一种工业过程故障检测方法技术

一种工业过程故障检测方法，其包括：获取待检测工业过程的运行数据，并利用预设滑动时间窗口对运行数据进行处理，得到不同窗口下的运行数据矩阵；计算第1运行数据矩阵的协方差矩阵的特征值和特征向量，采用迭代的方式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量；根据各个运行数据矩阵的协方差矩阵的特征值和特征向量，计算各个运行数据矩阵的检测指数，并将各个检测指数分别与预设预设检测指数阈值进行比较，根据比较结果判断待检测工业过程是否出现故障。与基于专家系统的高炉异常检测方法相比，该方法不需要历史故障信息，并且避免了冗杂的规则训练过程，其更易于实现且更为高效。

【技术实现步骤摘要】

本专利技术涉及自动检测
，具体地说，涉及一种工业过程故障检测方法。
技术介绍
高炉炼铁是现代钢铁生产中的重要环节。为了使高炉能够安全高效运行，对高炉炼铁过程的监控及故障的检测就显得尤为重要。然而，由于高炉炼铁系统十分复杂并且缺乏直接测量，一般难以构建精确的数学模型。目前现存的高炉诊断方法主要基于专家系统。然而，只有训练数据包含充分多的历史故障信息并且规则足够详尽时，专家系统才能达到预期效果。同时，由于原料限制等原因，国内高炉炼铁过程中使用专家系统进行过程监控的比例仍然较低。
技术实现思路
为解决上述问题，本专利技术提供了一种工业过程故障检测方法，所述方法包括：获取待检测工业过程的运行数据，并利用预设滑动时间窗口对所述运行数据进行处理，得到不同窗口下的运行数据矩阵；计算第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，根据所述第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，采用迭代的方式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量；根据各个运行数据矩阵的协方差矩阵的特征值和特征向量，计算各个运行数据矩阵的检测指数，并将各个所述检测指数分别与预设检测指数阈值进行比较，根据比较结果判断所述待检测工业过程是否出现故障。根据本专利技术的一个实施例，计算第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1的步骤包括：对所述第1运行数据矩阵X1进行标准化处理，并计算标准化处理后的第1运行数据矩阵的协方差矩阵，得到第1协方差矩阵；对所述第1协方差矩阵进行分解，得到所述第1协方差矩阵的特征值Λ1和特征向量P1。根据本专利技术的一个实施例，根据如下表达式计算所述第1协方差矩阵：C1=1wX‾1TX‾1]]>其中，C1表示第1协方差矩阵，w表示预设滑动时间窗口的长度，表示第1运行数据矩阵的标准化矩阵。根据本专利技术的一个实施例，根据如下表达式计算所述第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1：C1＝P1Λ1P1T其中，C1表示第1协方差矩阵。根据本专利技术的一个实施例，采用迭代的方式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量的步骤包括：对第k运行数据矩阵Xk的协方差矩阵进行两次秩1变换，分别得到所述第k运行数据矩阵Xk的协方差矩阵经过第一次秩1变换后的特征值和特征向量以及经过第二次秩1变换后的特征值和特征向量根据两次秩1变换所得到的特征向量计算第k+1运行数据矩阵Xk+1的协方差矩阵的特征向量Pk+1，根据第k运行数据矩阵Xk+1的协方差矩阵经过第二次秩1变换后的特征值计算第k+1运行数据矩阵Xk+1的协方差矩阵的特征值Λk+1。根据本专利技术的一个实施例，根据如下表达式计算第k+1运行数据矩阵Xk+1的协方差矩阵的特征值Λk+1和特征向量Pk+1：Pk+1=PkPk1Pk2]]>Λk+1=Λk2.]]>根据本专利技术的一个实施例，计算各个运行数据矩阵的检测指数的步骤包括：根据第k运行数据矩阵Xk的协方差矩阵Ck的特征值Λk和特征向量Pk，对所述第k运行数据矩阵Xk进行变换，得到对应于所述第k运行数据矩阵Xk的变元Tk；计算所述变元Tk的各个统计特征值，并根据所述各个统计特征值得到所述变元Tk的统计特性Sk；根据统计特性Sk计算第k运行数据矩阵Xk的检测指数Dk。根据本专利技术的一个实施例，根据如下表达式计算各个运行数据矩阵的变元：Tk＝XkPk其中，Tk和Pk分别表示第k运行数据矩阵Xk的变元和协方差矩阵Ck的特征向量。根据本专利技术的一个实施例，变元的统计特征值包括：一阶统计量、二阶统计量和高阶统计量，其中，根据如下表达式计算统计特性Sk：Sk＝[μk|∑k|Ωk]其中，μk和∑k分别表示第k运行数据矩阵Xk的一阶统计量和二阶统计量，Ωk表示第k运行数据矩阵Xk的高阶统计量。根据本专利技术的一个实施例，根据如下表达式计算检测指数Dk：Dk＝||(Sk-S0)ζ-1||p其中，S0表示正常工况下统计特性的样本均值，ζ表示统计量样本标准差构成的对角阵，p表示范数类型。从上述描述中可以看出，本专利技术所提供的过程异常状态检测方法采用了递推变元分析的方式来确定过程的异常状态。由于递推变元统计分析算法对过程数据的微小变化十分敏感，因此本实施例所提供的方法可以有效检测出微小故障，从而实现对高炉异常炉况的检测。首先，与基于专家系统的高炉异常检测方法相比，本专利技术所提出的过程异常状态检测方法不需要历史故障信息，并且避免了冗杂的规则训练过程。因此本发明也就更易于实现且更为高效。其次，与传统的多元统计过程监控方法相比，本专利技术提出的方法利用了样本之间的信息，采用滑动时间窗口并在窗口内分析数据的统计特性，在一定程度上避免了单点监控的多元统计方法对微小故障检测的漏报问题。最后，在算法复杂度方面，与传统的基于QR分解的特征值分解方法比，本专利技术所采用的递推变元统计分析方法利用两次秩1变换进行特征值和特征向量的迭代计算，降低了算法的复杂度，提高了算法的效率。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其它优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术实施例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的附图做简单的介绍：图1是根据本专利技术一个实施例的确定控制限的流程图；图2是根据本专利技术一个实施例的在线检测的流程图；图3是根据本专利技术一个实施例的利用现有基于SPE曲线进行检测的PCA方法进行炉况检测的过程监控图；图4是根据本专利技术一个实施例的利用现有基于T2曲线进行检测的PCA方法进行炉况检测的过程监控图；图5是根据本专利技术一个实施例的利用基于本方法的过程异常检测方法进行炉况检测的过程监控图。具体实施方式以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本专利技术中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本专利技术的保护范围之内。同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本专利技术实施例的彻底理解。然而，对本文档来自技高网...

【技术保护点】
一种工业过程故障检测方法，其特征在于，所述方法包括：获取待检测工业过程的运行数据，并利用预设滑动时间窗口对所述运行数据进行处理，得到不同窗口下的运行数据矩阵；计算第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，根据所述第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，采用迭代的方式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量；根据各个运行数据矩阵的协方差矩阵的特征值和特征向量，计算各个运行数据矩阵的检测指数，并将各个所述检测指数分别与预设检测指数阈值进行比较，根据比较结果判断所述待检测工业过程是否出现故障。

【技术特征摘要】
1.一种工业过程故障检测方法，其特征在于，所述方法包括：
获取待检测工业过程的运行数据，并利用预设滑动时间窗口对所述运行数据
进行处理，得到不同窗口下的运行数据矩阵；
计算第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，根据所
述第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1，采用迭代的方
式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量；
根据各个运行数据矩阵的协方差矩阵的特征值和特征向量，计算各个运行数
据矩阵的检测指数，并将各个所述检测指数分别与预设检测指数阈值进行比较，
根据比较结果判断所述待检测工业过程是否出现故障。
2.如权利要求1所述的方法，其特征在于，计算第1运行数据矩阵X1的协
方差矩阵的特征值Λ1和特征向量P1的步骤包括：
对所述第1运行数据矩阵X1进行标准化处理，并计算标准化处理后的第1
运行数据矩阵的协方差矩阵，得到第1协方差矩阵；
对所述第1协方差矩阵进行分解，得到所述第1协方差矩阵的特征值Λ1和
特征向量P1。
3.如权利要求2所述的方法，其特征在于，根据如下表达式计算所述第1
协方差矩阵：
C1=1wX‾1TX‾1]]>其中，C1表示第1协方差矩阵，w表示预设滑动时间窗口的长度，表示
第1运行数据矩阵的标准化矩阵。
4.如权利要求2或3所述的方法，其特征在于，根据如下表达式计算所述
第1运行数据矩阵X1的协方差矩阵的特征值Λ1和特征向量P1：
C1＝P1Λ1P1T其中，C1表示第1协方差矩阵。
5.如权利要求1～4中任一项所述的方法，其特征在于，采用迭代的方式确

\t定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量的步骤包括：
对第k运行数据矩阵Xk的协方差矩阵进行两次秩1变换，分别得到所述第k
运行数据矩阵Xk的协方差矩阵经过第一次秩1变换后的特征值和特征向量

【专利技术属性】
技术研发人员：周东华，陈茂银，尚骏，叶昊，张海峰，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11