基于缓慢特征分析的过程监控方法和系统技术方案

本发明专利技术涉及一种基于缓慢特征分析的过程监控方法和系统，该方法包括：读取缓慢特征模型以及监控模型，读入过程变量的在线测量值，组成输入向量并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。通过本发明专利技术的技术方案，不仅能够监测稳态工作点的偏移，并且能够有效地对过程的动态特性变化进行监测。

【技术实现步骤摘要】
基于缓慢特征分析的过程监控方法和系统
本专利技术涉及过程处理
，具体而言，涉及一种基于缓慢特征分析的过程监控方法和一种基于缓慢特征分析的过程监控系统。
技术介绍
在工业过程中，故障、扰动以及其他异常严重地影响着过程的正常运行。为了保障生产过程安全、稳定、高效运行，对过程整体运行情况的实时监控、对这些异常情况的及时检测具有极其重要的意义。近些年来，多变量统计过程监控(Multivariatestatisticalprocessmonitoring,MSPM)方法得到了学者们的充分重视，成为过程控制界的一个热点方向，并且广泛地应用在实际工业生产中。由于化工过程机理复杂，不易进行理论分析，建立基于过程机理的监控模型较为困难；而多变量统计过程监控的一个重要优势在于仅依靠由工业现场采集来的正常工况下的数据，而不需要太多过程本身的机理知识，并且对于不同的生产过程有很强的普适性，因而受到了学界更多的关注。在生产过程中，过程的稳态工作点经常会根据优化目标的需求发生一定程度的变化，以适应市场的需求或满足经济效益的目标。同时，当过程达到新的稳态工作点后，由于反馈控制回路的作用，生产过程仍然能够高效地运行。然而，在这种情况下，通过监测稳态工作点的偏移，传统的过程监控方法如主成分分析(PCA)、独立成分分析(ICA)等，仍然会给出错误的报警信息，无法将正常的工况变化与真正影响过程特性的扰动与故障区分开来，使操作人员陷入大量无效的虚假报警信息中，进而造成过程监控模块的整体失效和加重操作人员的负担，影响操作人员真正解决生产过程的真正安全隐患的注意力。过程的稳态工作点发生正常切换时，由于反馈控制回路仍然能够正常工作，因此过程的动态特性并没有发生本质的变化；而真正的过程故障的一个重要特点是，由于控制回路无法弥补扰动、故障带来的影响，过程的动态特性会明显不同于正常工况下的动态特性，对生产平稳运行、稳定控制带来影响。因此，单独对过程工作点的监控是不够的，过程动态特性的实时监控对于过程故障的准确判断、减少误报警具有更加重要的意义。
技术实现思路
本专利技术所要解决的技术问题是，如何实现对生产过程中的稳态工作点偏移以及动态特性变化的联合监控。为此目的，本专利技术提出了一种基于缓慢特征分析的过程监控方法，包括：S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T，则所述输入向量u(t)的结构为其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；所述的监控模型为其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；S2，读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；S3，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。优选地，所述缓慢特征模型的建立过程包括：S10，根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；S11，从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，其中，N为样本个数，采样周期Δt应满足香农采样定理；S12，对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；S13，根据C中的样本构造矩阵U：U＝[u(t),u(t+Δt),…,u(t+(N-1)Δt)]T∈Rm×N，对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为正交阵，Λ为对角阵；S14，定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，S15，根据矩阵Z计算矩阵S16，对矩阵进行特征值分解：其中P为正交阵，Ω为对角阵，计算矩阵W＝PQ。优选地，所述监控模型的建立过程包括：S17，计算每个输入变量的变化快慢程度Δ(xi)，S18，计算其中，q＝0.05或0.1，card{·}表示集合中元素的个数；S19，计算T2和S2控制限，其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM,N-M,α表示自由度为M和N-M的F分布在水平α上的上侧分位数。本专利技术还提出了一种基于缓慢特征分析的过程监控系统，包括：读取单元，用于读取缓慢特征模型以及监控模型，所述缓慢特征模型为其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T时，则所述输入向量u(t)的结构为其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；所述的监控模型为其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；模型处理单元，用于读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；判断单元，用于比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。优选地，还包括：缓慢特征模型建立单元，用于根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，其中，N为样本个数，采样周期Δt应满足香农采样定理；对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；根据C中的样本构造矩阵U：U＝[x(t),x(t+Δt),…,x(t+(N-1)Δt)]T∈Rm×N，对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为正交阵，Λ为对角阵；定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，根据矩阵Z计算矩阵对矩阵进行特征值分解：其中本文档来自技高网...

【技术保护点】
一种基于缓慢特征分析的过程监控方法，其特征在于，包括：S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为s(t)=s1(t)s2(t)...sm(t)=Wu(t),]]>其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T时，则所述输入向量u(t)的结构为u(t)=x1(t)x1(t-Δt)...x1(t-dΔt)x2(t)x2(t-Δt)...x2(t-dΔt)...xn(t)xn(t-Δt)...xn(t-dΔt)∈Rn(d+1)]]>其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；所述的监控模型为s1:M(t)=s1(t)s2(t)...sM(t),s.1:M(t)=s.1(t)s.2(t)...s.M(t)≈1Δts1(t+&Delta;t)-s1(t)s2(t+Δt)-s2(t)...sM(t+Δt)-sM(t);]]>E{s.k2(t)}=λk,1≤k≤M;]]>T2=s1:M(t)Ts1:M(t)≤Tα2;]]>S2=s.1:M(t)TΛ-1s.1:M(t)≤Sα2,Λ=diag{λ1,λ2,...,λM};]]>其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；S2，读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；S3，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。...

【技术特征摘要】
1.一种基于缓慢特征分析的过程监控方法，其特征在于，包括：S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t)，x2(t)，…，xn(t)]T时，则所述输入向量u(t)的结构为其中，Δt为输入变量的采样周期，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)，Rn(d+1)为维数为n(d+1)的实数向量；所述的监控模型为1其中，M为用于监控的缓慢特征的个数，s1：M(t)为由前M个缓慢特征组成的向量，M＜m，用于描述s1：M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；S2，读入过程变量[x1(t)，x2(t)，…，xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；S3，将前M个缓慢特征组成的向量s1：M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。2.根据权利要求1所述过程监控方法，其特征在于，所述缓慢特征模型的建立过程包括：S10，根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；S11，从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：C＝{u(t)，u(t+Δt)，…，u(t+(N-1)Δt)}，其中，N为样本个数，采样周期Δt应满足香农采样定理；S12，对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；S13，根据C中的样本构造矩阵U：U＝[u(t)，u(t+Δt)，…，u(t+(N-1)Δt)]T∈Rm×N，对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为矩阵UUT的正交阵，Λ为矩阵UUT的对角阵；S14，定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，以及矩阵Z＝[z(t)，z(t+Δt)，…，z(t+(N-1)Δt)]T∈Rm×N，S15，根据矩阵Z计算矩阵S16，对矩阵进行特征值分解：其中P为矩阵的正交阵，Ω为矩阵的对角阵，计算矩阵W＝PQ。3.根据权利要求1所述过程监控方法，其特征在于，所述监控模型的建立过程包括：S17，计算每个输入变量的变化快慢程度Δ(xi)，S18，计算其中，表示第i个输入变量在t时刻的变化速率的平方，q＝0.05或0.1，card{·}表示集合中元素的个数，j表示对所有的Δ(xj)进行枚举，表示找到集合{Δ(xj)}当中的上侧q分位数；S19，计算T2和S2控制限，其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM，N-M，α表示自由度为M和...

【专利技术属性】
技术研发人员：黄德先，尚超，杨帆，高莘青，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11