基于子空间辨识的大规模工业过程分布式故障检测方法技术

本发明专利技术公布了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，大规模系统包括的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

【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，尚缺乏适用于多种工作模态的高性能的大规模工业过程分布式监测技术方案
。

技术实现思路

[0004]为了克服上述现有技术的不足，本专利技术提供了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，在每个工业子系统中，只需利用当地和邻居的数据就可构造工业过程故障检测单元，实现当地和邻居工业子系统的高性能故障检测，减轻了计算和数据传输压力，并且适用于动态工业过程
。
[0005]大规模工业系统中，残差是重构的可测量信号和测量信号的差值，当系统无故障时，残差主要反映外界干扰
、
模型不确定等未知输入对系统的影响
。
本专利技术利用分布式协同的机制，设计了完全分布式的故障检测架构，为每个子系统建立故障检测单元，只与当地子系统的输入输出传感器和邻居子系统的故障检测单元建立通讯联系，在离线训练和在线检测的过程中均只利用当地子系统的观测信息，不需要全局信息
。
离线训练时，每个子系统故障检测单元首先收集当前和历史的输入输出数据，并构造相应的
Hankel
矩阵；接着构造出当地子系统的输入输出
(IO)
数据模型，利用子空间辨识技术，通过
SVD
分解
(Singular Value Decomposition
，奇异值分解
)
，辨识出当地的残差产生器，解耦掉完全未知的变量
(
当地和邻居的状态变量
)
；然后利用历史数据和上一步的辨识结果估计健康状态下的残差协方差矩阵
。
在线监测阶段，当地故障检测单元接收实时数据，计算
T2统计量并与阈值比较得出当地的检测结果
。
[0006]本专利技术能够处理复杂的异构大规模工业过程，同时也适用于传统的数据驱动方法不能处理的动态过程；建立的完全分布式框架大大减轻了数据传输和计算的压力，减少离线训练的时间并保证了在线监测的实时性；利用子空间辨识方法直接通过数据辨识当地的残差产生器，操作简单，规避了事先用数据辨识出系统状态空间模型的复杂过程；结合大规模工业过程内部子系统互联特性，考虑当地子系统与邻居子系统间的关联关系，在辨识当地残差产生器时也使用邻居子系统的部分信息，相较于分散式检测方法显著提高了检测性能；建立的当地残差产生器可以对邻居的动力学变化和执行器故障解耦
。
现有的其他分布式检测方法需要设定当地与邻居之间关联信息的界限，才能够实现对执行器故障的定位；而本专利技术可以直接对邻居的执行器故障解耦，不需要设定这样一个界限，就可以实现执行器故障的定位，并且当地残差产生器可以检测当地和邻居的传感器故障，从而能够同时实现执行器故障和传感器故障的定位
。
[0007]本专利技术提供的技术方案是：
[0008]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，是一种数据驱动的适用于动态工业过程的完全分布式监测方法，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，能够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
。
主要包括如下步骤：
[0009]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
IO
模型，建立当地故障检测单元；
[0010]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；
[0011]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，并且可以对邻居的执行器故障解耦
。
[0012]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；
[0013]设置相应的检测阈值；当地故障检测单元进行故障检测；
[0014]通过上述步骤，实现基于子空间辨识的大规模工业过程分布式故障检测
。
[0015]与现有技术相比，本专利技术的有益技术效果：
[0016]本专利技术提供了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，在每个工业子系统中，只需利用当地和邻居的数据就可构造工业过程故障检测单元，即可实现当地和邻居工业子系统的高性能故障检测，检测率高
、
误报率和漏报率低
。
本专利技术能够减轻大规模工业过程故障检测中的计算和数据传输压力，并且适用于动态工业过程
。
附图说明
[0017]图1为大规模互联工业过程的示意图；
[0018]在大规模互联工业过程中，众多子系统按照有向图耦合关联，其中代表节点，
ε
代表边
。
[0019]图2为本专利技术提出的分布式故障检测方法具体实施的检测系统结构示意图；
[0020]其中，
x
i
,u
i
,y
i
分别为子系统
i
的状态变量，控制输入信号和输出信号
。
[0021]图3为本专利技术方法具体实施的算法流程框图
。
[0022]图4为本专利技术实施实例带钢热连轧精轧工序的结构示意图，其中
F
i
,L
i
分别代表第
i
个机架和本文档来自技高网...

【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
...

【专利技术属性】
技术研发人员：杨莹，丁舒昱，
申请(专利权)人：北京大学，
类型：发明
国别省市：