一种基于重构技术的动态过程故障预测方法技术

本发明专利技术提出一种基于重构技术的动态过程故障预测方法，包括：建立训练TE过程的数据模型；针对测试集数据，监控TE过程是否发生故障；对发生故障部分重构并估计故障幅值；基于自回归模型进行故障预测；使用得到的故障幅值来训练自回归模型，得到一步训练模型，进一步迭代预测多步故障。复杂工业过程动态运行采集到高维强动态数据，难以采用传统主元分析方法提取数据间动态关系，本发明专利技术提供的基于DiPCA重构的预测方法能更好的解决动态工业工程的故障预测问题。检测到故障之后，采用重构方法使故障降到控制限以下对幅值进行故障预测，更好的利用数据的动态关系，提高了模型预测准确性。

A Dynamic Process Fault Prediction Method Based on Reconfiguration Technology

The invention proposes a fault prediction method for dynamic process based on reconstruction technology, which includes: establishing a data model for training TE process; monitoring whether TE process fails according to test set data; reconstructing and estimating the fault magnitude for the fault part; fault prediction based on Autoregressive model; using the obtained fault magnitude to train autoregressive model to obtain a one-step training model. Type I, further iteration prediction of multi-step faults. The dynamic operation of complex industrial processes collects high-dimensional and strong dynamic data, so it is difficult to extract the dynamic relationship between data by traditional principal component analysis method. The prediction method based on DiPCA reconstruction provided by the present invention can better solve the fault prediction problem of dynamic industrial engineering. After the fault is detected, the reconfiguration method is used to reduce the fault to below the control limit to predict the magnitude of the fault, which makes better use of the dynamic relationship of the data and improves the accuracy of the model prediction.

【技术实现步骤摘要】
一种基于重构技术的动态过程故障预测方法
本专利技术属于故障诊断与预测领域，具体涉及一种基于重构技术的动态过程故障预测方法。
技术介绍
随着科学技术的发展，工业过程系统现代化的能力和水平越来越高，然而大部分工业过程的运行环境都较为恶劣，一旦发生故障都会对生产过程产生较大影响，不仅影响生产效率切回造成一定损失，极端情况下还会对人员生命造成威胁。因此我们不仅希望在系统发生故障后对系统进行正确的故障诊断，还希望可以通过系统过去和现在的运行状态预测未来可能发生故障的时刻或未来的某个时刻可能产生某种特定的故障。传统的PCA(主成分分析)无法充分利用数据关系中的自相关关系，然而工业数据中的数据大部分是自相关和互相关的，所以将传统的PCA用于动态数据可能无法提取数据中的动态关系。由于工业过程中的变量如液位、温度、压力等随着时间的变化而发生变化，且某一时刻的变量与前几时刻是高度相关的，因此工业过程大部分都是动态的，因此本专利技术采用DiPCA(动态内在主成分分析)建立模型，通过重构对发生故障的时刻进行故障估计从而进行故障预测。选用验证的模型为TE(田纳西-伊斯曼)过程中的故障13，由于故障13是缓慢偏移故障，且是故障相关的，因此适合故障预测。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于DiPCA重构的动态过程故障预测，可以在系统发生故障后重构故障估计出故障幅值预测未来可能发生故障的时刻。本专利技术所采取以下技术方案来实现的：一种基于DiPCA重构的动态过程故障预测方法，具体步骤如下：步骤1：建立训练TE过程的数据模型；利用DiPCA算法对TE过程的历史正常数据的训练集进行数据建模，得到DiPCA算法模型，所述TE过程代表田纳西伊斯曼过程，所述DiPCA代表动态内模主元分析方法；通过训练得出模型的动态负载矩阵P，对于时刻j的训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据TE过程反应动力学常数变化关系得出前s个时刻的动态潜变量线性表达为动态潜变量tj的估计值，经训练得出线性系数为β，在动态潜变量tj被提取后，对xj的静态残差部分进行PCA建模，所述PCA为静态主元分析法，Pr为ejPCA建模所得的负载矩阵，tr,j为ej的潜变量，er,j为ej经PCA建模后的静态残差部分，模型结构公式如下：其中，βi为β的第i列向量，i＝1，2，…，s。步骤2：针对测试集数据，监控TE过程是否发生故障；利用DiPCA算法模型，对TE过程监控静态过程是否超限；所述静态部分即提取动态潜变量后的静态残差部分；对静态残差部分ek进行PCA建模：ek＝Prtr,k+er,k采用综合指标对ek的状态进行监控：其中，Qr和分别为ek的T2统计量和Q统计量，Φr为对称的正定阵，且和分别为ek的T2统计量和Q统计量的控制限，其中，I为单位矩阵，Λr为训练集静态残差部分e的主元协方差矩阵,综合指标的控制限为其中，Sr为e的协方差矩阵；当时，则认为在静态部分发生了故障。步骤3：对发生故障部分重构并估计故障幅值；当监测综合指标超限时，说明有故障发生，当故障被检测到之后，需要对过程数据沿着故障所在的子空间拉回到主元子空间，同时估计出正常幅值fi。故障重构按照以下公式估计重构样本向量以消除故障的影响：xi＝x-Ξifi因故障方向未知，需要从历史数据中提取故障方向，定义因此得到其中代表故障方向Ξi下的故障数据，对进行奇异值分解得到将对角阵Di的非零奇异值按照降序排列，选Ξi＝Ui得到故障方向。最终目标是使重构后的样本综合指标值最小化，降至控制限以内，重构后的综合指标表示为：其中，Φ为对称的正定阵，且其中，I为单位矩阵，Λ为训练集的主元协方差矩阵，P为训练集的负载矩阵，δ2和χ2分别为zi的T2统计量和Q统计量的控制限；为取得fi最小值，需要将综合指标对fi求偏导，零点处取得极值：令上式等于0求得极值：fi为重构得到的故障幅值，即为估计出的正常幅值；步骤4：基于自回归模型进行故障预测；使用训练集来训练自回归模型，得到一步训练模型，进一步迭代预测多步故障，得到多步预测结果。建立b阶向量自回归模型建模故障过程：其中，yk是步骤3所求得的故障幅值，Ai是模型参数，ek是建模残差，模型阶数b由AIC准则求得，所述AIC准则为赤池信息准则：AIC(b)＝Lln(RES(b))+2s2b，其中是步骤3所求故障估计的一步预测误差估计的协方差阵的行列式，s为故障向量fi的维数，L为训练数据的长度，使AIC最小的b即为模型的阶数。Ai为模型参数，模型参数的递推最小二乘估值为：带初值P0＝αI,α为一远大于0的正数，得到参数估计值其中，θ＝[A1,...,Ab]T，由递推最小二乘法得到模型参数估计值，由此得到一步预测模型，得到一步预测模型后直接迭代预测多步故障，得到多步预测结果yk+p：有益技术效果：复杂工业过程动态运行采集到高维强动态数据，难以采用传统主元分析方法提取数据间动态关系，本专利技术提供的基于DiPCA重构的预测方法能更好的解决动态工业工程的故障预测问题。检测到故障之后，采用重构方法使故障降到控制限以下对幅值进行故障预测，更好的利用数据的动态关系，提高了模型预测准确性。附图说明图1为本专利技术实施例的一种基于重构技术的动态过程故障预测方法的流程图；图2为本专利技术实施例的田纳西－伊斯曼过程工艺流程图；图3为本专利技术实施例的测试集的监控图；图4为本专利技术实施例的一维重构后的监控图；图5为本专利技术实施例的一维重构得到的故障估计图；图6为本专利技术实施例的使用AR模型得到的一步预测和十步预测值。具体实施方式下面结合附图和具体实施实例对专利技术做进一步说明：下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本实施例的方法如下所述：本专利技术的实施例为田纳西－伊斯曼过程(Tennessee-EastmanProcess,TEP)，TE过程是由伊斯曼化学品公司创建的，是一个基于真实过程故障的仿真。整个过程由五个主要操作单元组成，即反应器(reactor)、冷凝器(condenser)、汽液分离塔(separator)、循环压缩机(compressor)和汽提塔(stripper)。TE过程工艺流程图如图2所示：TE过程包含了正常状态以及21种不同故障状态，除了反应器的搅拌器的搅拌速度以外，每种状态有52个变量，其中有12个控制变量和41个测量变量，41个测量变量中有22个直接测量变量，19个分析变量。整个过程是从四种反应物中生成两种产品，其中A、C、D、E是反应物，G和H是两种产物。其训练集和测试集中的数据都是由22次不同的仿真运行数据构成，采样时间间隔均为3分钟。一次运行是在没有故障的情况下发生的；其它仿真运行都是在不同的故障情况下发生的，每次运行对应着表1中的一个故障。训练集中无故障的仿真运行时间是25小时，产生500个观测样本；故障情况下的仿真运行时间是24小时，每一次运行产生480个观测样本。测试集每次运行的仿真时间都是48小时，仿真在无故障的情况下开始；故障在仿真时间8小时的时候引入，每一次运行产生960个观测样本，即180～960个样本是故障数据。TE过程仿真的21种不同故障状态中包括15个已知的预设定的故障。故障1-7本文档来自技高网...

【技术保护点】
1.一种基于重构技术的动态过程故障预测方法，其特征在于，具体步骤如下：步骤1：建立训练TE过程的数据模型；利用DiPCA算法对TE过程的历史正常数据的训练集进行数据建模，得到DiPCA算法模型，所述TE过程代表田纳西伊斯曼过程，所述DiPCA代表动态内模主元分析方法；通过训练得出模型的动态负载矩阵P，对于时刻j的训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据TE过程反应动力学常数变化关系得出前s个时刻的动态潜变量线性表达

【技术特征摘要】
1.一种基于重构技术的动态过程故障预测方法，其特征在于，具体步骤如下：步骤1：建立训练TE过程的数据模型；利用DiPCA算法对TE过程的历史正常数据的训练集进行数据建模，得到DiPCA算法模型，所述TE过程代表田纳西伊斯曼过程，所述DiPCA代表动态内模主元分析方法；通过训练得出模型的动态负载矩阵P，对于时刻j的训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据TE过程反应动力学常数变化关系得出前s个时刻的动态潜变量线性表达为动态潜变量tj的估计值，经训练得出线性系数为β，在动态潜变量tj被提取后，对xj的静态残差部分进行PCA建模，所述PCA为静态主元分析法，Pr为ejPCA建模所得的负载矩阵，tr,j为ej的潜变量，er,j为ej经PCA建模后的静态残差部分，模型结构公式如下：其中，βi为β的第i列向量，i＝1，2，…，s；步骤2：针对测试集数据，监控TE过程是否发生故障；利用DiPCA算法模型，对TE过程监控静态过程是否超限；所述静态部分即提取动态潜变量后的静态残差部分；对静态残差部分ek进行PCA建模：ek＝Prtr,k+er,k采用综合指标对ek的状态进行监控：其中，Qr和分别为ek的T2统计量和Q统计量，Φr为对称的正定阵，且和分别为ek的T2统计量和Q统计量的控制限，其中，I为单位矩阵，Λr为训练集静态残差部分e的主元协方差矩阵,综合指标的控制限为其中，Sr为e的协方差矩阵；当时，则认为在静态部分发生了故障；步骤3：对发生故障部分重构并估计故障幅值；当监测综合指标超限时，说明有故障发生，当故障被检测到之后，需要对过程数据沿着故障所在的子空间拉回到主元子空间，同时估计出正常幅值fi；故障重...

【专利技术属性】
技术研发人员：刘强，卓洁，柴天佑，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21