一种基于ν-gap metric的装置系统健康度在线监测方法制造方法及图纸

本发明专利技术公开了一种基于ν‑gap metric的装置系统健康度在线监测方法，包括以下步骤：传感器在线采集输入输出数据，采用即时学习辨识更新系统模型，将数据映射到算子空间；在算子空间度量在线更新模型与系统参考模型之间的距离，其中，度量方式选用ν‑gap metric；最终根据模型之间的距离是否超出设定阈值判断系统是否产生故障，阈值是根据离线辨识获得的参考模型的置信区间计算得出。该方法在线计算更新模型与参考模型的差异性，不同于其他数据度量方法，创新地提出了从模型层面度量系统动态特性的变化，有效地监测系统在所有运行阶段包括暂态过渡阶段和稳态运行阶段的健康度。本发明专利技术为装置系统的健康度动态监测提供了全新的思路，为其安全运行提供了有力保障。

【技术实现步骤摘要】
一种基于ν-gapmetric的装置系统健康度在线监测方法
本专利技术属于过程监测领域，具体涉及一种基于ν-gapmetric的装置系统健康度在线监测方法。
技术介绍
近年来，随着我国现代化工、冶金、机械、物流等工业的发展和相关技术的进步，装置系统的投资和规模日益增大，复杂度越来越高，系统之间也存在耦合。对于这样的复杂过程，安全性和可靠性起着至关重要的作用，因此健康度监测与故障预警技术应运而生。由于过程数据获取便利，基于数据的方法应用较多，主要可以分为机器学习类和多元统计分析方法。该两种方法分别针对提取的数据特征和参数特征对装置系统状态进行监测，已有成功应用。在基于多元统计分析方法的在线健康度监测研究方面，中国专利(申请号201811282478.2)提出了一种集成PCA-ICA的高炉过程监测及故障诊断方法，针对单一PCA或单一ICA的监测结果鲁棒性、准确性有限的情况，将二者的监测结果相融合来提高故障检测精度，提取的成分有利于后期故障溯源；中国专利(申请号202011031988.X)提出了基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法，使用密度峰值聚类对采集数据进行划分，对应不同工况，对各个工况用即时学习采集质量变量轨迹，最终用贝叶斯融合方法确定故障最终概率；BiaoHuang在论文“Real-TimeAssessmentandDiagnosisofProcessOperatingPerformance”中，对多工况系统稳定运行模态进行建模，获得了较好的监测效果；此外还有ChunhuiZhao在论文“StationaritytestandBayesianmonitoringstrategyforfaultdetectioninnonlinearmultimodeprocesses”中采用改进的判别局部保持投影和平稳性检验的非线性多模态过程监测策略分析不同工况的信息。这些为后续更完整的在线装置系统监测方法的提出奠定了基础。但上述示例仅对装置系统的稳态阶段进行健康度监测，在实际生产过程中，由于工况或设定点的变化，往往还会产生动态过渡阶段，即系统的运行是由暂态和稳态过程组成的，应对系统全周期的工作进行完整监测。另外，在数据和参数层面进行特征提取不能完全获得系统的动态信息，因此上述方法对暂态阶段的监测效果不佳。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于ν-gapmetric的装置系统健康度在线监测方法，本专利技术中所述对象是所有的工业装置系统，可对其全周期的运行状态进行完整监测。本专利技术具体采用的技术方案如下：一种基于ν-gapmetric的装置系统健康度在线监测方法，其包括如下步骤：S1：根据传感器实时采集的装置系统输入输出数据，在线更新系统模型，将数据映射到算子空间；S2：在算子空间计算在线更新的在线模型与离线辨识的参考模型之间的ν-gapmetric，表征两个模型动态特性的差异性；S3：根据所述系统参考模型的置信区间计算得出ν-gapmetric阈值，根据S2中得到的模型距离是否超出所述阈值判断装置系统是否产生故障，超出则表明装置系统产生故障，未超出则表明装置系统没有产生故障。作为优选，所述S1中，将传感器实时在线采集的装置系统运行时的过程数据作为在线模型的输入输出数据，采用即时学习方法在线更新所述在线模型，更新方法为：S11：计算每个在线获取的输入输出数据和历史正常数据库中所有数据之间的距离d，所述距离d包括两个数据之间的标准欧式距离d12和两个数据对应的调度变量之间的标准欧式距离两部分；将两部分距离的加和作为距离d的度量，从历史正常数据库中选取与在线的过程数据之间距离d最小的前p个数据，将这p个数据与在线获取的输入输出数据一起组成局部数据集；S12：采用加权最小二乘法根据所述局部数据集进行在线模型辨识，每个数据的权重为表示与在线数据距离越远，数据的可参考性越低；该模型辨识等价于特征提取，将在线数据映射到算子空间，数据对应的特征即为在线模型。进一步的，所述S11中，两个数据x1和x2之间的标准欧氏距离d12的计算公式如下：其中，均为n维向量，k表示维度；x1k、x2k分别为x1、x2的第k维；s表示数据的方差，sk表示数据的第k个维度的方差；两个数据对应的调度变量δ1,δ2之间的标准欧式距离的计算公式如下：其中，是m维向量，用来反应数据x1,x2所映射的模型的有效工作区域；k表示维度；δ1k、δ2k分别为δ1、δ2的第k维；ssv表示调度变量的方差，表示调度变量第k个维度的方差。进一步的，所述S2中，系统参考模型是根据装置系统正常运行历史正常数据离线辨识的，用于代表装置系统正常运行时的动态特性。进一步的，所述S2中，在线模型和参考模型之间的ν-gapmetric计算公式如下：其中，P1表示参考模型，P2表示在线模型；P1(jω),P2(jω)分别为P1，P2的频域传递函数，ω代表频率，sup表示上确界函数；两个模型在整个频域范围内ψ(P1(jω),P2(jω))的上确界即为两个模型的ν-gapmetric，用δν(P1,P2)表示。进一步的，所述ν-gapmetric计算公式在复平面内计算，可等价表示为P1(jω)和P2(jω)的奈奎斯特图映射在黎曼球面上点的最大弦距；用s1,s2表示复平面上的两点，该两点分别映射到黎曼球面上的点q1和q2，坐标分别为(x1,y1,z1)和(x2,y2,z2)，s1,s2的距离d(s1,s2)则表示如下：上式表示出了复平面计算与黎曼球上弦距计算的关系，由此得到两个线性系统模型动态特性的相似度，用ν-gapmetric表示，范围为0-1。进一步的，所述S3中，ν-gapmetric阈值根据离线辨识的系统参考模型的置信区间计算；若在线模型的奈奎斯特曲线在参考模型的奈奎斯特曲线的置信区间内，则表明装置系统处于正常工况下；若在线模型的奈奎斯特曲线超出参考模型的奈奎斯特曲线的置信区间，则给出故障预警。作为优选，所述装置系统为任意需要健康监测的工业装置系统。相对于现有技术而言，本专利技术的有益效果在于：1、本专利技术对装置系统的整个运行周期包括暂态过渡过程和稳态运行过程进行在线监测，能够提前对故障进行预警。2、本专利技术提取数据所对应的模型特征，采用ν-Gapmetric度量在线对模型的差异性进行计算，捕捉系统动态特性变化。3、本专利技术将特征提取由数据和参数层面提高到模型层面，为过程监测提供了一种新的思路。附图说明图1是本专利技术方法的整体流程示意图。图2是数据向算子空间映射示意图。图3是复平面上的点映射到黎曼球面示意图。图4是参考模型的奈奎斯特图的置信区间示意图。图5是在线更新模型与参考模型奈奎斯特图的对比示意图。具体实施方式下面结合附图对本专利技术做更详细说明，本专利技术的优点和实施细节本文档来自技高网...

【技术保护点】
1.一种基于ν-gap metric的装置系统健康度在线监测方法，其特征在于，包括如下步骤：/nS1：根据传感器实时采集的装置系统输入输出数据，在线更新系统模型，将数据映射到算子空间；/nS2：在算子空间计算在线更新的在线模型与离线辨识的参考模型之间的ν-gapmetric，表征两个模型动态特性的差异性；/nS3：根据所述系统参考模型的置信区间计算得出ν-gap metric阈值，根据S2中得到的模型距离是否超出所述阈值判断装置系统是否产生故障，超出则表明装置系统产生故障，未超出则表明装置系统没有产生故障。/n

【技术特征摘要】
1.一种基于ν-gapmetric的装置系统健康度在线监测方法，其特征在于，包括如下步骤：
S1：根据传感器实时采集的装置系统输入输出数据，在线更新系统模型，将数据映射到算子空间；
S2：在算子空间计算在线更新的在线模型与离线辨识的参考模型之间的ν-gapmetric，表征两个模型动态特性的差异性；
S3：根据所述系统参考模型的置信区间计算得出ν-gapmetric阈值，根据S2中得到的模型距离是否超出所述阈值判断装置系统是否产生故障，超出则表明装置系统产生故障，未超出则表明装置系统没有产生故障。


2.根据权利要求1所述的方法，其特征在于，所述S1中，将传感器实时在线采集的装置系统运行时的过程数据作为在线模型的输入输出数据，采用即时学习方法在线更新所述在线模型，更新方法为：
S11：计算每个在线获取的输入输出数据和历史正常数据库中所有数据之间的距离d，所述距离d包括两个数据之间的标准欧式距离d12和两个数据对应的调度变量之间的标准欧式距离两部分；将两部分距离的加和作为距离d的度量，从历史正常数据库中选取与在线的过程数据之间距离d最小的前p个数据，将这p个数据与在线获取的输入输出数据一起组成局部数据集；
S12：采用加权最小二乘法根据所述局部数据集进行在线模型辨识，每个数据的权重为表示与在线数据距离越远，数据的可参考性越低；该模型辨识等价于特征提取，将在线数据映射到算子空间，数据对应的特征即为在线模型。


3.根据权利要求2所述的方法，其特征在于，所述S11中，两个数据x1和x2之间的标准欧氏距离d12的计算公式如下：



其中，均为n维向量，k表示维度；x1k、x2k分别为x1、x2的第k维；s表示数据的方差，sk表示数据的第k个维度的方差；
两个数据对应的调度变量δ1,δ2之间的标准欧式距离的计算公式如下：



其中，是m维向量，用来反应数据x1,x2所映射的...

【专利技术属性】
技术研发人员：宋春跃，王娇娆，徐祖华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33