处理得到矩阵Xn，以使其能够应用基于NMF的故障监测方法，然后利用NMF模型获取监测统计量Nn2和SPEn的控制限Nlim2和SPElim；在线采集化工生产过程中d个采集点的所述变量的M个测量样本，并构建测量矩阵Xg′＝[x1,x2,...,xM]∈Rd×M，对测量矩阵Xg′进行预处理，得到矩阵Xg，然后利用NMF模型获取第t个样本的统计量Ng2(t)和SPEg(t)，将其与控制限和SPElim进行比较，如果统计量Ng2(t)或SPEg(t)超过相应的控制限或SPElim，则将检测到的第t个样本认为故障样本，获取故障矩阵Mf为故障样本个数；步骤二，全局变量自适应分块；根据步骤一得到的故障矩阵构建故障样本的残差矩阵：Ef＝Xf-Wn(WnTWn)-1WnTXf(1)计算Pearson相关系数，表示为:这里，Ef,i和Ef,j分别表示第i和第j个变量的残差，是Ef,i的平均值，是Ef,j的平均值；对Rf进行t检验，得到显著水平矩阵Sf；对矩阵Sf使用完整的链接算法将变量划分为b个子块Ci(i＝1,2,...，b)，其中，子块数据由子块Ci(i＝1,2,...，b)的变量构成，且满足d1+d2+...,+db＝d；步骤三，分块故障监测；根据子块Ci(i＝1,2,...，b)构造每个子块的历史正常数据矩阵然后利用基于NMF模型的故障监测方法获得每个子块Xi的监测统计量的控制限和监测统计量SPEi的控制限SPEi,lim；计算第t个样本的b+1组统计量N2(t)和SPE(t)，并将它们与相应的控制限进行比较:如果b+1个统计量N2(t)或SPE(t)均没有超过相应的控制限，则将检测到的第t个样本认为正常样本，否则为故障样本。优选的，在所述步骤一中，利用NMF模型获取监控统计量Nn2与SPEn的控制限的方法包括以下步骤：利用NMF算法，把Xn矩阵分解为非负矩阵Wn∈Rd×k和的乘积，其中,Wn为基矩阵，Hn为系数矩阵，k为降维的阶次，且满足不等式(d+Mn)k≤dMn；确定Wn和Hn的最优值：由给定的Wn、Hn初值，利用迭代法则进行更新迭代，直到这两个矩阵不在变化时，结束迭代；确定每个样本t的监控指标Nn2(t)和SPEn(t)在过程控制的监控中，监控模型如下其中，为低阶重构矩阵，En为残差矩阵；在该监控模型中，监控指标Nn2和SPEn的计算公式如下这里,和分别为矩阵和Xn的行向量；利用核密度估计(KDE)获取监控指标Nn2和SPEn的控制限和SPEn,lim。应当明白，在所述步骤一中利用NMF模型获取监测统计量Ng2与SPEg的方法、所述步骤三中利用NMF模型获取每个子块Xi的监测统计量Ni2和SPEi的控制限的方法均与所述步骤一中利用NMF模型获取监控指标Nn2与SPEn的控制限的方法是类同的，其仅通过将Xn矩阵替换为测量矩阵Xg或子块Xi矩阵，属实质相同的方法。进一步的，确定Wn和Hn的初值的方法是：构造测量矩阵计算其协方差对协方差S进行特征值分解，然后按照特征值的大小进行降序排列，S的特征值为λ1≥λ2≥...≥λd≥0，S的特征向量为p1,p2,...,pd；PCA模型对XnT的分解如下其中，由S的前A个特征向量组成的P＝[p1,p2,...,pA]∈Rd×A为负载矩阵，为得分矩阵，T的每一列都是主元变量，A是主元个数，采用累计方差准则确定主元个数，累计方差准则为当前A个主元的累积贡献率超过85％时，主元模型包含了足够多的原数据信息，令k＝A，则Wn、Hn初值为Wn＝abs(P)∈Rd×k，其中abs(.)是求取矩阵每一个元素的绝对值。进一步的，在所述步骤一中，对矩阵Xn′进行预处理的方法是：将Xn′的每一行减去这一行所有样本数据的均值，然后除以这一行所有样本数据的标准差，最后对矩阵里面的每个数据取其绝对值。进一步的，对矩阵Xg′进行预处理的方法是：将Xg′的每一行减去对应的Xn′行所有样本数据的均值，然后除以对应Xn′行所有样本数据的标准差，最后对矩阵里面的每个数据取其绝对值。本专利技术的有益效果是：本专利技术所采用的基于APNMF模型的故障诊断与传统的基于NMF模型的故障诊断相比，系统在不同运行条件下的过程变量能够自适应的分成多个子变量模块，全局变量空间和每个子变量空间由NMF方法建模。然后，采用核密度估计(KDE)方法计算定义的统计指标的控制限，之后进行故障的监测。该方法充分利用了块内局部信息和整体全局信息，提高故障监测的准确率。附图说明图1为本专利技术的流程图。图2为TE生产过程的原理图。图3为故障5的全局监测图，图中横坐标为样本(samples)。图4为故障5的本文档来自技高网...

【技术保护点】
1.一种基于自适应分块非负矩阵分解的化工生产过程故障监测方法，用于处理化工生产过程中多个采集点监测的变量数据以识别出与已知故障相对应的数据，所述变量包括温度、压力、液位、流体速度和流量中的至少一种，其特征在于，包括以下步骤：步骤一，离线采集化工生产过程中d个采集点的所述变量的Mn个历史正常样本，并构建历史矩阵

【技术特征摘要】
1.一种基于自适应分块非负矩阵分解的化工生产过程故障监测方法，用于处理化工生产过程中多个采集点监测的变量数据以识别出与已知故障相对应的数据，所述变量包括温度、压力、液位、流体速度和流量中的至少一种，其特征在于，包括以下步骤：步骤一，离线采集化工生产过程中d个采集点的所述变量的Mn个历史正常样本，并构建历史矩阵对矩阵Xn′进行预处理得到矩阵Xn，以使其能够应用基于NMF的故障监测方法，然后利用NMF模型获取监测统计量Nn2和SPEn的控制限Nlim2和SPElim；在线采集化工生产过程中d个采集点的所述变量的M个测量样本，并构建测量矩阵Xg′＝[x1,x2,...,xM]∈Rd×M，对测量矩阵Xg′进行预处理，得到矩阵Xg，然后利用NMF模型获取第t个样本的统计量Ng2(t)和SPEg(t)，将其与控制限和SPElim进行比较，如果统计量Ng2(t)或SPEg(t)超过相应的控制限或SPElim，则将检测到的第t个样本认为故障样本，获取故障矩阵Mf为故障样本个数；步骤二，根据步骤一得到的故障矩阵构建故障样本的残差矩阵：Ef＝Xf-Wn(WnTWn)-1WnTXf(1)计算Pearson相关系数，表示为:这里，Ef,i和Ef,j分别表示第i和第j个变量的残差，是Ef,i的平均值，是Ef,j的平均值；对Rf进行t检验，得到显著水平矩阵Sf；对矩阵Sf使用完整的链接算法将变量划分为b个子块Ci(i＝1,2,...，b)，其中，子块数据由子块Ci(i＝1,2,...，b)的变量构成，且满足d1+d2+...,+db＝d；步骤三，根据子块Ci(i＝1,2,...，b)构造每个子块的历史正常数据矩阵然后利用基于NMF模型的故障监测方法获得每个子块Xi的监测统计量Ni2的控制限和监测统计量SPEi的控制限SPEi,lim；计算第t个样本的b+1组统计量N2(t)和SPE(t)，并将它们与相应的控制限进行比较:如果b+1个统计量N2(t)或SPE(t)均没有超过相应的控制限，则将检测到的第t个样本认为正常样本，否则为故障样本。2.如权利要求1所述的基于自适应分块非负矩阵分解的化工生产过程故障监测方法，...

【专利技术属性】
技术研发人员：王妍，凌丹，顾晓光，娄泰山，孙军伟，郭群力，丁国强，袁世蒙，王英聪，
申请(专利权)人：郑州轻工业学院，
类型：发明
国别省市：河南,41