【技术实现步骤摘要】
基于子空间辨识的大规模工业过程分布式故障检测方法
[0001]本专利技术属于工业过程监测
,涉及大规模工业过程的故障检测方法,具体涉及一种基于子空间辨识的数据驱动的大规模工业过程分布式故障检测方法
。
技术介绍
[0002]随着计算
、
通信技术的高速发展,现代工业过程的规模不断扩大
、
复杂程度不断提高
。
一个大规模工业过程往往由许多互联的子系统组成,由于这种网络化互联关系的存在,单个系统故障的影响会迅速扩展到整个工业过程,造成严重的后果
。
因此对大规模工业过程进行异常监测和故障诊断对保障安全稳定的生产过程和高质量产品具有重要意义
。
大规模工业过程具有海量数据,由于计算资源和通信带宽的限制,集中式监测方法往往不适用
。
因此,处理大规模过程常常采用分布式监测方案,数据驱动的分布式故障检测方法已经成为近些年的一个研究热点
。
[0003]现有的数据驱动工业过程分布式故障检测技术大多是基于多元统计的方法,对工业过程历史数据进行分析而忽视已有的工业过程机理,且主要应用于静态工业系统或动态工业系统的稳态过程,而不适用于常见的动态工业过程
。
针对工业系统动态过程的故障检测,基于子空间辨识的数据驱动监测方法得到了广泛的关注,这种方法隐含了部分机理结构信息,而且可以直接用数据辨识出残差产生器,操作简单并且具有基于模型方法的高性能,但目前这类方法都是基于集中式的框架,尚缺乏适用于多种 ...
【技术保护点】
【技术特征摘要】
1.
一种基于子空间辨识的大规模工业过程分布式故障检测方法,其特征是,大规模系统包括多个子系统,在每个子系统上建立故障检测单元;利用当地和邻居工业子系统的过程数据直接辨识出当地残差产生器,并估计出健康状态下的残差协方差矩阵,对邻居工业子系统的执行器故障解耦,实现对当地工业子系统故障和邻居工业子系统传感器故障的检测;包括如下步骤:
1)
采集当地子系统和邻居子系统的过程数据,构造大规模工业过程当地子系统的输入输出模型,建立当地故障检测单元;将子系统
i
相应的输入输出模型表示为:其中,卷积矩阵观测矩阵观测矩阵状态变量数据矩阵状态变量数据矩阵状态变量数据矩阵分别为当地子系统
i
的输出信号
y
i
,邻居子系统的堆叠输出信号邻居子系统的堆叠测量噪声当地子系统
i
完全未知的输入信号当地子系统
i
的控制输入
u
i
和当地子系统
i
的测量噪声信号
ω
i
对应的
Hankel
数据矩阵;
2)
辨识得到大规模工业过程当地残差产生器
r
i
(k)
,用来检测当地子系统有无发生故障;当地残差产生器用于检测当地的执行器故障和当地与邻居的传感器故障,并可对邻居的执行器故障解耦;包括:构造当前数据矩阵和历史数据矩阵和历史数据矩阵其中,当前数据矩阵包括当地子系统的控制输入
Hankel
数据矩阵
、
输出信号
Hankel
数据矩阵和邻居子系统输出信号
Hankel
数据矩阵;对当前数据矩阵和历史数据矩阵的乘积进行奇异值分解,进而辨识出当地残差产生器,表示为:其中,奇异值矩阵
∑2≈0
,对应的奇异向量矩阵为
U2,记当地残差产生器表示为:
其中,
r
i
为当地子系统
i
对应的故障检测单元产生的残差信号,对未知的当地系统
i
的状态变量
x
i
和完全未知输入信号解耦;其中共同构成了
(
式
8)
中的奇异向量
U2,即在线监测采集的数据分别为
Hankel
矩阵的第一列,即
[k
‑
s,k]
时间区间的数据;当地残差产生器可实现大规模工业过程中的执行器故障和传感器故障的定位;
3)
估计大规模工业过程当地子系统的健康状态残差协方差矩阵,设计检测统计量;设置相应的检测阈值;当地故障检测单元进行故障检测包括:求得健康状态残差协方差矩阵表示为:其中,进而构造用于检测的
T2统计量
J
i
:当地残差向量为完全未知输入信号的维数,相应的检测阈值设置为:其中,
χ2(
β
)
为
β
自由度的卡方分布,
α
为给定的显著性水平;当地故障检测单元的检测方法为:在线监测过程中每个故障检测单元实时计算检测统计量
J
i
,当
J
i
超出阈值
J
ith
时故障检测单元报警,即发生故障;当
J
i
低于阈值
J
ith
...
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。