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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。