一种工业过程微小故障的检测和分离方法及其监测系统技术方案

本发明专利技术公开了一种工业过程微小故障的检测和分离方法及其监测系统。本发明专利技术方法包括步骤：采集工业过程正常工况下的传感器数据作为训练数据，并建立该训练数据的主元分析模型；给定合适的滑动时间窗口宽度，计算训练数据中每个样本的每个变量具有的改进重构贡献值；确定每个变量的改进重构贡献的控制限；采集实时工况下的传感器数据作为测试数据；计算测试数据中每个变量的改进重构贡献，并与上述相应的控制限进行比较，对测试数据进行故障分析；若故障分析的结果为有故障发生，则将具有最大改进重构贡献值的变量确定为故障变量，实现故障分离。与现有技术相比，本发明专利技术方法无需工业过程的数学模型，并可以同时实现工业过程微小故障的检测和分离。

【技术实现步骤摘要】

本专利技术属于工业过程监控和故障诊断领域，具体涉及一种工业过程微小故障的检测和分离方法及其监测系统。
技术介绍
现代工业过程规模庞大、结构复杂，一旦过程出现异常便可能造成巨大的经济损失，甚至危及人身安全。过程监控和故障诊断技术可以有效地提高系统的可靠性、设备可维护性以及降低事故风险，已成为当前过程控制领域的研究热点之一。此外，较为严重的故障通常由微小故障演化而来，历史上发生的许多重大灾难性事故也是由系统中微小异常未能被及时发现和解决造成。因此，微小故障的危害不容忽视，对微小故障进行及时的检测和分离，并采取有效的防护措施对保障工业过程安全、高效运行具有重要意义。由于工业过程的复杂性不断增加，其精确的数学解析模型通常难以获得，从而使得传统的基于模型的故障诊断方法受到限制。而基于数据的过程监控和故障诊断方法无需过程精确的解析模型，只是利用过程在正常工况下的大量测量数据建立相应的数据模型，并将该模型应用于在线诊断。作为基于数据故障诊断领域的重要分支，多元统计过程监控技术在过去的二十多年时间里取得了长足发展，并成功应用于诸如石油化工、半导体制造等工业过程。故障检测和故障分离是过程监控的两个基本目标，前者用于判断过程是否发生了故障，后者用于确定故障的种类或者找出发生故障的变量。在多元统计过程监控中，主元分析方法被广泛应用于故障检测；重构贡献图方法(AlcalaCF,QinSJ.Reconstruction-basedcontributionforprocessmonitoring.Automatica,2009,45(7):1593-1600.)通常基于主元分析模型，用于故障检测之后的故障分离。然而，传统的主元分析方法对微小故障的检测性能较差，从而使得故障漏报率较高(检测率较低)。另外，传统的重构贡献图方法在处理微小故障分离问题时，也容易导致故障变量错误定位。现有的微小故障诊断技术主要是对传统故障检测算法进行改进，从而使其对微小故障敏感并获得较好的检测性能，却很少涉及故障分离，而且有些算法的计算复杂度较高，不利于实际应用。因此，亟需提出一种新的故障诊断方法及其相应的监测系统实现对工业过程微小故障的检测和分离。
技术实现思路
针对现有技术中存在的上述技术问题，本专利技术提出了一种工业过程微小故障的检测和分离方法，其采用如下技术方案：一种工业过程微小故障的检测和分离方法，包括如下步骤：a采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的主元分析模型；b给定合适的滑动时间窗口宽度，计算训练数据集中每个样本的每个变量具有的改进重构贡献值；c确定每个变量的改进重构贡献的控制限；d采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与步骤a中训练数据集的测量变量相对应；e计算测试数据中每个变量的改进重构贡献，并与步骤c中相对应的控制限进行比较，对所述测试数据进行故障分析；f若步骤e中故障分析的结果为有故障发生，则将具有最大改进重构贡献值的变量确定为故障变量，以实现故障分离。优选地，步骤b具体为：根据下式计算训练数据集中每个样本的每个变量具有的改进重构贡献值： IRBC i , k = ( ξ i T Φ x ‾ k ) 2 ξ i T Φξ i ; ]]>式中，IRBCi,k的下标i,k表示计算的是训练数据集中第k个样本的第i个变量的改进重构贡献IRBC，其中k＝1,...,N表示训练数据集中包含N个样本，i＝1,...,m表示训练数据集中包含m个变量；矩阵Φ表示在计算IRBC时采用的主元分析模型中的故障检测指标为组合指标，计算方式为其中，D＝PΛ-1PT，P为主元的负载矩阵，为残差的负载矩阵，Λ为主元特征值矩阵，δ2和τ2分别为主元分析模型中故障检测指标SPE和T2的控制限；ξi表示m维单位矩阵的第i列；表示滑动时间窗口到达训练数据集第k个样本时，窗口宽度内的样本均值，求解方式如下式： x ‾ k = 1 W Σ w = k - W + 1 k x w ; ]]>式中，W表示给定的滑动时间窗口宽度，xw表示训练数据集中已经进行数据标准化(使得训练数据集中的变量具有零均值、单位方差)后的第w个样本。优选地，所述步骤c具体为：根据步骤b中求取的训练数据集中所有样本的第i个变量的改进重构贡献值IRBCi,k,k＝1,...,N，来确定第i个变量的改进重构贡献的控制限：记第i个变量的改进重构贡献的控制限为上标CL表示控制限(controllimit)，也就是阈值；依据如下逻辑取值：训练数据集中第i个变量的所有N个改进重构贡献IRBCi,k,k＝1,...,N集合里至多允许有1％的比例超出控制限其中，1％表示显著性水平，其数学式表示为： Pr o b { IRBC i , k ≤ IRBC i C L本文档来自技高网...

【技术保护点】
一种工业过程微小故障的检测和分离方法，其特征在于，包括如下步骤：a采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据集的主元分析模型；b给定合适的滑动时间窗口宽度，计算训练数据集中每个样本的每个变量具有的改进重构贡献值；c确定每个变量的改进重构贡献的控制限；d采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与步骤a中训练数据集的测量变量相对应；e计算测试数据中每个变量的改进重构贡献，并与步骤c中相对应的控制限进行比较，对所述测试数据进行故障分析；f若步骤e中故障分析的结果为有故障发生，则将具有最大改进重构贡献值的变量确定为故障变量，以实现故障分离。

【技术特征摘要】
1.一种工业过程微小故障的检测和分离方法，其特征在于，包括如下步骤：
a采集工业过程正常工况下的一段传感器测量数据作为训练数据集，并建立该训练数据
集的主元分析模型；
b给定合适的滑动时间窗口宽度，计算训练数据集中每个样本的每个变量具有的改进重
构贡献值；
c确定每个变量的改进重构贡献的控制限；
d采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与
步骤a中训练数据集的测量变量相对应；
e计算测试数据中每个变量的改进重构贡献，并与步骤c中相对应的控制限进行比较，
对所述测试数据进行故障分析；
f若步骤e中故障分析的结果为有故障发生，则将具有最大改进重构贡献值的变量确定
为故障变量，以实现故障分离。
2.根据权利要求1所述的一种工业过程微小故障的检测和分离方法，其特征在于，所述
步骤b具体为：
根据下式计算训练数据集中每个样本的每个变量具有的改进重构贡献值：
IRBC i , k = ( ξ i T Φ x ‾ k ) 2 ξ i T Φξ i ; ]]>式中，IRBCi,k的下标i,k表示计算的是训练数据集中第k个样本的第i个变量的改进重构
贡...

【专利技术属性】
技术研发人员：周东华，纪洪泉，何潇，卢晓，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37