【技术实现步骤摘要】
一种基于递推集成规范变量分析的微小故障在线检测方法
[0001]本专利技术涉及化工过程故障检测
,尤其涉及一种基于递推集成规范变量分析的微小故障在线检测方法。
技术介绍
[0002]随着现代科学技术的飞速发展,复杂化工过程对于故障检测技术的依赖程度越来越高,以保证过程的安全和可靠运行。然而,如何有效地检测化工过程中的微小故障已成为故障检测领域备受关注的难题之一。目前,故障检测方法主要可分为基于模型、基于知识和基于数据驱动的三类。其中,基于数据驱动的故障检测方法因只需要采集化工过程运行中的数据进行分析,而不需要了解复杂化工过程的机理,因此逐渐成为该领域内的研究热点,并取得了丰厚的研究成果。
[0003]在化工过程中,微小故障通常表现为幅值低、变化缓慢、易受噪声影响以及受闭环抑制和传播等特点。因此,传统的数据驱动故障检测方法,如主成分分析(PCA,Principal Component Analysis)和规范变量分析(CVA,Canonical Variate Analysis),往往难以及时检测到微小故障。随着过程的运行,微小故障可能会逐渐演变成故障或重大事故,造成极大的经济和人员损失。传统的数据驱动故障检测方法,对化工过程中潜在的微小故障检测效果不佳。
[0004]专利CN109739214B公开了工业过程间歇故障的检测方法,根据工业过程正常工况下的数据建立规范变量分析模型,得到规范变量并划分为主元空间和残差空间两部分,通过一个滑动窗口,对主元空间和残差空间的平均数据矩阵建立主元分析模型,给定 ...
【技术保护点】
【技术特征摘要】
1.一种基于递推集成规范变量分析的微小故障在线检测方法,其特征在于,方法包括以下步骤:S1:离线训练:S11:对CSTH过程的原始训练数据X
tr
进行k次随机采样,得到原始训练数据的k个子集X
j
∈R
n
×
m
,(1≤j≤k);其中,k为进行随机采样的次数;j表示第j个训练数据子集,1≤j≤k;m为CSTH过程中测量变量的个数;n为采集样本的个数;R表示实数集合;r为采样比例;n
s
为每次随机采样的样本采样个数;用公式(1)获得采样后的样本数据大小;由此获得了k个大小为n
s
的样本X
j
,1≤j≤10,为X的子集;步骤S12:对随机采样后的每个子集数据进行标准化处理;即对每个子集的每一列数据求均值μ和标准差σ,每一列数据减去均值并除以标准差,具体为公式(2)一列数据求均值μ和标准差σ,每一列数据减去均值并除以标准差,具体为公式(2)为标准化后的子集X
j
;步骤S13:对每个子集进行传统CVA建模,获得与之对应的主规范变量空间与残差空间;步骤S14:计算X
j
的T2∈R
n
与Q∈R
n
统计量;Q=[Q
1 Q2ꢀ…ꢀ
Q
n
]
T
;其中:T2表示主要规范变量空间的统计量;Q表示残差空间的统计量;S15:将k个CVA模型获得的统计量T2与Q分别依次按列方向堆叠,组合成统计量矩阵T
S
∈R
n
×
k
和Q
S
∈R
n
×
k
;其中,统计量矩阵T
S
是由统计量T2组成的n
×
k维的矩阵,下标S为统计量英文单词的首字母;统计量矩阵Q
S
是由统计量Q组成的n
×
k维的矩阵;分别表示第k个CVA
模型求得统计量T2;Q
1,k
,Q
2,k
,,Q
n,k
分别表示第k个CVA模型求得统计量Q;S16:给定宽度为w的滑动窗口,在统计量矩阵T
S
和Q
S
中分别沿行滑动,获得t
w
与q
w
;其中,T
w
与Q
w
分别为统计量矩阵T
S
和Q
S
中每次滑动产生的矩阵,w>1时;或向量t
w
与q
w
,w=1;其中,公式(5)中下标q表示统计量矩阵T
S
和Q
S
中的某一行数,为w<q<(n
‑
1)间的整数;S17:利用公式(6)计算出t
w
与q
w
的协方差矩阵与其中,与表示分别由t
w
与q
w
求得的写协方差矩阵;S18:最大特征值统计量和最大特征值统计量分别通过对两个协方差矩阵进行特征值分解得到;其中,和分别表示对协方差矩阵与特征值分解后得到的最大特征值;S19:重复执行离线训练步骤S16,直到沿行滑动到统计量矩阵T
S
和Q
S
的第n行;S110:通过核密度估计的方法分别确定统计量的控制限和S2在线检测:S21:在线采集CSTH过程某一时刻的数据,并利用每个子集X
j
的均值和方差对其进行标准化处理,得到在线样本集x
k
;S22:将x
k
输入到离线过程中的k个传统CVA模型中计算T2与Q统计量;S23:将k个CVA模型计算的T2统计量与Q统计量,分别堆叠成行向量t
k
和q
k
;其中,t
k<...
【专利技术属性】
技术研发人员:商亮亮,顾银波,张润卓,唐一鸣,张嘉乐,邵茹欣,赵一涵,
申请(专利权)人:南通大学,
类型:发明
国别省市:
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。