CN101038485A - 丙烯聚合生产数据检测及故障诊断系统及方法 - Google Patents

Abstract

一种丙烯聚合生产数据检测及故障诊断系统，包括与丙烯聚合生产过程连接的现场智能仪表、DCS系统以及上位机，所述的DCS系统由数据接口、控制站、数据库构成；智能仪表、DCS系统、上位机依次相连，所述的上位机包括标准化处理模块、主元分析模块、残差分析模块、信号采集模块、待诊断数据确定模块以及故障判断模块。以及提出了一种故障诊断方法。本发明提供一种能够实现在线测量熔融指数、能够得到良好的诊断效果、有效减小误报率的丙烯聚合生产数据检测及故障诊断系统及方法。

Description

丙烯聚合生产数据检测及故障诊断系统及方法

(一)技术领域

本发明涉及工业过程故障诊断领域，特别地，涉及一种丙烯聚合生产数据检测及故障诊断系统及方法。

(二)背景技术

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂，是塑料工业中的重要产品。由于聚丙烯具有比重轻、耐抗冲、耐腐蚀、高透明、无毒性、强度好、电绝缘性能好且易于加工等优良性能，因而被广泛应用于轻工、化工、化纤、建材、家电、包装、汽车等领域，在目前我国的聚烯烃树脂中，成为仅次于聚乙烯和聚氯乙烯的第三大塑料。

工业化的聚丙烯生产过程复杂性高，投资巨大，其生产装置长期安全、可靠、平稳操作十分重要。在聚丙烯生产过程中，熔融指数(MI)是反映产品质量的一个重要指标，是生产质量控制和牌号切换的重要依据。但MI只能离线检测，一般离线分析至少需要近2小时，耗资而且耗时，特别是离线分析的2小时期间将无法及时了解聚丙烯生产过程的状态。因此，选取与熔融指数密切相关的易测变量作为二次变量，从中分析熔融指数，检测生产过程是否正常，对丙烯聚合生产过程进行监控就显得异常重要。

现有聚丙烯工业生产过程中，由于变量较多，各变量之间存在一定的相关性，对过程的监控，本质上宜采用多变量控制图。因此现有的同时用多个单变量控制图对多个变量进行监控的故障诊断系统和方法，将难以准确解释过程的运行状况，并且会增大误报率。

(三)发明内容

为了克服已有的丙烯聚合生产数据检测及故障诊断系统的不能在线测量熔融指数、难以得到较好的诊断效果、误报率较高的不足，本发明提供一种能够实现在线测量熔融指数、能够得到良好的诊断效果、有效减小误报率的一种丙烯聚合生产数据检测及故障诊断系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种丙烯聚合生产数据检测及故障诊断系统，包括与丙烯聚合生产过程连接的现场智能仪表、DCS系统以及上位机，所述的DCS系统由数据接口、控制站、数据库构成；智能仪表、DCS系统、上位机依次相连，所述的上位机包括：

标准化处理模块，用于对数据库中采集系统正常时关键变量的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,---\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数， TX为训练样本的均值；

主元分析模块，用于进行主元分析提取主成分，依照设置的主元方差提取率，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_x；

②对∑_x进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ₂≥…≥λ_p，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

残差分析模块，用于计算残差分析控制限，设置检验水平为α，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}---\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计。

信号采集模块，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块，用于对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

作为优选的一种方案：所述的上位机还包括：判别模型更新模块，用于定期将过程状态正常的点添加到训练集VX中，输出到标准化处理模块、主元分析模块、残差分析模块，并更新残差分析模块中的模型。

作为优选的另一种方案：所述的上位机还包括：结果显示模块，用于将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

作为优选的再一种方案：所述的关键变量包括催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

一种用所述的丙烯聚合生产数据检测及故障诊断系统实现的故障诊断方法，所述的故障诊断方法包括以下步骤：

(1)、从DCS数据库的历史数据库中采集系统正常时关键变量的数据作为训练样本TX；

(2)、在上位机的主元分析模块、残差分析模块中，分别设置主元分析方差提取率、残差分析置信限α参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}T{X}_i---\left(1\right),$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}---\left(3\right),$

其中，N为训练样本数，N为训练样本数， TX为训练样本的均值；(4)、进行主元分析提取主成分，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_x；

②对∑_x进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ₂≥…≥λ_p，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

(5)、计算残差分析控制限；当检验水平为α时，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}---\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计；

(6)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

作为优选的一种方案：所述的故障诊断方法还包括：(7)、定期将过程状态正常的点添加到训练集VX中，重复(3)～(5)的训练过程，以便及时更新残差分析模块的模型。

作为优选的另一种方案：在所述的(6)中，上位机将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

作为优选的再一种方案：所述的关键变量包括催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

本发明的技术构思为：聚丙烯工业过程中，由于变量较多，各变量之间存在一定的相关性。现有技术中，同时用多个单变量控制图对多个变量进行监控将难以正确解释过程的运行状况，并且会增大误报率。本发明对过程的监控，采用多变量控制图。

将主元分析(PCA)和残差分析(Q统计量)相结合，可以很好的应用于多变量过程统计监控。因为主元分析和残差分析相结合用于多变量监控，在充分利用数据信息的同时，降低了系统维数，使得监控能够更加准确、可靠。

本发明的有益效果主要表现在：1、主元分析算法简单，收敛性好，可以在不过多损失信息的前提下降低系统维数，用Q统计量对主元分析的残差空间进行分析监控，具有成熟的理论基础，计算简单，监控效果好，使得故障诊断快捷有效，能更好的指导生产，提高生产效益；2、故障诊断系统建立在已有的DCS系统之上，实施简单，基本不需要硬件改造，成本低，易于推广。

(四)附图说明

图1是本发明所提出的故障诊断系统的硬件结构图；

图2是本发明所提出的故障诊断系统功能模块图；

图3是聚丙烯生产流程简图；

图4是主元分析和残差分析(PCA-Q)检测效果图；

图5是本发明上位机的原理框图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例1

参照图1、图2、图3、图4以及图5，一种丙烯聚合生产数据检测及故障诊断系统，包括与丙烯聚合生产过程连接的现场智能仪表2、DCS系统以及上位机6，所述的DCS系统由数据接口3、控制站4、数据库5构成；智能仪表2、DCS系统、上位机6通过现场总线依次相连，所述的上位机6包括：

标准化处理模块7，用于对数据库中采集系统正常时的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}T{X}_i,$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),---\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},---\left(3\right)$

其中，TX为训练样本，N为训练样本数， TX为训练样本的均值；

主元分析模块8，用于进行主元分析提取主成分，依照设置的主元方差提取率，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_x；

②对∑_x进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ2≥…≥λp，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值(一般取大于80％)，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

残差分析模块9，用于计算残差分析控制限，设置检验水平为α，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}---\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计。

信号采集模块10，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块11，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块12，用于对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

所述的上位机还包括：判别模型更新模块13，用于定期将过程状态正常的点添加到训练集VX中，输出到标准化处理模块7、主元分析模块8、残差分析模块9，并更新残差分析模块9中的模型。。

所述的上位机还包括：结果显示模块14，用于将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

本发明所述的故障诊断系统的硬件结构图如图1所示，所述的故障诊断系统的核心由包括标准化模块7、主元分析模块8、残差分析模块9等三大功能模块和人机界面的上位机6构成，此外还包括：现场智能仪表2，DCS系统和现场总线。所述的DCS系统由数据接口3、控制站4、数据库5构成；丙烯聚合生产过程1、智能仪表2、DCS系统、上位机6通过现场总线依次相连，实现信息流的上传和下达。故障诊断系统在上位机6上运行，可以方便地与底层系统进行信息交换，及时应对系统故障。

本发明所述的故障诊断系统的功能模块图如图2所示，主要包括标准化模块7、主元分析模块8、残差分析模块9等三大功能模块。

所述的故障诊断方法按照如下步骤来实现：

1、从DCS数据库5的历史数据库中采集系统正常时以下九个变量的数据作为训练样本TX：主催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α；

2、在上位机6的主元分析模块8、残差分析模块9中，分别设置主元分析方差提取率、残差分析置信限α等参数，设定DCS中的采样周期；

3、训练样本TX在上位机6中依次经过标准化处理7、主元分析模块8、残差分析模块9等功能模块，采用以下步骤来完成上位机6中故障诊断系统的训练：

1)上位机6的标准化处理功能模块7，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X。采用以下步骤来实现：

①计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right)$

②计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right)$

③标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}---\left(3\right)$

其中N为训练样本数，N为训练样本数， TX为训练样本的均值；

上位机6的标准化处理功能模块7所进行的标准化处理能消除各变量因为量纲不同造成的影响。

2)上位机6的主元分析功能模块8，进行主元分析提取主成分。所示的主元分析总方差提取率大于80％，计算过程采用协方差奇异值分解的方法。采用以下步骤来实现：

①计算X的协方差阵，记为∑_x；

②对∑_x进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ2≥…≥λp，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值(一般取大于80％)，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F。

主元分析在力求数据信息丢失最少的原则下，对高维的变量空间降维。其实质是研究变量体系的少数几个线性组合，并且这几个线性组合所构成的综合变量将尽可能多地保留原变量变异方面的信息。很显然，分析系统在一个低维空间要比在一个高维空间容易得多。

3)上位机6的残差分析模块9，计算残差分析控制限。

当检验水平为α时，控制限可按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}---\left(4\right)$

式中

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计。

4、系统开始投运：

1)用定时器，设置好每次采样的时间间隔；

2)现场智能仪表2检测过程数据并传送到DCS数据库5的实时数据库中；

3)上位机6在每个定时周期从DCS数据库5的实时数据库中，得到最新的变量数据，作为待诊断数据VX；

4)待检测数据VX，在上位机6的标准化处理功能模块7中，用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块8的输入；

5)上位机6中的主元分析模块8，用训练时得到的变换矩阵T对输入进行变换，变换后的矩阵输入到残差分析模块9，作为残差分析模块9的输入；

6)上位机6中的残差分析模块9，采用下式来计算输入数据的Q统计量：

对于第i个样本，

Q_i＝e_ie_i′

其中e_i是残差矩阵E的第i行，若Q＜Q_α，说明该样本点Q统计正常，反之，如果Q＞Q_α，说明该样本点Q统计异常，过程对象出现故障；

7)上位机6将故障诊断结果传给DCS，并在DCS的控制站4显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示，使得现场操作工可以及时应对。

5、模型更新

在系统投运过程中，定期将过程状态正常的点添加到训练集TX中，重复步骤3的训练过程，以便及时更新上位机6的残差分析模块9中的模型，保持模型具有较好的效果。

下面详细说明本发明的一个具体实施例。

以聚丙烯生产HYPOL工艺实际工业生产为例。图三给出了典型的Hypol连续搅拌釜(CSTR)法生产聚丙烯的工艺流程图，前2釜是CSTR反应器、后2釜是流化床反应器(FBR)。选取主催化剂流率、辅催化剂流率、三股丙烯进料流率、釜内流体温度、釜内流体压强、釜内液位、釜内氢气体积浓度九个易测操作变量作为模型的输入量，从生产过程的DCS系统中获取这九个参数的数据作为训练样本，其中五十个正常的样本作为训练集，另二十二个样本点作为测试集数据验证诊断效果。PCA提取主成分个数为7，置信概率0.98，采样周期为2小时。图4为PCA-Q检测效果图，图中只画出了前两个主成分的分布。表1列出了与图4相对应的测试集中实际故障点和本系统检测出的故障点，可以看出仅15号故障点漏报，误报率为0。显然，本系统具有较高的诊断准确性。

实际故障点	1，2，12，15，16
		检测故障点	1，2，12，16

                     表1

实施例2

参照图1、图2、图3、图4以及图5，一种丙烯聚合生产数据检测及故障诊断方法，所述的故障诊断方法包括以下步骤：

(1)、从DCS数据库3的历史数据库中采集系统正常时关键变量的数据作为训练样本TX；

(2)、在上位机的主元分析模块8、残差分析模块9中，分别设置主元分析方差提取率、残差分析置信限α参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i---\left(1\right),$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})---\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}---\left(3\right),$

其中，N为训练样本数，N为训练样本数， TX为训练样本的均值；

(4)、进行主元分析提取主成分，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_x；

②对∑_x进行奇异值分解，得到特征根λ₁，λ₂，…，λ_p，其中λ₁≥λ2≥…≥λp，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值(一般取大于80％)，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

(5)、计算残差分析控制限，当检验水平为α时，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{{2\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}---\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计；

(6)、将采集的数据传送到DCS实时数据库5中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

所述的故障诊断方法还包括：(7)、定期将过程状态正常的点添加到训练集VX中，重复(3)～(5)的训练过程，以便及时更新残差分析模块9的模型。

在所述的(6)中，上位机将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

Claims (8)

1、一种丙烯聚合生产数据检测及故障诊断系统，包括与丙烯聚合生产过程连接的现场智能仪表、DCS系统以及上位机，所述的DCS系统由数据接口、控制站、数据库构成；智能仪表、DCS系统、上位机依次相连，其特征在于：所述的上位机包括：

标准化处理模块，用于对数据库中采集系统正常时关键变量的数据进行标准化处理，各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i,...\left(1\right)$

2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}}),...\left(2\right)$

3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x},...\left(3\right)$

其中，TX为训练样本，N为训练样本数， TX为训练样本的均值；

主元分析模块，用于进行主元分析提取主成分，依照设置的主元方差提取率，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_X；

②对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，其中λ₁≥λ2≥...≥λp，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡

献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

残差分析模块，用于计算残差分析控制限，设置检验水平为α，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}...\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$ $h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计；

信号采集模块，用于设定每次采样的时间间隙，采集现场智能仪表的信号；

待诊断数据确定模块，用于将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；

故障诊断模块，用于对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

2、如权利要求1所述的丙烯聚合生产数据检测及故障诊断系统，其特征在于：所述的上位机还包括：

判别模型更新模块，用于定期将过程状态正常的点添加到训练集VX中，输出到标准化处理模块、主元分析模块、残差分析模块，并更新残差分析模块中的模型。

3、如权利要求1或2所述的丙烯聚合生产数据检测及故障诊断系统，其特征在于：所述的上位机还包括：

结果显示模块，用于将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

4、如权利要求3所述的丙烯聚合生产数据检测及故障诊断系统，其特征在于：所述的关键变量包括催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

5、一种用如权利要求1所述的丙烯聚合生产数据检测及故障诊断系统实现的故障诊断方法，其特征在于：所述的故障诊断方法包括以下步骤：

(1)、从DCS数据库的历史数据库中采集系统正常时关键变量的数据作为训练样本TX；

(2)、在上位机的主元分析模块、残差分析模块中，分别设置主元分析方差提取率、残差分析置信限α参数，设定DCS中的采样周期；

(3)、训练样本TX在上位机中，对数据进行标准化处理，使得各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成：

3.1)计算均值： $\stackrel{\‾}{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{TX}}_i...\left(1\right),$

3.2)计算方差： ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{TX}}_i-\stackrel{\‾}{\mathrm{TX}})...\left(2\right),$

3.3)标准化： $X=\frac{\mathrm{TX}-\stackrel{\‾}{\mathrm{TX}}}{{\mathrm{\σ}}_x}...\left(3\right),$

其中，N为训练样本数，N为训练样本数， TX为训练样本的均值；

(4)、进行主元分析提取主成分，采用协方差奇异值分解的方法，采用以下步骤来实现：

①计算X的协方差阵，记为∑_X；

②对∑_X进行奇异值分解，得到特征根λ₁，λ₂，...，λ_p，其中λ₁≥λ2≥...≥λp，对应的特征向量矩阵为U；

③计算总方差和每个特征值对应的方差贡献率，按各个特征值的方差贡献率从大到小累加直到总的方差贡献率达到给定值，记选取个数为k；

④选取特征向量矩阵U的前k列，作为变换矩阵T；

⑤计算主元，通过式子F＝T×X计算得到主元F；

(5)、计算残差分析控制限；当检验水平为α时，控制限按下式(4)计算：

$Q_{\mathrm{\α}}={\mathrm{\θ}}_1{[\frac{C_{\mathrm{\α}}{h}_0\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_2}]}^{\frac{1}{h_0}}...\left(4\right)$

式中：

${\mathrm{\θ}}_i=\underset{j=k+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3}$ $h_0=1-\frac{2{\mathrm{\θ}}_1{\mathrm{\θ}}_3}{3{\mathrm{\θ}}_2^2}$

λ_i是X协方差矩阵的特征值，C_α是正态分布置信度为α的统计；

(6)、将采集的数据传送到DCS实时数据库中，在每个定时周期从DCS数据库的实时数据库中，得到最新的变量数据作为待诊断数据VX；对待检测数据VX用训练时得到的 TX和σ_x ²进行标准化处理，并将标准化处理后的数据作为主元分析模块的输入，用训练时得到的变换矩阵T对输入进行变换，变换后矩阵输入到残差分析模块，计算输入数据的Q统计量，若Q＜Q_α，判定样本点Q统计正常，过程对象正常；若Q＞Q_α，判定样本点Q统计异常，过程对象出现故障。

6、如权利要求5所述的一种丙烯聚合生产数据检测及故障诊断方法，其特征在于：所述的故障诊断方法还包括：

(7)、定期将过程状态正常的点添加到训练集VX中，重复(3)～(5)的训练过程，以便及时更新残差分析模块的模型。

7、如权利要求5或6所述的一种丙烯聚合生产数据检测及故障诊断方法，其特征在于：在所述的(6)中，上位机将故障诊断结果传给DCS系统，并在DCS的控制站显示过程状态，同时通过DCS系统和现场总线将过程状态信息传递到现场操作站进行显示。

8、如权利要求7所述的一种丙烯聚合生产数据检测及故障诊断方法，其特征在于：所述的关键变量包括催化剂流率f₄、辅催化剂流率f₅、三股丙烯进料流率(f₁、f₂、f₃)、釜内流体温度T、釜内流体压强P、釜内液位l和釜内氢气体积浓度α。

Images