基于分层式非高斯监测算法的工业生产过程故障监测方法技术

本发明专利技术公开了一种基于分层式非高斯监测算法的工业生产过程故障监测方法。采集训练数据和待检测数据，计算每两个输入变量间的交互熵，根据交互熵将所有输入变量进行划分为各个子块，利用双层非高斯监控算法在每个子块内建立非高斯监测模型将每个子块中非高斯部分的数据提取出来，计算出非高斯部分数据的控制限和统计量；在每个子块内，对剩余的高斯部分的数据计算得到高斯部分的控制限和统计量；利用控制限和统计量进行故障检测。本发明专利技术在非高斯过程故障检测中优于其他传统方法，既可以充分考虑变量间的高度复杂的耦合关系，又可以将未知分布特性的数据中的非高斯部分提取出来，使化工过程的故障监测更加高效与准确。

【技术实现步骤摘要】
基于分层式非高斯监测算法的工业生产过程故障监测方法
本专利技术属于工业过程系统工程领域，涉及一种应用于化工生产等工业过程的故障监测方法。
技术介绍
现代工业过程具有规模大、层次多、结构复杂、安全性要求高等特点，因此，过程监测技术在现代工业中发挥着举足轻重的作用，而工业生产的过程会产生大量数据，这些过程数据通常具有不同的过程特性，且分布特性不明，有些数据还具有维度高的特性，导致了传统的全局的故障监测已经不能够适用于复杂的工业生产过程，为了获得复杂过程变量之间的关系并且通过故障监测反映过程的局部行为，前人提出了一系列分层和多块统计方法并进行了充分的发展和研究，如分块PLS故障监测。但是这些方法仍存在一些问题，子块的划分是多块监测的一个初始和核心步骤，前人提出的方法往往是假设已知一些过程知识的前提下划分子块的。然而，在实际工厂生产过程中，由于系统庞大，变量关系复杂，用于划分子块的信息通常很难获得，过程知识并不总是适用的。在这样的复杂情况下，划分子块的步骤应该是自动且准确地完成，所以完全数据驱动的方法是很有研究价值的。同时，如何将分块结果更直观的表示出来，更好的识别出划分的子块，并得出每一个子块中包含的变量，也是值得研究的。同时PLS虽然可以较好的解决样本个数少于变量个数的问题，可以通过使用较少的主元用来解释较多的与质量相关的变化。虽然PLS对具有高斯分布的变量是适用的，但是复杂的工业过程产生的数据往往是分布特性不明确的，且大多数是高斯分布和非高斯分布混合的数据，变量和变量间也具有高强度的耦合关系。因此如何将过程数据进行处理，使具有不同分布特性的数据应用不同的模型进行故障监测成为了重要的问题。
技术实现思路
为了克服在故障监测过程中，过程变量众多，需要将变量划分成多个子块便于局部故障监测的问题，同时要克服过程数据分布不明确，需要将过程数据进行分层处理，并进行故障监测的问题，本专利技术的目的是提出一种基于分层式非高斯监测算法的工业生产过程故障监测方法，利用工业生产中传感器所采集的数据进行实时分析处理获得实时故障状态的检测和监测，解决了现有技术中无法对工业生产中故障状态实时检测监测的技术问题。本专利技术的所有数据处理过程均可以在计算机中完成，通过计算机程序实现，可以更好地处理复杂的大量的高度耦合分布不明确且为非线性关系的变量，保证工艺流程的安全性和高效性。本专利技术的目的是通过以下技术方案来实现的：首先，利用交互熵自动将变量划分为多个子块，并利用分层聚类使分块结果可视化。其次，在每个子块中引入双层非高斯监控(DLNGM)，使用非高斯监控算法提取过程中的非高斯信息，并进行故障监测。最后，通过偏最小二乘法对高斯部分进行故障监测。方法具体包括以下步骤：i)在工业生产过程已知没有故障情况下，通过传感器采集工业生产过程的输入变量x和输出变量y的数据作为训练数据；在工业生产过程需要检测故障情况下，通过传感器在线采集得到工业生产过程的输入变量x和输出变量y的数据作为待检测数据；输入变量x为由传感器采集获得的各个不同输入值构成的列矩阵，输出变量y为由传感器采集获得的各个不同输出值构成的列矩阵；所述的工业生产过程一般例如为化工厂的脱丁烷塔的运行过程。所述的传感器为工业生产过程中安装在生产工序中的各种传感器。所述的输入变量x为工业生产过程中的测量变量和控制变量。所述的输出变量y为工业生产过程中的质量变量。所述的工业生产采集到的数据指的是安装在工业生产过程中各种需要被监测的设备熵的传感器采集到的输入输出值，并把它们作为输入变量和输出变量，其中传感器包括安装在分离器，汽提器和反应器的温度传感器，安装在进料口，反应器，冷凝器，汽提器塔底和分离器塔底的速度传感器，安装在反应器和和分离器的压力传感器等。ii)计算每两个输入变量间的交互熵，根据交互熵将所有输入变量进行划分为各个子块，然后通过可视化层次聚类将各个子块用树状图表示；iii)利用双层非高斯监控算法在每个子块内建立非高斯监测模型将每个子块中非高斯部分的数据提取出来，利用核密度函数计算出非高斯部分数据的控制限和统计量；iv)利用偏最小二乘法在每个子块内，对剩余的高斯部分的数据通过特征向量奇异值分解方法建立PLS监测模型，计算得到高斯部分数据的控制限和统计量；v)利用步骤iii)和iv)中的非高斯部分数据的控制限和统计量以及高斯部分数据的控制限和统计量进行故障检测。所述的步骤ii)中，通过交互熵和层次聚类结合处理将子块结果可视化，具体步骤为：a)将工业生产过程的所有输入变量x构成输入变量数据集X，X∈Rn×m，对输入变量数据集X中的各个输入变量x进行标准化处理，其中n为输入变量x的个数，m为单个输入变量x中输入值的个数；b)计算输入变量数据集X中每两个输入变量间的交互熵h(xi,xj)，i＝1,2,...,n；j＝1,2,...,n，来测量每一对输入变量之间的相关性，每个输入变量均作为一个叶节点，其中，xi和xj为输入变量数据集X中两个不同的输入变量x；并将每个输入变量之间的差异DIS定为：c)将得到的所有差异DIS经过层次聚类得到相似化矩阵，然后通过matlab软件中的dendrogram模块进行处理得到层次聚类分块结果的树状图，其中以输入变量作为节点，在树状图的水平中间建立一条分界线，分界线以下的每一个树状分支构成一个子块，树状分支的数量作为子块的数量，每一个树状分支下的所有子节点对应的输入变量作为子块包含的输入变量；层次聚类通过某种相似性测度计算每个对象之间的相似性，并按相似度由高到低排序，逐步重新连接每个对象。d)针对训练数据上述各个步骤进行划分，得到训练数据的树状图及其划分得到的子块；针对待检测数据按照训练数据树状图的子块划分方式进行相同划分，得到待检测数据的各个子块。训练数据和待检测数据划分的子块数量相同。所述的步骤iii)，具体步骤为：a)将每个子块内的训练数据和待检测数据进行标准化处理得到标准化处理后的训练数据和待检测数据，然后建立以下分层式非高斯监测模型；b)将训练数据利用典型相关分析方法得到一组输入变量x的初始权向量和输出变量y的初始权向量r10；c)将输入变量x的初始权向量和输出变量y的初始权向量r10通过以下公式表示的非高斯监控算法迭代计算得到每个输入变量和输出变量的权向量wi,ri：其中，wi,ri分别表示第i个输入变量x的权向量w和第i个输出变量y的权向量r，i表示输入变量x/输出变量y的序数，表示权向量函数，wi表示第i个输入变量x的权向量，ri表示第i个输出变量y的权向量；ν表示和riTd有相同方差的具有高斯分部的随机变量，H(ν)是ν的熵，是的熵，H(riTd)是riTd的熵，是和riTd的联合熵，α、β、γ表示非高斯监控第一参数、第二参数和第三参数，α≤1，β≤1，γ≥0，α+β+γ＝1；η是更新参数，表示微分算子符号，表示对函数在各个正交方向上求导数以后再分别乘上各个方向上的单位向量；竖线表示竖线后面的值带入到前面的数学表达符号；对第k次迭代后获得的第i个输入变量x的权向量和第i个输出变量y的权向量rik进行标准化和正交化依次处理，每次迭代后检查直到满足ε表示对数基数，是个无穷小量；d)由每次迭代获得的各个权向量组成第i个输入变量x的非高斯权矩阵WNG＝[w本文档来自技高网...

【技术保护点】
1.一种基于分层式非高斯监测算法的工业生产过程故障监测方法，其特征在于，包括以下步骤：i)在工业生产过程已知没有故障情况下，通过传感器采集工业生产过程的输入变量x和输出变量y的数据作为训练数据；在工业生产过程需要检测故障情况下，通过传感器在线采集得到工业生产过程的输入变量x和输出变量y的数据作为待检测数据；ii)计算每两个输入变量间的交互熵，根据交互熵将所有输入变量进行划分为各个子块，然后通过可视化层次聚类将各个子块用树状图表示；iii)利用双层非高斯监控算法在每个子块内建立非高斯监测模型将每个子块中非高斯部分的数据提取出来，计算出非高斯部分数据的控制限和统计量；iv)利用偏最小二乘法在每个子块内，对剩余的高斯部分的数据通过特征向量奇异值分解方法建立PLS监测模型，计算得到高斯部分数据的控制限和统计量；v)利用步骤iii)和iv)中的非高斯部分数据的控制限和统计量以及高斯部分数据的控制限和统计量进行故障检测。

【技术特征摘要】
1.一种基于分层式非高斯监测算法的工业生产过程故障监测方法，其特征在于，包括以下步骤：i)在工业生产过程已知没有故障情况下，通过传感器采集工业生产过程的输入变量x和输出变量y的数据作为训练数据；在工业生产过程需要检测故障情况下，通过传感器在线采集得到工业生产过程的输入变量x和输出变量y的数据作为待检测数据；ii)计算每两个输入变量间的交互熵，根据交互熵将所有输入变量进行划分为各个子块，然后通过可视化层次聚类将各个子块用树状图表示；iii)利用双层非高斯监控算法在每个子块内建立非高斯监测模型将每个子块中非高斯部分的数据提取出来，计算出非高斯部分数据的控制限和统计量；iv)利用偏最小二乘法在每个子块内，对剩余的高斯部分的数据通过特征向量奇异值分解方法建立PLS监测模型，计算得到高斯部分数据的控制限和统计量；v)利用步骤iii)和iv)中的非高斯部分数据的控制限和统计量以及高斯部分数据的控制限和统计量进行故障检测。2.根据权利要求1所述的一种基于分层式非高斯监测算法的工业生产过程故障监测方法，其特征在于：所述的步骤ii)中，具体步骤为：a)将工业生产过程的所有输入变量x构成输入变量数据集X，X∈Rn×m，对输入变量数据集X中的各个输入变量x进行标准化处理，其中n为输入变量x的个数，m为单个输入变量x中输入值的个数；b)计算输入变量数据集X中每两个输入变量间的交互熵h(xi,xj)，i＝1,2,...,n；j＝1,2,...,n，来测量每一对输入变量之间的相关性，每个输入变量均作为一个叶节点，其中，xi和xj为输入变量数据集X中两个不同的输入变量x；并将每个输入变量之间的差异DIS定为：c)将得到的所有差异DIS经过层次聚类得到相似化矩阵，然后通过matlab软件中的dendrogram模块进行处理得到层次聚类分块结果的树状图，其中以输入变量作为节点，在树状图的水平中间建立一条分界线，分界线以下的每一个树状分支构成一个子块，树状分支的数量作为子块的数量，每一个树状分支下的所有子节点对应的输入变量作为子块包含的输入变量；d)针对训练数据上述各个步骤进行划分，得到训练数据的树状图及其划分得到的子块；针对待检测数据按照训练数据树状图的子块划分方式进行相同划分，得到待检测数据的各个子块。3.根据权利要求1所述的一种基于分层式非高斯监测算法的故障检测方法，其特征在于：所述的步骤iii)，具体步骤为：a)将每个子块内的训练数据和待检测数据进行标准化处理得到标准化处理后的训练数据和待检测数据，然后建立以下分层式非高斯监测模型；b)将训练数据利用典型相关分析方法得到一组输入变量x的初始权向量和输出变量y的初始权向量c)将输入变量x的初始权向量和输出变量y的初始权向量通过以下公式表示的非高斯监控算法迭代计算得到每个输入变量和输出变量的权向量wi,ri：其中，wi,ri分别表示第i个输入变量x的权向量w和第i个输出变量y的权向量r，i表示输入变量x/输出变量y的序数，表示权向量函数，wi表示第i个输入变量x的权向量，ri表示第i个输出变量y的权向量；ν表示和riTd有相同方差的具有高斯分部的随机变量，H(ν)是ν的熵，是的熵，H(riTd)是riTd的熵，是和riTd的联合熵，α、β、γ表示非高斯监控第一参数、第二参数和第...

【专利技术属性】
技术研发人员：韩丽黎，何雨辰，曾九孙，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33