自适应核主元分析的化工过程故障诊断方法技术

本发明专利技术公开了一种自适应核主元分析的化工过程故障诊断方法，首先选择合适的核函数，然后求出核矩阵以及相应的协方差矩阵，对协方差矩阵进行分解求得特征值，根据特征值是否有零的情况设置不同的阈值，超出阈值的特征值被选择作为核主元模型，比较计算的统计量和控制限从而对故障的发生进行判断。另外，本发明专利技术提供的技术方案在基于阈值的核主元分析方法基础上加入适合长度的滑动窗口，使用阈值法自适应提取核主元模型，针对性处理每个滑动窗口之中的数据，诊断故障发生的原因，从而实现自适应针对性处理化工过程故障诊断。

【技术实现步骤摘要】
自适应核主元分析的化工过程故障诊断方法
本专利技术涉及化工生产故障诊断的
，尤其涉及一种自适应核主元分析的化工过程故障诊断方法。
技术介绍
化工过程是工业社会的重要过程设施之一，在经济发展和社会生产需要中占据着重要的地位。随着现代化科技水平的提高，化工过程也变得愈来愈复杂。系统过程之中的一系列问题意想不到的也随之而来，过程监测的难度也因为化工流程复杂度高等相关问题因素影响有所提高。保证化工过程的正常运行是取得良好经济效益的关键，故障检测与诊断方法的完善有效显得尤为重要。近年来，由于化工过程发生故障诊断不及时造成严重后果的事件时有发生，2015年常州化工厂爆炸，2017年贵州天然气输气管道燃爆以及松原燃气管道爆炸等其它过程故障事故，都造成了严重伤亡和重大的经济损失。基于数据驱动的故障诊断方法一直是化工过程研究领域的重要课题。基于数据驱动的故障诊断方法对过程运行数据进行分析处理，在不知道系统精确解析模型的情况下完成化工过程的故障诊断。利用数据分析可以降低过程处理的复杂程度，减少精确解析模型的需要。按照现在的研究方向，可以大致的分为两类：1)通过收集正常和各种故障情况下的历史数据训练神经网络或者支持向量机等机器学习算法用于故障诊断；2)根据过程变量的历史数据，找出多个变量之间相关性的主元分析等多元统计方法对过程进行故障诊断。第一类是建立数据模型，对提取出来的故障特征进行分类，常用的方法有神经网络，把收集到的正常和各种故障情况下的数据对神经网络进行训练，将训练好的模型用于故障诊断。其次是利用支持向量机，液位、流量和压力等数据判断该化工过程是否存在故障。但是利用数据模型进行故障诊断需要大量对象的历史数据才能达到好的诊断效果，因此难以用于无法获得大量故障数据的化工过程。第二类是建立机理模型，利用构建的过程多个变量之间相关性的诊断状态。这种方法能在没有大量故障数据的情况下进行故障诊断，需要用到的方法有主元分析、最小二乘法等。但是现有的方法在处理非线性数据以及实时诊断上具有一定的难度，不能根据数据实时建立模型，诊断精度有一定的限制，耗费大量的人力物力。
技术实现思路
为解决现有技术存在的局限和缺陷，本专利技术提供一种自适应核主元分析的化工过程故障诊断方法，包括：获得非线性映射和特征空间的数据信息；对所述数据信息进行归一化处理，计算公式如下：其中，L、i和D分别为数据长度、数据位置和非线性映射函数；获得协方差矩阵，计算公式如下：其中，观测数据为Xi∈RL，原始数据为X＝[x1，x2，...，xL]；获得所述协方差矩阵对应的特征值和特征向量，计算公式如下：λV＝CV(3)λ<D(xk)，V>＝λ<D(tk)，CV>，k＝1，2，...，L(5)其中，λ为特征值，V为特征向量，而且特征值和特征向量满足λ≥0，V∈F≠{0}，<.，.>为点积；获得特征向量，计算公式如下：其中，αi(i＝1，2，...，L)为相关性系数；分解在所述特征空间之中的协方差矩阵，计算公式如下：获取核函数k(xi，xj)和核矩阵K，计算公式如下：[K]ij＝Kij＝<D(xi)，D(xj)>(8)获得所述特征空间，计算公式如下：K(x，y)＝<F(x)，F(y)>(9)根据所述协方差矩阵获得如下公式：获得核矩阵计算公式如下：对所述协方差矩阵进行分解获得特征值；根据所述特征值是否有零的情况设置不同的阈值；选择大于阈值的特征值作为核主元分析模型；对获得的统计量和控制限进行比较，判断故障的发生以及获得故障发生的原因。可选的，所述根据所述特征值是否有零的情况设置不同的阈值的步骤包括：根据所述特征值有零和无零的情况分别设置阈值，计算公式如下：其中，λi为所述协方差矩阵分解对应的特征值，N1为新矩阵中的特征值个数，n为原始特征值矩阵中的特征值个数；根据滑动窗口和阈值获得数据矩阵，计算公式如下：其中，gk是数据矩阵的均值，是数据矩阵均值的导数，gk+1是第k+1时刻数据矩阵的均值，Δ表示差异；获得所述新矩阵，计算公式如下：其中，Gk代表第k时刻的协方差矩阵，Gk+1代表第k+1时刻的协方差矩阵，T代表转置，和分别代表不同时刻协方差矩阵的逆。可选的，所述对获得的统计量和控制限进行比较的步骤包括：获得统计量和控制限，计算公式如下：其中，可选的，还包括：形成滑动窗口；根据阈值法使得所述滑动窗口之中的数据自适应选择核主元分析模型；对每个滑动窗口之中的数据进行故障诊断。本专利技术具有下述有益效果：本专利技术提供一种自适应核主元分析的化工过程故障诊断方法，首先选择合适的核函数，然后求出核矩阵以及相应的协方差矩阵，对协方差矩阵进行分解求得特征值，根据特征值是否有零的情况设置不同的阈值，超出阈值的特征值被选择作为核主元模型，比较计算的统计量和控制限，从而对故障的发生进行判断。另外，本专利技术提供的技术方案在基于阈值的核主元分析方法基础上加入适合长度的滑动窗口，使用阈值法自适应提取核主元模型，针对性处理每个滑动窗口之中的数据，诊断故障发生的原因，从而实现自适应针对性处理化工过程故障诊断。附图说明图1为本专利技术实施例一提供的基于核主元分析的化工过程故障诊断流程图。图2为本专利技术实施例一提供的基于自适应核主元分析的化工过程故障诊断流程图。图3为本专利技术实施例一提供的TE过程模型示意图。图4a-图4c为本专利技术实施例一提供的不同方法统计量结果分析图。图5a-图5c为本专利技术实施例一提供的不同方法累积贡献率分析图。其中；FI：转子流量计；FC：流量调节阀；LC：液位调节阀；LI：转子液位计；SC：频率调节阀；PI：转子压力计；TI：转子温度计；TC：温度调节阀；XA、XC、XD、XE为气体成分；XB为惰性成分。具体实施方式为使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术提供的自适应核主元分析的化工过程故障诊断方法进行详细描述。实施例一本实施例根据核函数求出相应的核矩阵和协方差矩阵，求解协方差矩阵的特征值，根据特征值是否有零的情况设置不同的阈值，使用阈值法自适应选择核主元模型，加入适合长度的滑动窗口，从而实现自适应针对性处理化工过程故障诊断。本实施例提供一种自适应核主元分析的化工过程故障诊断方法，这个故障诊断方法根据核函数求出相应的核矩阵和协方差矩阵，求解协方差矩阵的特征值，根据特征值是否有零的情况设置不同的阈值，使用阈值法自适应选择核主元模型，加入适合长度的滑动窗口，从而实现自适应针对性处理化工过程故障诊断。图1为本专利技术实施例一提供的基于核主元分析的化工过程故障诊断流程图。图2为本专利技术实施例一提供的基于自适应核主元分析的化工过程故障诊断流程图。图3为本专利技术实施例一提供的TE过程模型示意图。如图1-3所示，本实施例首先获取非线性映射、高维特征空间在正常和故障情况的数据等信息，使用TE过程(美国田纳西伊斯曼化学品公司创建的一个实际的工业过程)构建仿真模型。本实施例接着对通过非线性映射到高维特征空间中的数据标准进行归一化处理，计算公式如下：其中，L、i和D分别为所用数据长度、数据所处位置和非线性映射函数，观测数据和原始数据分别被表示为Xi∈RL和X＝[x1，x2，...，xL]，协方差矩阵C求解如下：然后，本实施例求解协方差矩阵对本文档来自技高网...

【技术保护点】
1.一种自适应核主元分析的化工过程故障诊断方法，其特征在于，包括：获得非线性映射和特征空间的数据信息；对所述数据信息进行归一化处理，计算公式如下：

【技术特征摘要】
1.一种自适应核主元分析的化工过程故障诊断方法，其特征在于，包括：获得非线性映射和特征空间的数据信息；对所述数据信息进行归一化处理，计算公式如下：其中，L、i和D分别为数据长度、数据位置和非线性映射函数；获得协方差矩阵，计算公式如下：其中，观测数据为Xi∈RL，原始数据为X＝[x1，x2，...，xL]；获得所述协方差矩阵对应的特征值和特征向量，计算公式如下：λV＝CV(3)λ＜D(xk)，V＞＝λ＜D(xk)，CV＞，k＝1，2，…，L(5)其中，λ为特征值，V为特征向量，而且特征值和特征向量满足λ≥0，V∈F≠{0}，＜.，.＞为点积；获得特征向量，计算公式如下：其中，αi(i＝1，2，...，L)为相关性系数；分解在所述特征空间之中的协方差矩阵，计算公式如下：获取核函数k(xi，xj)和核矩阵K，计算公式如下：[K]ij＝Kij＝<D(xi)，D(xj)>(8)获得所述特征空间，计算公式如下：K(x，y)＝<F(x)，F(y)>(9)根据所述协方差矩阵获得如下公式：获得核矩阵计算公式如下：对所述协方差矩阵进行分解获得特征值；根据所述特征值是否有零的情况设置不同的阈值；选择大于阈值的特征值作为核...

【专利技术属性】
技术研发人员：韩永明，耿志强，刘粉粉，魏琴，欧阳智，
申请(专利权)人：贵州大学，北京化工大学，
类型：发明
国别省市：贵州,52