一种流程工业过程在线自适应故障监测与诊断方法技术

本发明专利技术公开一种流程工业过程在线自适应工况监测与故障诊断方法，属于复杂工业过程故障监测与诊断技术领域。本发明专利技术首先基于正常工况状态下的历史观测数据进行分析，通过引入Lasso和Ridge约束相结合的弹性回归网，建立基于稀疏主成分分析的工业过程故障监测模型，获得工业过程故障监测统计量的过程控制限；在工业过程故障在线监测中，采用秩‑1矩阵修正算法分解在线监测数据的协方差矩阵，递归更新稀疏监测模型的载荷矩阵获得与工况相适应的过程故障监测统计量的过程控制限，实现流程工业过程故障的自适应检测；最后，对检测出来的故障，采用贡献图法，获取引发故障的具体原因。本发明专利技术可以长时间自适应监测工况复杂多变的流程工业过程的故障，具有计算复杂度低、精度高、漏报率低等优点。

An on-line adaptive fault monitoring and diagnosis method for process industry

The invention discloses an on-line adaptive condition monitoring and fault diagnosis method for process industrial processes, which belongs to the technical field of fault monitoring and diagnosis for complex industrial processes. Firstly, based on the historical observation data under normal working conditions, the method establishes the industrial process fault monitoring model based on sparse principal component analysis by introducing the elastic regression network combined with Lasso and Ridge constraints, and obtains the process control limit of the industrial process fault monitoring statistics. In the on-line monitoring of industrial process faults, the rank 1 matrix correction algorithm is used to decompose the model. The covariance matrix of on-line monitoring data and the load matrix of the sparse monitoring model are updated recursively to obtain the process control limits of the process fault monitoring statistics corresponding to the working conditions, so as to realize the adaptive detection of process industrial process faults. Finally, the contribution graph method is used to detect the detected faults, and the specific causes of the faults are obtained. The invention can self-adaptively monitor the faults of complex and changeable process industrial process for a long time, and has the advantages of low computational complexity, high accuracy and low missing rate.

【技术实现步骤摘要】
一种流程工业过程在线自适应故障监测与诊断方法
本专利技术涉及工业过程自动化监控领域，具体涉及流程工业过程的故障监测与诊断方法和技术。
技术介绍
流程工业也称过程工业,是指通过物理变化和化学变化进行的生产过程。流程工业主要包括石油、化工、钢铁、有色、建材等基础原材料行业，是国民经济的支柱和基础产业，也是我国经济持续增长的重要支撑力量。过程安全、产品质量以及节能减排增效是现代流程工业的核心目标，良好的工业过程运行工况状态是稳定生产指标、保障产品质量、实现工业过程稳定优化运行的关键。对流程工业生产过程的运行状态进行实时监控，特别是及时发现工业生产中可能出现故障状态及对工业故障发生原因进行诊断，以便及时制定或调整过程操作策略，保证工业生产始终运行于最佳工况状态，这对稳定生产流程、保证产品质量、降低生产中的资源、能源消耗、实现安全生产，均具有非常重要的现实意义。现代工厂大都具备传感器测量装置，这些传感器是保障工业生产的重要元件，可以获得工业生产中重要的生产数据。常规基于过程测量变量(如温度，压力，液位，流量，成分等)的参数控制方法是将一个或多个过程参数以单因素方式分别控制在一定范围内，从而达到期望的产品品质或者生产装置的运行指标。但是工业实践中，即便将所有的过程参数都控制在各自的期望范围内，产品最终品质的一致性有时不能保证，甚至还不一定满足生产要求。数据驱动的工业过程故障诊断方法通过对工业过程数据进行采集并加以分析，基于历史数据进行生产过程建模，基于所建立的模型进行工业过程故障检测与诊断。多元统计分析方法是数据驱动故障监测与诊断的重要方法，通过提取过程数据统计特征，根据变化特征来判断过程是否出现故障。然而传统多元统计分析法通常是假定过程变量是静态的，即变量之间的存在的线性关系不随着过程的运行而改变，然而，在绝大部分实际的工业生产过程中，过程生产原料成分复杂多变、过程操作中的人为扰动、生产设备磨损老化、传感器漂移、过程中物理化学反应的环境差异等各种因素都会引起工业过程状态的变化。这种情况下，基于静态历史数据所建立的正常工况监测模型往往无法适应复杂工业过程的动态变化，特别对于长时间连续运行的流程工业过程进行过程监测和故障诊断时，传统的多元分析统计模型极易产生故障误报、漏报、反应不够迅速等问题。
技术实现思路
(一)解决的技术问题本专利技术针对现有技术的不足，提出一种故障监测与诊断方法，通过建立连续工业过程监测数据的递归稀疏主成分分析模型自适应更新过程故障监测统计量及对应的过程控制限，实现流程工业过程工况状态自适应在线监测和故障诊断。(二)技术方案为了达到以上目的，本专利技术通过以下技术方案予以实现：S1：收集M(M>100)条工业过程正常工况状态下的历史样本数据，构造工业过程故障监测模型的训练集，将训练集中的样本数据按行排列组成矩阵，计算训练样本集均值和标准差，并对训练集进行标准化处理。步骤S1具体包括：S11：计算并保存训练样本集的均值向量，通过减去样本均值对训练样本集进行中心化处理；S12：计算并保存训练样本集各数据变量的标准差，将训练样本集各个变量除以对应的标准差实现训练样本集的无量纲化处理。S2：在归一化处理后的训练样本数据中提取主成分。详细步骤如下：S21：计算样本集的协方差矩阵，计算协方差矩阵的特征值和特征向量；S22：将特征值从大到小进行排序，并计算各特征值的贡献率；S23：设定累积贡献率阈值(一般设为90％到98％之间的实数)，根据按大小排序的特征值的累积贡献率是否超过累积贡献率阈值，确定主成分的个数和对应的特征值；S24：将所选特征值对应的特征向量组成主成分空间的载荷向量，确定主成分。S3：采用Lasso和Ridge约束相结合的弹性回归网稀疏化训练集样本数据主成分，建立初始的工业过程故障监测稀疏主成分分析模型。步骤S3具体包含如下步骤：S31：计算样本集的格拉姆矩阵；S32：基于Ridge约束思想将主成分求解问题转化成线性模型求解问题；S33：在主成分分析线性模型求解问题中加入LASSO惩罚项，将过程故障监测主成分分析模型转化为稀疏主成分分析(SPCA)模型进行求解；S34：根据调整方差的大小，确定主成分空间载荷向量的稀疏度；S35：通过双参数交叉迭代求解，确定工业过程故障监测SPCA模型的载荷矩阵。S4：基于所建立的工业过程故障监测模型，确定过程故障监测统计量T2和SPE的过程控制限；T2和SPE的过程控制限的计算方法如下：其中p代表主成分个数，M代表训练集样本数目，Fa(m,n)表示自由度为m和n，置信度为(1-a)×100％的F百分位点；Ca为置信度为(1-a)×100％的正态分布点。S5：工业过程故障在线监测。具体步骤如下：S51：在线采集工业过程数据，采用S1步骤中获得的训练样本集均值和方差，对工业过程实时监测数据样本矩阵进行标准化处理；S52：计算在线监测样本的故障监测统计量T2和SPE；S53：判断故障监测统计量T2和SPE是否超出控制限，如果T2或SPE超出过程故障监测统计量过程控制限，则表明当前为故障状态，转步骤S7进行故障溯因，否则，表明当前生产为正常工况状态，转步骤S6对工业过程故障监测模型进行递归更新。S6：用判断为正常的工业过程在线监测数据样本更新训练集，递归更新工业过程故障监测SPCA模型，转步骤S5自适应更新过程故障监测统计量的过程控制限。步骤S6具体包括：S61：将新的过程数据集加入至训练集，形成新的训练集；S62：采用S11和S12步骤中所述的方法，计算并保存新训练集的样本均值和标准差，用历史训练集样本均值和标准差对新的训练数据集进行标准化处理；S63：递归更新格拉姆矩阵；对过程故障监测的模型中的Ridge约束进行递归求解，采用Lasso约束对故障监测模型进行稀疏化处理，获得递归稀疏主成分分析模型；S64：确定过程故障监测统计量T2控制限的F分布的置信度和SPE控制限的正态分布的置信度。S7：对检测出来的故障，采用贡献图法，对引发故障原因进行诊断，获得各个过程变量产生相应故障的概率。步骤S7具体包括：S71：计算观测变量对过程故障监测统计量的贡献度；S72：根据贡献度的大小确定过程变量引发故障的概率。确定过程变量引发故障概率规则为，贡献度越大，引发故障的概率越大。S8：重新采集新的过程数据，转步骤S5对流程工业过程运行工况状态进行自适应实时监测。(三)有益效果本专利技术所涉及的一种流程工业过程在线自适应故障监测与诊断方法，具有以下几个方面的优势：1、本专利技术首次提出了一种基于递归稀疏主成分分析的流程工业过程在线自适应故障监测与诊断方法，该方法能够有效解决传统过程监测所得到主成分难以解释，故障监测和诊断灵敏度不高，计算复杂度高，难以实现连续工业在线故障监测与诊断的问题。2、本专利技术考虑到了现代流程工业工况复杂多变的特性，能根据工业过程生产工况状态的实际变化情况自适应更新故障监测模型，具有一定的在线自学习功能，可实现连续工业过程长时间自适应故障监测与诊断，适应于绝大多数流程工业过程的在线故障监测与诊断。附图说明为了更清楚说明本专利技术实施或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，所描述的附图仅仅是本人专利技术的一些实施例，对于本领域普通人本文档来自技高网...

【技术保护点】
1.一种流程工业过程在线自适应故障监测与诊断方法，其特征在于包含以下步骤：S1：收集正常工况状态下的历史数据，构造工业过程故障监测模型训练集，计算训练样本集均值和标准差，并对训练集进行标准化处理；其具体步骤为：S11：计算并保存训练样本集的均值向量，通过减去样本均值对训练样本集进行中心化处理；S12：计算并保存训练样本集各数据变量的标准差，通过除以对应的标准差对训练样本集进行无量纲化处理；S2：从处理后的训练集样本数据中提取主成分；其具体步骤为：S21：计算标准化处理后的工业过程故障监测模型训练集的协方差矩阵，通过SVD分解获得协方差矩阵的特征值和特征向量，并对特征值和对应的特征向量按特征值大小从大到小排序；S22：设定累积贡献率阈值(一般设为90％到98％之间的实数)，根据特征值的累积贡献率确定主成分的个数和对应的特征值；S23：将所选特征值对应的特征向量组成主成分空间的载荷向量，确定初始训练集的主成分；S3：采用Lasso和Ridge约束相结合的弹性回归网，稀疏化训练集样本数据主成分，建立初始的工业过程故障监测稀疏主成分分析模型；S4：基于所建立的过程故障监测模型，确定过程故障监测统计量T2和SPE的过程控制限；S5：在线采集工业过程数据，计算在线监测样本的故障监测统计量T2和SPE；如T2或SPE超出过程故障监测统计量过程控制限，则表明当前为故障状态，转步骤S6进行故障溯因，否则，表明当前生产为正常工况状态，转步骤S5对工业过程故障监测稀疏主成分分析模型进行递归更新；其具体步骤为：S51：采用S1步骤中获得的训练样本集均值和方差，对工业过程实时监测数据样本矩阵进行标准化处理；S52：计算每条样本的T2和SPE统计量值；S53：判断T2和SPE统计量的值是否超过阈值，若超过阈值，判断为故障数据，否则为正常数据；S6：用判断为正常的工业过程在线监测数据样本更新训练集，递归更新工业过程故障监测稀疏主成分分析模型，转步骤S4自适应更新过程故障监测统计量的过程控制限；S7：对检测出来的故障，采用贡献图法，对引发故障原因进行诊断，获得各个过程变量产生相应故障的概率；S8：重新采集新的过程数据，转步骤S5实现流程工业过程运行工况状态自适应监测。...

【技术特征摘要】
1.一种流程工业过程在线自适应故障监测与诊断方法，其特征在于包含以下步骤：S1：收集正常工况状态下的历史数据，构造工业过程故障监测模型训练集，计算训练样本集均值和标准差，并对训练集进行标准化处理；其具体步骤为：S11：计算并保存训练样本集的均值向量，通过减去样本均值对训练样本集进行中心化处理；S12：计算并保存训练样本集各数据变量的标准差，通过除以对应的标准差对训练样本集进行无量纲化处理；S2：从处理后的训练集样本数据中提取主成分；其具体步骤为：S21：计算标准化处理后的工业过程故障监测模型训练集的协方差矩阵，通过SVD分解获得协方差矩阵的特征值和特征向量，并对特征值和对应的特征向量按特征值大小从大到小排序；S22：设定累积贡献率阈值(一般设为90％到98％之间的实数)，根据特征值的累积贡献率确定主成分的个数和对应的特征值；S23：将所选特征值对应的特征向量组成主成分空间的载荷向量，确定初始训练集的主成分；S3：采用Lasso和Ridge约束相结合的弹性回归网，稀疏化训练集样本数据主成分，建立初始的工业过程故障监测稀疏主成分分析模型；S4：基于所建立的过程故障监测模型，确定过程故障监测统计量T2和SPE的过程控制限；S5：在线采集工业过程数据，计算在线监测样本的故障监测统计量T2和SPE；如T2或SPE超出过程故障监测统计量过程控制限，则表明当前为故障状态，转步骤S6进行故障溯因，否则，表明当前生产为正常工况状态，转步骤S5对工业过程故障监测稀疏主成分分析模型进行递归更新；其具体步骤为：S51：采用S1步骤中获得的训练样本集均值和方差，对工业过程实时监测数据样本矩阵进行标准化处理；S52：计算每条样本的T2和SPE统计量值；S53：判断T2和SPE统计量的值是否超过阈值，若超过阈值，判断为故障数据，否则为正常数据；S6：用判断为正常的工业过程在线监测数据样本更新训练集，递归更新工业...

【专利技术属性】
技术研发人员：刘金平，王杰，刘先锋，徐鹏飞，何捷舟，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：湖南,43