The invention discloses an on-line adaptive condition monitoring and fault diagnosis method for process industrial processes, which belongs to the technical field of fault monitoring and diagnosis for complex industrial processes. Firstly, based on the historical observation data under normal working conditions, the method establishes the industrial process fault monitoring model based on sparse principal component analysis by introducing the elastic regression network combined with Lasso and Ridge constraints, and obtains the process control limit of the industrial process fault monitoring statistics. In the on-line monitoring of industrial process faults, the rank 1 matrix correction algorithm is used to decompose the model. The covariance matrix of on-line monitoring data and the load matrix of the sparse monitoring model are updated recursively to obtain the process control limits of the process fault monitoring statistics corresponding to the working conditions, so as to realize the adaptive detection of process industrial process faults. Finally, the contribution graph method is used to detect the detected faults, and the specific causes of the faults are obtained. The invention can self-adaptively monitor the faults of complex and changeable process industrial process for a long time, and has the advantages of low computational complexity, high accuracy and low missing rate.
【技术实现步骤摘要】
一种流程工业过程在线自适应故障监测与诊断方法
本专利技术涉及工业过程自动化监控领域,具体涉及流程工业过程的故障监测与诊断方法和技术。
技术介绍
流程工业也称过程工业,是指通过物理变化和化学变化进行的生产过程。流程工业主要包括石油、化工、钢铁、有色、建材等基础原材料行业,是国民经济的支柱和基础产业,也是我国经济持续增长的重要支撑力量。过程安全、产品质量以及节能减排增效是现代流程工业的核心目标,良好的工业过程运行工况状态是稳定生产指标、保障产品质量、实现工业过程稳定优化运行的关键。对流程工业生产过程的运行状态进行实时监控,特别是及时发现工业生产中可能出现故障状态及对工业故障发生原因进行诊断,以便及时制定或调整过程操作策略,保证工业生产始终运行于最佳工况状态,这对稳定生产流程、保证产品质量、降低生产中的资源、能源消耗、实现安全生产,均具有非常重要的现实意义。现代工厂大都具备传感器测量装置,这些传感器是保障工业生产的重要元件,可以获得工业生产中重要的生产数据。常规基于过程测量变量(如温度,压力,液位,流量,成分等)的参数控制方法是将一个或多个过程参数以单因素方式分别控制在一定范围内,从而达到期望的产品品质或者生产装置的运行指标。但是工业实践中,即便将所有的过程参数都控制在各自的期望范围内,产品最终品质的一致性有时不能保证,甚至还不一定满足生产要求。数据驱动的工业过程故障诊断方法通过对工业过程数据进行采集并加以分析,基于历史数据进行生产过程建模,基于所建立的模型进行工业过程故障检测与诊断。多元统计分析方法是数据驱动故障监测与诊断的重要方法,通过提取过程数据统计特征, ...
【技术保护点】
1.一种流程工业过程在线自适应故障监测与诊断方法,其特征在于包含以下步骤:S1:收集正常工况状态下的历史数据,构造工业过程故障监测模型训练集,计算训练样本集均值和标准差,并对训练集进行标准化处理;其具体步骤为:S11:计算并保存训练样本集的均值向量,通过减去样本均值对训练样本集进行中心化处理;S12:计算并保存训练样本集各数据变量的标准差,通过除以对应的标准差对训练样本集进行无量纲化处理;S2:从处理后的训练集样本数据中提取主成分;其具体步骤为:S21:计算标准化处理后的工业过程故障监测模型训练集的协方差矩阵,通过SVD分解获得协方差矩阵的特征值和特征向量,并对特征值和对应的特征向量按特征值大小从大到小排序;S22:设定累积贡献率阈值(一般设为90%到98%之间的实数),根据特征值的累积贡献率确定主成分的个数和对应的特征值;S23:将所选特征值对应的特征向量组成主成分空间的载荷向量,确定初始训练集的主成分;S3:采用Lasso和Ridge约束相结合的弹性回归网,稀疏化训练集样本数据主成分,建立初始的工业过程故障监测稀疏主成分分析模型;S4:基于所建立的过程故障监测模型,确定过程故障监测 ...
【技术特征摘要】
1.一种流程工业过程在线自适应故障监测与诊断方法,其特征在于包含以下步骤:S1:收集正常工况状态下的历史数据,构造工业过程故障监测模型训练集,计算训练样本集均值和标准差,并对训练集进行标准化处理;其具体步骤为:S11:计算并保存训练样本集的均值向量,通过减去样本均值对训练样本集进行中心化处理;S12:计算并保存训练样本集各数据变量的标准差,通过除以对应的标准差对训练样本集进行无量纲化处理;S2:从处理后的训练集样本数据中提取主成分;其具体步骤为:S21:计算标准化处理后的工业过程故障监测模型训练集的协方差矩阵,通过SVD分解获得协方差矩阵的特征值和特征向量,并对特征值和对应的特征向量按特征值大小从大到小排序;S22:设定累积贡献率阈值(一般设为90%到98%之间的实数),根据特征值的累积贡献率确定主成分的个数和对应的特征值;S23:将所选特征值对应的特征向量组成主成分空间的载荷向量,确定初始训练集的主成分;S3:采用Lasso和Ridge约束相结合的弹性回归网,稀疏化训练集样本数据主成分,建立初始的工业过程故障监测稀疏主成分分析模型;S4:基于所建立的过程故障监测模型,确定过程故障监测统计量T2和SPE的过程控制限;S5:在线采集工业过程数据,计算在线监测样本的故障监测统计量T2和SPE;如T2或SPE超出过程故障监测统计量过程控制限,则表明当前为故障状态,转步骤S6进行故障溯因,否则,表明当前生产为正常工况状态,转步骤S5对工业过程故障监测稀疏主成分分析模型进行递归更新;其具体步骤为:S51:采用S1步骤中获得的训练样本集均值和方差,对工业过程实时监测数据样本矩阵进行标准化处理;S52:计算每条样本的T2和SPE统计量值;S53:判断T2和SPE统计量的值是否超过阈值,若超过阈值,判断为故障数据,否则为正常数据;S6:用判断为正常的工业过程在线监测数据样本更新训练集,递归更新工业...
【专利技术属性】
技术研发人员:刘金平,王杰,刘先锋,徐鹏飞,何捷舟,
申请(专利权)人:湖南师范大学,
类型:发明
国别省市:湖南,43
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。