一种基于PLS分析的流程工业故障检测与预测的方法技术

本发明专利技术提供一种基于PLS分析的流程工业故障检测与预测的方法，涉及故障检测与预测技术技术领域。该基于PLS分析的流程工业故障检测与预测的方法，包括有如下步骤：S1、PLS主元个数的确定。S2、PLS多变量统计过程检测图。S3、基于PLS过程分析步骤。该基于PLS分析的流程工业故障检测与预测的方法，PLS方法利用正交投影将多元回归问题转换为一元回归问题，有效的解决了共线性问题，并且该方法通过将高维数据映射成低维数据，获得测量变量相互正交的特征向量，然后建立向量间的线性回归关系来表征过程，可以提高模型的精度，还可以从建立的模型中提取自变量对因变量的非线性作用特征，大大提高了分析的精度。提高了分析的精度。提高了分析的精度。

【技术实现步骤摘要】
一种基于PLS分析的流程工业故障检测与预测的方法


[0001]本专利技术涉及故障检测与预测
，特别的为一种基于PLS分析的流程工业故障检测与预测的方法。

技术介绍

[0002]复杂工业过程结果过于庞大，而随着复杂工业的工艺的发展，与其对应的数据分析方法相对还是比较落后，导致出现了两个方面的情况，一方面随着先进传感器及其工业测量技术的迅速发展，在不断的工业生产过程中积累下了大量的数据，而这些数据不可避免的包含未被发掘出来的游泳信息，呈现工业大数据现象；另一方面，复杂工业生产过程具有比较复杂的繁余机理，运行时产生的数据在采集过程中各种噪声、误差、数据缺失等情况惨杂其中，从而导致获取的数据杂乱，甚至数据错误，难以寻找能够有效表达捅进规律的合理模型。

技术实现思路

[0003]本专利技术提供的专利技术目的在于提供一种基于PLS分析的流程工业故障检测与预测的方法，基于数据驱动的多元模型分析，可以使用历史数据对相应的在线过程进行实时监控、故障检测和诊断以及产品质量的预测，有利于对流程行业的生产过程进行效果评估、安全生产、故障问题诊断和分析、工艺流程优化。
[0004]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于PLS分析的流程工业故障检测与预测的方法，包括有如下步骤：
[0005]S1、PLS主元个数的确定，选用前几个主元代表整个模型，采用交叉验证法来确定主元个数，每次留一个样本作为测试样本，其余全部样本循环一次，
[0006]对于每个因变量，定义：
[0007][0008]对于全部因变量Y，成分的交叉有效性定义为：
[0009][0010]S2、PLS多变量统计过程检测图
[0011]S201、故障发生时，一个或多个测量变量将会被影响，从而影响这些变量之间的关系。
[0012]S202、模型将监测变量分解成与质量变量相关和无关两个子空间，T2用来监测发生在与质量变量相关的子空间的故障，SPE统计量用来监测发生在与质量变量不相关的子空间的故障。
[0013]S203、若T2与SPE均在计算的控制限位内，说明结果正常运行，若T2超过了控制限位，则发生了与参数矩阵相关的故障，若SPE超过了控制限位，则发生了与参数矩阵无关的故障。
[0014]设定采样批次数为I，对于采用时刻k，得到得分矩阵：
[0015]T
R,K
＝[t
I1,K
,t
I2,K
,...,t
IR,K
]。
[0016]其协方差矩阵为：
[0017][0018]S3、基于PLS过程分析步骤，采用正常工况下的批次数据建立模型数据库，计算T2和SPE统计量的控制限位，然后进行离线模型构建流程和在线模型构建流程。
[0019]进一步的，将根据S1中的操作步骤，当Q
2h
≥(1-0.95)2＝0.00975时，成分的边际贡献是显著的，对于k＝1,2,3,...q，至少有一个k，使得Q
hk
≥0.00975，增加成分，至少可以使一个因变量y
k
的预测模型得到显著改善。
[0020]进一步的，将根据S203中的操作步骤，包括以下步骤：
[0021]S2031、通过T2统计量与SPE统计量判断系统的异常情况。
[0022]S2032、让每个过程变量对SPE统计量和T2统计量的得分计算，从而构建得分矩阵，绘制成直方图，根据直方图的数值和趋势即可判断系统的故障源。
[0023]进一步的，将根据S2031中的操作步骤：T2统计量是得分向量的标准平方和，表示每个采样数据在变化趋势和幅值上偏离模型的程度，对于第k个采样时刻，T2统计量表示为：
[0024][0025]T2统计量服从F分布，所以通过设定的控制限位得到：
[0026]±
S(r,r)F(R,I-R)r＝1,2,...,R。
[0027]其中S(r,r)为S
K
的对角线元素。
[0028]SPE统计量在k时刻的值是个标量，表示此刻测量值xk对所建统计模型的偏离程度，是模型外部数据变化的一种测度，对第k个采样时刻来说，其值由如此计算：
[0029]SPE
K
＝e
nem,k
e
Tnew,k
。
[0030]e
new,k
＝x
new,k
(I-PP
T
)；
[0031]其中，x
new,k
(k＝1,2,...,k)新批次时刻k的测量数据。
[0032]进一步的，将根据S8中的操作步骤，便于将程序刷写进汽车的电脑内部。
[0033]进一步的，将根据S2032中的操作步骤：SPE得分图各个变量对SPE统计量的贡献为：
[0034]C
SPE,ijk
＝e
2ijk
gX
2h
。
[0035]表示为：对于第k个时刻，第i个批量的变量j对SPE的贡献
[0036]T2得分图各个变量对T2统计量的贡献为：
[0037][0038]表示为：对于第k时刻，第i个批量的变量j对T2的贡献。
[0039]进一步的，将根据S3中的操作步骤，离线模型构建流程：
[0040]1)、将建模所需的数据进行预处理，得到相应的过程变量X和质量变量Y。
[0041]2)、建立PLS模型，计算T、P、W、U、Q。
[0042]3)、根据模型解计算回归系数。
[0043]4)、计算相应的协方差矩阵、残差矩阵。
[0044]5)、计算T2、SPE统计量并确定其控制限。
[0045]进一步的，将根据S3中的操作步骤，在线模型构建流程：
[0046]1)、获得新批次数据，并对变量数据x
new,k
(I*J)采用离线模块k时刻的均值和彼岸准差进行标准化。
[0047]2)、根据所建模型，利用训练数据的均值和方差对x
new,k
计算k时刻得分向量。
[0048]3)、计算x
new,k
和残差e
new,k
。
[0049]4)、计算k时刻的T2、SPE统计量。
[0050]5)、检查T2、SPE统计量是否超出各自的控制限位，若超出说明有故障，并根据得分图确定故障源。
[0051]6)、重复1)-5)步骤，直到新批次的工艺过程结束。
[0052]本专利技术提供了一种基于PLS分析的流程工业故障检测与预测的方法。具备以下有益效果：
[0053]PLS方法利用正交投影将多元回归问题转换为一元回归问题，有效的解决了共线性问题，并且该方法通过将高维数据映射成低维数据，获得测量变量相互正交的特征向量，然后建立向量间的线性回归关系来表征过程，不仅可以提高模型的精度，还可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PLS分析的流程工业故障检测与预测的方法，其特征在于，包括有如下步骤：S1、PLS主元个数的确定，选用前几个主元代表整个模型，采用交叉验证法来确定主元个数，每次留一个样本作为测试样本，其余全部样本循环一次，对于每个因变量y
k
，定义：对于全部因变量Y，成分t
h
的交叉有效性定义为：S2、PLS多变量统计过程检测图S201、故障发生时，一个或多个测量变量将会被影响，从而影响这些变量之间的关系；S202、模型将监测变量分解成与质量变量相关和无关两个子空间，T2用来监测发生在与质量变量相关的子空间的故障，SPE统计量用来监测发生在与质量变量不相关的子空间的故障；S203、若T2与SPE均在计算的控制限位内，说明结果正常运行，若T2超过了控制限位，则发生了与参数矩阵相关的故障，若SPE超过了控制限位，则发生了与参数矩阵无关的故障；设定采样批次数为I，对于采用时刻k，得到得分矩阵：T
R,K
＝[t
I1,K
,t
I2,K
,...,t
IR,K
]；其协方差矩阵为：S3、基于PLS过程分析步骤，采用正常工况下的批次数据建立模型数据库，计算T2和SPE统计量的控制限位，然后进行离线模型构建流程和在线模型构建流程。2.根据权利要求1所述的一种基于PLS分析的流程工业故障检测与预测的方法，其特征在于，包括以下步骤：将根据S1中的操作步骤，当Q
2h
≥(1-0.95)2＝0.00975时，成分的边际贡献是显著的，对于k＝1,2,3,...q，至少有一个k，使得Q
hk
≥0.00975，增加成分，至少可以使一个因变量y
k
的预测模型得到显著改善。3.根据权利要求1所述的一种基于PLS分析的流程工业故障检测与预测的方法，其特征在于，将根据S203中的操作步骤，包括以下步骤：S2031、通过T2统计量与SPE统计量判断系统的异常情况；S2032、让每个过程变量对SPE统计量和T2统计量的得分计算，从而构建得分矩阵，绘制成直方图，根据直方图的数值和趋势即可判断系统的故障源。4.根据权利要求3所述的一种基于PLS分析的流程工业故障检测与预测的方法，其特征在于，包括以下步骤：将根据S2031中的操作步骤：T2统计量是得分向量的标准平方和，表示每个采样数据在变化趋势和幅值上偏离模型的程度，...

【专利技术属性】
技术研发人员：赵宏哲，
申请(专利权)人：麦哲伦科技有限公司，
类型：发明
国别省市：