【技术实现步骤摘要】
一种面向动态工业过程的早期故障检测方法
[0001]本专利技术属于工业过程监测与故障诊断领域,具体涉及一种面向动态工业过程的早期故障的检测方法。
技术介绍
[0002]在现代工业生产过程中,人们对于系统更安全、更可靠的需求推进了工业过程故障检测技术的快速发展。故障检测技术能够及时地检测过程扰动、设备故障等异常事件,不仅在保障生产安全方面起到了重要作用,而且也提高了工业生产效率。随着分布式控制系统对大量变量的自动测量与存储,多元统计过程监测方法被成功应用于多种工业过程的在线监测。例如,主成分分析(principal component analysis,PCA)和偏最小二乘等方法在过去的二十多年时间里取得了长足发展。
[0003]然而,上述方法只考虑了测量数据的静态特征。一般来说,工业生产过程测量数据都包含动态特征。针对包含动态特征的工业过程监测问题,较为常用的策略是使用增广矩阵的方法将样本数据的自相关序列考虑进来。由此衍生出诸多动态过程监测方法,如动态主成分分析(dynamic PCA,DPCA)方法。但是该方法在数据增广时并没有考虑真实的物理变量关系,因而得到的监测结果不够准确,且可解释性差。
[0004]另一方面,较为严重的故障通常由早期故障演化而来,历史上发生的许多重大灾难性事故也是由系统中微小异常未能被及时发现和解决造成。因此,早期故障的危害不容忽视,对早期故障及时检测,并采取有效的防护措施对保障工业过程安全、高效运行具有重要意义。
技术实现思路
[0005]针对现有技术中存在 ...
【技术保护点】
【技术特征摘要】
1.一种面向动态工业过程的早期故障检测方法,其特征在于:包括离线建模阶段和在线检测阶段;其中:离线建模阶段,具体包括如下步骤:步骤S1:采集工业过程正常工况下的两组独立的传感器测量数据作为训练数据集,并构建有外部输入的自回归模型;步骤S2:暂定时滞参数值,通过最小二乘估计自回归系数,进而求取时间不相关成分,根据时间不相关成分由优化问题求解工业过程的时滞,从而得到确定的自回归系数和时间不相关成分;步骤S3:针对时间不相关成分的每个样本,通过最大化检测性能指标计算每个样本的最优主元;步骤S4:依据确定的最优主元构建训练数据的统计量,用核密度估计的方法确定控制限;在线检测阶段,具体包括如下步骤:步骤S5:采集工业过程的实时传感器数据作为测试样本,根据步骤S2中的自回归系数求取测试样本的时间不相关成分;步骤S6:针对步骤S5中的时间不相关成分,通过最大化检测性能指标计算得到测试样本的最优主元;步骤S7:计算测试样本的统计量,并进行优化处理,再与步骤S4中的控制限作比较,判断工业过程是否发生故障。2.根据权利要求1所述的面向动态工业过程的早期故障检测方法,其特征在于:步骤S1具体过程为:采集工业过程正常工况下的两组独立的传感器测量数据作为训练数据集,记作X1∈R
N
×
m
和X2∈R
N
×
m
,其中每行代表一个样本,每列代表一个传感器变量,并对它们分别建立有外部输入的自回归模型:部输入的自回归模型:其中,x1(k)和x2(k)分别表示X1和X2第k个采样时刻的样本,A
i
∈R
m
×
m
表示自回归系数,q表示时滞,u1(k)和u2(k)分别表示x1(k)和x2(k)的外部输入;噪声包含于u1(k)和u2(k)之中,并且u1(k)和u2(k)服从高斯分布;另外,(k)服从高斯分布;另外,3.根据权利要求2所述的面向动态工业过程的早期故障检测方法,其特征在于:步骤S2具体过程为:将步骤S1中有外部输入的自回归模型模型相减,得到:
将其写成矩阵形式如下:其中,ΔX=[Δx(q+1) Δx(q+2)
ꢀ…ꢀ
Δx(N)]
T
∈R
(N
‑
q)
×
m
,ΔU0=[Δu0(q+1) Δu0(q+2)
ꢀ…ꢀ
Δu0(N)]
T
∈R
(N
‑
q)
×
m
,利用最小二乘估计方法得到自回归系数的估计值如下:计算时间不相关成分如公式(6)所示:其中,是X1的第q+1行到第N行构成的矩阵;根据式(7)确定工业过程的时滞:其中,为估计的时间不相关成分中的第i列元素;最后,根据式(7)得到的时滞q
*
,利用公式(3)、(4)、(5)和(6)重新计算得到确定的自回归系数和时间不相关成分,分别记作A
*
和U
*
。4.根据权利要求3所述的面向动态工业过程的早期故障检测方法,其特征在于:步骤S3具体过程为:首先,对时间不相关成分U
*
=[u
*
(1) u
*
(2)
ꢀ…ꢀ
u
*
(N
‑
q)]
T
∈R
(N
‑
q)
×
m
进行零均值化处理,即u(k)=u
*...
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。