CN101738435A - 气固流化床反应器内聚合物结块的动态故障诊断方法 - Google Patents

Abstract

本发明公开了一种用于气固流化床反应器内聚合物结块的动态故障诊断方法，该方法选取对结块故障有影响的若干关键变量构造故障检测变量集，运用多元动态主元分析理论建立了故障诊断模型，并结合核密度估计技术确定用于检测故障是否发生的控制限；本发明避开了复杂的过程机理分析，除具有非插入式、安全环保、灵敏准确的优点外，其突出优势是直接借助于DCS已有的测量变量、不需要增加任何硬件投资、不需要安装任何设备、仅仅在DCS的工程师站加入一段功能模块即可，安装和使用非常方便。

Description

气固流化床反应器内聚合物结块的动态故障诊断方法

技术领域

本发明属于气固流化床反应器故障诊断技术领域，尤其涉及一种气固流化床反应器内聚合物结块的故障诊断方法。

背景技术

以气固流化床反应器为核心设备的气相法聚乙烯是当前聚乙烯生产中的主流工艺，具有工艺流程短、设备台数少、生产成本低的优点，不用溶剂，省掉了溶剂分离、回收和精制，在同一装置上可生产全密度聚乙烯产品，并且能耗大大降低。但是，该工艺也存在着容易结块这一突出问题。实际生产中，由于反应器静电、床层料位过高或过低、分布板堵塞、流化气速下降、催化剂活性的突然改变、反应器温度控制不当以及局部流化死区等原因都可能导致流化粒子结块，影响反应器效率和正常流化状态，严重时将堵塞出料口和分布板，甚至在床层上形成堆积乃至“熔床”，造成停车的严重事故。因此，流化床反应器结块过程的故障诊断一直是工业界和学术界共同面临的问题。文献[1]曾就此做过一些探索性的研究，提出了利用声波检测和频谱分析进行结块故障诊断的方法，并以此为技术核心取得了国家发明专利ZL 200310113358.7。目前，工业上主要根据流化松密度或分布板差压的异常变化来判断流化床结块，但是漏报、误报的情况时有发生，特别是无法在结块早期给出预警信号。更进一步的方法是压力脉动法、γ射线法和声波检测法。然而，压力脉动法是插入式监测法，安装时需要在流化床壁面上开孔以插入压力传感器，极易破坏流化床内部流场，γ射线法则对人体存在致命的伤害，现在工厂一般都弃用或停用了。声波检测法是一种较理想的技术，具有安装简便、安全环保等特点。

一般地，对流化床反应器结块过程的监视主要包括对壁面静电吸附的监视、壁面结块生长过程的监视、床层中已结块状态的监视以及对于在分布板上或者其他局部位置上结块的监视，以上四者之间既相对独立又相互联系，因此，结块过程故障诊断监视是一个信息综合分析的复杂过程。理论上说，结块故障的发生和演变过程必然引起布置在反应器壁面的多个温度测量点以及床层的上、下松密度和分布板压降产生异常变化，但是，由于以下原因，通过这些过程变量判断结块故障的发生、尤其是尚能阻止结块进一步恶化的结块早期，却非常困难和不可靠：(1)由于过程变量在时间和空间上的不敏感性，结块早期无法得到明显信号，例如分布板压差就存在时间上的不敏感性，往往压力信号出现显著变化时，床层流化质量已经无法通过改变操作条件来改善；(2)需要监视的变量众多，综合分析和判断困难；(3)过多依赖操作经验，缺乏对各个变量内在关联信息的定量描述，误报率和漏报率高；(4)没有充分利用历史数据中的趋势信息，难以进行反应器结块过程的整体评价和结块原因分析。然而，结块故障发生、尤其尺寸较小的早期，尽管单个检测变量所反映的信息量微弱，但通过一定的数学模型将各个检测变量中的有效信息进行去伪存真的极大无关性叠加，却足以反映出结块故障(即便是过程初期)。因此，根据这一思路，本发明采用动态PCA方法进行流化床反应器结块过程的故障诊断分析，提高监视性能和灵敏度，给出流化床反应器结块过程的综合评价信息。与已有方法相比，本发明避开了复杂的过程机理分析，除具有非插入式、安全环保、灵敏准确的优点外，其突出优势是直接借助于DCS已有的测量变量、不需要增加任何硬件投资、不需要安装任何设备、仅仅在DCS的工程师站加入一段功能模块即可，安装和使用非常方便。

发明内容

针对当前气相法聚乙烯生产过程中易发生结块故障的问题，本发明提供了一种气固流化床反应器内聚合物结块的动态故障诊断方法。

本发明的目的是通过以下技术方案来实现的：一种用于气固流化床反应器内聚合物结块的动态故障诊断方法，包括以下步骤：

(1)在对工艺运行机理和以往故障处理报告分析的基础上，选取对结块故障有影响的若干关键变量构造故障检测变量集，并按照动态主元分析建模的要求，采集无结块情况下气固流化床反应器正常运行的数据集X0，作为建模训练数据集。

(2)对所得到的建模训练数据集X0进行建模前的标准化处理，使每个过程变量的均值为0、方差为1，由此得到实际应用的训练数据集X。

(3)根据动态主元分析技术，运用协方差矩阵奇异值分解原理，对所得到的动态数据矩阵X进行主元分析，并根据交叉检验技术确定满足一定方差表征率的主元个数，得到动态数据情况下的主元矩阵T和负荷矩阵P，即为故障诊断模型。

(4)在故障诊断模型建立的基础上，利用核密度估计技术确定用于检测结块故障是否发生的控制限

(5)在需要对当前运行工况进行故障诊断时，按照步骤(1)和步骤(2)的相同方法实时采集当前运行数据集并进行标准化，得到的标准化检测数据集为X_new。按照动态主元分析的要求，将X_new代入故障诊断模型，得到当前运行数据的主元矩阵T_new和相关统计量。

(6)利用核密度估计函数方程和95％或99％置信度，代入主元矩阵T_new可计算

并与正常运行范围控制限比较，如果则表示生产装置在正常运行范围内，否则表示产生了结块故障。

(7)一旦判断为结块故障发生，则结合气固流化床反应器工艺运行机理，诊断导致结块故障发生的原因，并启动报警处理。

(8)该方法如果需要长期在线运行，为保证故障诊断模型的持续精确性，应根据实时采样数据定期(设为96小时)进行故障诊断模型的更新和维护，即利用新鲜的采样数据对

σ_X0、k、P等通过限定记忆的块式递推故障诊断模型校正技术进行自动校正计算。

进一步地，所述步骤(1)中，所选择的对结块故障有影响的14个故障检测变量为：反应器从下到上11个壁面温度T_RX_B～T_RX_H到T_RX_J～T_RX_M、反应器上部松密度D_Upper、反应器下部松密度D_Lower、反应器分布板压降P_RXplate。所组合构成的测量参数向量为：[T_RX_B T_RX_C T_RX_D T_RX_ET_RX_F T_RX_G T_RX_H T_RX_J T_RX_K T_RX_L T_RX_M D_Upper D_LowerP_RXplate]。

进一步地，所述步骤(1)中建模训练数据集的采集，按以下方法进行：无结块情况下，根据气固流化床反应器运行的动态相应特性，按时间顺序(时间间隔与时间常数相当)先后采集3组气固流化床反应器正常运行的数据集，记为X0₀，X0_-1，X0_-2(分别表示零拍滞后数据集、前一拍滞后数据集、前两拍滞后数据集，滞后的拍数称为时滞长度)。根据动态主元分析技术的要求，按以下方式构造建立故障诊断模型的原始训练数据集X0＝[X0₀X0_-1X0_-2]，称为时滞增广矩阵；

进一步地，所述步骤(2)中，对时滞增广矩阵X0进行标准化处理时，所采用的具体公式为：

均值计算：

方差计算：

归一化计算：

式中，N是数据集的样本个数。

进一步地，所述步骤(3)中，基于动态主元分析的故障诊断模型按以下方法建立：首先计算标准时滞增广矩阵X的协方差矩阵∑_X，然后对∑_X进行奇异值分解，得到按大小顺序排列的特征根λ₁，λ₂，λ₃……和对应的特征向量p₁，p₂，p₃……，第三，对标准时滞增广矩阵X的奇异值分解结果进行方差贡献率的交叉检验，确定信息占优的特征根个数(亦即主元个数)k，第四，选取前k个特征向量，构造负荷矩阵P＝[p₁p₂……p_k]^T，最后，求取主元矩阵T＝[t₁t₂……t_k]^T＝XP。

进一步地，所述步骤(4)中，基于核密度估计技术确定控制限的方法为：设样本数据集为X＝[x₁，x₂，…x_n]^T，则密度函数f(x)的核估计为

其中，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且K(x)≥0，

核函数估计的概率密度实际上可以看作是在样本点上构成的分割梯度的加和，核函数K(·)决定分割梯度的形状而带宽则决定其宽度。较常用的K(·)为高斯核函数，可选择形式为

核估计本身既同样本有关，又与K(·)和h的选取有关。在给定样本及选取了核函数形式后，核密度估计函数

的取决于H的选取，可选对角矩阵

如果样本数据集为由故障诊断模型而来的独立元数据矩阵，则由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限

进一步地，所述步骤(8)中，故障诊断模型自动校正的方法为：设当前模型的原建模训练数据集为{X_j}，经过一段时间运行后新鲜数据集为{X_j+1}，则经过动态主元分析后得到的故障诊断模型为

两个数据集之间模型参数的递推算式具有如下形式：P_j+1＝P_j+α_PΔF_P(‖X_j+1-X_j‖，γ_P，P_j)，式中，ΔF_P为块式递推校正函数，γ_P为校正遗忘因子，α_P为加权系数，而

σ_X0，j+1，k则就新鲜数据集仍按求均值、方差和交叉检验方式更新。可见，首先它是基于块式数据的，只有当新数据累积到一定规模形成数据块的时候才进行处理，且在递推过程中以数据块代替数据本身进行迭代计算，大大减少了计算量。其次，它始终依赖于有限个最新数据块所提供的信息，每增加一个新数据块，就要去掉一个老数据块，即影响模型的数据始终是最新的若干数据块。最后，限定记忆的遗忘因子被引入数据块队列中，时间越久，数据块可信度越小(现时刻的数据块信度为1)，相邻时刻的数据块信度按指数衰减。

本发明的有益效果是，与已有方法相比，本发明避开了复杂的过程机理分析，除具有非插入式、安全环保、灵敏准确的优点外，其突出优势是直接借助于DCS已有的测量变量、不需要增加任何硬件投资、不需要安装任何设备、仅仅在DCS的工程师站加入一段功能模块即可，安装和使用非常方便。

附图说明

图1为一个典型的气相聚乙烯生产装置示意图。

图2为软件功能模块示意图。

图3为含本发明功能模块的DCS功能结构图。

图4为11个壁温检测点在反应器表面上的几何分布示意图。

图5为模拟结块故障发生时E、F、G、H四个壁温监测点的变化趋势。

图6为故障检测结果。

具体实施方式

本发明气固流化床反应器内聚合物结块的动态故障诊断方法，包括以下步骤：

1、在对工艺运行机理和以往故障处理报告分析的基础上，选取对结块故障有影响的以下14个关键变量：反应器从下到上11个壁面温度T_RX_B～T_RX_H到T_RX_J～T_RX_M、反应器上部松密度D_Upper、反应器下部松密度D_Lower、反应器分布板压降P_RXplate，构造故障检测变量集[T_RX_B T_RX_C T_RX_DT_RX_E T_RX_F T_RX_G T_RX_H T_RX_J T_RX_K T_RX_L T_RX_M D_Upper D_LowerP_RXplate]。按照动态主元分析建模的要求，在无结块情况下，根据气固流化床反应器运行的动态相应特性，按时间顺序(时间间隔与时间常数相当)先后采集3组气固流化床反应器正常运行的数据集，记为X0₀，X0_-1，X0_-2(分别表示零拍滞后数据集、前一拍滞后数据集、前两拍滞后数据集，滞后的拍数称为时滞长度)。根据动态主元分析的原理，按以下方式构造建立故障诊断模型的原始训练数据集X0＝[X0₀ X0_-1 X0_-2]。

2、对所得到的时滞增广矩阵X0进行建模前的标准化处理，使每个过程变量的均值为0、方差为1，由此得到标准的时滞增广矩阵X。进行标准化处理所采用的具体公式为：

均值计算：

方差计算：

归一化计算：

式中，N是数据集的样本个数。

3、根据动态主元分析技术，运用协方差矩阵奇异值分解原理，对所得到的标准时滞增广矩阵X进行主元分析，并根据交叉检验技术确定满足一定方差表征率的主元个数，得到动态数据情况下的主元矩阵T和负荷矩阵P。具体方法为：首先计算标准时滞增广矩阵X的协方差矩阵∑_X，然后对∑_X进行奇异值分解，得到按大小顺序排列的特征根λ₁，λ₂，λ₃……和对应的特征向量p₁，p₂，p₃……，第三，对标准时滞增广矩阵X的奇异值分解结果进行方差贡献率的交叉检验，确定信息占优的特征根个数(亦即主元个数)k，第四，选取前k个特征向量，构造负荷矩阵P＝[p₁p₂……p_k]^T，最后，求取主元矩阵T＝[t₁ t₂……t_k]^T＝XP，即为故障诊断模型。

4、在故障诊断模型建立的基础上，利用核密度估计技术确定用于检测结块故障是否发生的控制限具体为：设样本数据集为X＝[x₁，x₂，…x_n]^T，则密度函数f(x)的核估计为

其中，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且K(x)≥0，

核函数估计的概率密度实际上可以看作是在样本点上构成的分割梯度的加和，核函数K(·)决定分割梯度的形状而带宽则决定其宽度。较常用的K(·)为高斯核函数，可选择形式为

核估计本身既同样本有关，又与K(·)和h的选取有关。在给定样本及选取了核函数形式后，核密度估计函数的取决于H的选取，可选对角矩阵

如果样本数据集为由故障诊断模型而来的独立元数据矩阵，则由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限

5、在需要对当前运行工况进行故障诊断时，按照步骤1和步骤2的相同方法实时采集当前运行数据集并进行标准化，得到的标准化检测数据集为X_new。按照动态主元分析的要求，将X_new代入故障诊断模型，得到当前运行数据的主元矩阵T_new和相关统计量。

6、利用核密度估计函数方程和95％或99％置信度，代入主元矩阵T_new可计算

并与正常运行范围控制限

比较，如果

则表示生产装置在正常运行范围内，否则表示产生了结块故障。

7、一旦判断为结块故障发生，则结合气固流化床反应器工艺运行机理，诊断导致结块故障发生的原因，并启动报警处理。

8、该方法如果需要长期在线运行，为保证故障诊断模型的持续精确性，应根据实时采样数据定期(设为96小时)进行故障诊断模型的更新和维护，即利用新鲜的采样数据对

σ_X0、k、P等通过限定记忆的块式递推故障诊断模型校正技术进行自动校正计算。具体为：设当前模型的原建模训练数据集为{X_j}，经过一段时间运行后新鲜数据集为{X_j+1}，则经过动态主元分析后得到的故障诊断模型为

两个数据集之间模型参数的递推算式具有如下形式：P_j+1＝P_j+α_PΔF_P(‖X_j+1-X_j‖，γ_P，P_j)，式中，ΔF_P为块式递推校正函数，γ_P为校正遗忘因子，α_P为加权系数，而

σ_X0，j+1，k则就新鲜数据集仍按求均值、方差和交叉检验方式更新。可见，首先它是基于块式数据的，只有当新数据累积到一定规模形成数据块的时候才进行处理，且在递推过程中以数据块代替数据本身进行迭代计算，大大减少了计算量。其次，它始终依赖于有限个最新数据块所提供的信息，每增加一个新数据块，就要去掉一个老数据块，即影响模型的数据始终是最新的若干数据块。最后，限定记忆的遗忘因子被引入数据块队列中，时间越久，数据块可信度越小(现时刻的数据块信度为1)，相邻时刻的数据块信度按指数衰减。

下面结合附图对本发明的一个实施案例逐一详细说明，本发明的目的和效果将更加明显。然而，该案例用来解释说明本发明的用法而非对本发明进行限制。在本发明权利要求的保护范围内进行的任何改变，都属于本发明的保护范围。

图1是一个国内常见的UNIPOL气相聚乙烯生产装置示意图，主体设备由气固流化床反应器1、循环气管路2、循环气压缩机3、循环气换热器4组成，设备之间由循环气管路串连连结。其中，气固流化床反应器包括反应器混合室5、反应器分布板6、流化床层7、产品出料罐A8、产品出料罐B9、催化剂加料器A10、催化剂加料器B11，皆附着安装在反应器内部和外部。生产过程中，含有单体、共聚单体以及其他组分的循环气体首先进入反应器底部的混合室5，经预混合后再通过特殊设计的反应器分布板6进入流化床层7。聚合物/催化剂粉体一边悬浮流化，进行聚合反应，一边将聚合热传递给流化气体并带出反应器。离开反应器的较高温度气体经过压缩、热交换和补充原料后以较低的温度重新循环进入反应器。反应过程所需催化剂通过催化剂加料器A10或/和B11加入反应器中。聚合物产品通过出料罐A8和出料罐B9交替批量放出，以保持流化床高度恒定。如此循环往复，实现生产过程的连续运行。

为实现装置的连续生产，通常采用计算机集散控制系统(DCS)对设备的运行加以控制和操作，其中，DCS的工程师站主要进行重要的工艺运行设置、DCS系统组态、控制和检测功能扩展等等，本发明所形成的功能软件模块可以安装在工程师站并下装到操作员站。

本发明所形成的功能软件模块包括离线部分和在线部分。其中，离线部分主要实现动态故障诊断模型的建模和控制限计算，即方法步骤的第(1)、第(2)、第(3)和第(4)步，以VC++和MATLAB混合编程实现，实施时将建模训练数据集X0从DCS取出后在DCS之外的任何一台计算机上完成；在线部分主要实现实时故障诊断和故障诊断模型的在线更新维护工作，即方法步骤的第(5)、第(6)、第(7)和第(8)步，在DCS的工程师站上以CPL语言的脚本化方式编程实现，实施时在线运行程序经编辑、编译、链接后下装到DCS的AM模块，由DCS管理、执行。图2是本发明的软件功能模块示意图。图3是含本发明软件功能模块在线部分的DCS功能结构图，其中包括AM模块12(运行常规PID和本发明软件功能模块在线部分)、HM模块13(历史数据)、IO模块14(输入输出信号)、GUS模块15(工程师站，其上可实现本发明软件功能模块在线部分的编辑、编译、链接、下装)、US模块16(操作员站，其上可实现本发明软件功能模块在线部分的界面操作)、APP模块17(OPC服务端)等。

确定气固流化床反应器结块故障的敏感变量是进行故障诊断的第一步。经过对工艺运行机理和以往故障处理报告分析，确定了以下14个过程变量作为关键变量：反应器从下到上11个壁面温度T_RX_B～T_RX_H到T_RX_J～T_RX_M、反应器上部松密度D_Upper、反应器下部松密度D_Lower、反应器分布板压降P_RXplate，构造故障检测变量集[T_RX_B T_RX_C T_RX_D T_RX_E T_RX_F T_RX_GT_RX_H T_RX_J T_RX_K T_RX_L T_RX_M D_Upper D_Lower P_RXplate]。这14个变量都是在DCS中有现成检测值的，其中11个壁温检测在反应器表面上的几何分布如图4所示。

为运用动态主元分析建立故障诊断模型，按一定时间间隔(本案例中定为30min)采集3组无结块正常运行数据，构造建立故障诊断模型的时滞增广矩阵X0，采集原则为：每种牌号聚乙烯树脂的正常持续运行数据每组需连续12小时以上(数据库采集周期30～60秒可设，下同)并保存在Excel表中；不同牌号树脂的正常切换操作数据3组之和需至少一个完整的切换周期并保存在Excel表中；过程正常开车运行数据(3组之和，持续约12～24小时)并保存在Excel表中；过程的正常停车运行数据(3组之和，持续约10～20小时)并保存在Excel表中。以下叙述以某种牌号的正常持续运行为例，其余情况处理方法类同。

按照第三步时滞增广矩阵标准化的公式，计算标准时滞增广矩阵X。

根据动态主元分析技术，运用协方差矩阵奇异值分解原理，对所得到的标准时滞增广矩阵X进行主元分析，并根据交叉检验技术确定满足一定方差表征率的主元个数，得到动态故障诊断模型。具体计算结果为：主元个数为5，时滞长度为1。其中，时滞长度的计算按著名的AIC准则确定。

接下来，在故障诊断模型建立的基础上，利用核密度估计技术确定用于检测结块故障是否发生的控制限。本案例中，分别采用三种不同的方法计算控制限，IID(独立同分布)、ERD(经验参考分布)、KDE(核密度分布)，结果如表1所示。

表1控制限计算结果

	Q(95％)	T2(95％)	Q(99％)	T2(99％)
					IID	3.56	11.24	4.83	15.42
ERD	3.56	10.86	4.75	16.16
					KDE	3.51	10.22	4.69	15.13

进行样本数据结块故障的故障诊断是案例的关键。由于实际的故障数据难以获取，为测试本发明方法，在此根据工艺特点引入仿真故障数据来进行检验。在壁面形成结块的过程中会造成相应的壁温下降、升高、在低位或高位维持等各种现象，考虑到结块过程中温度变化的幅度，对分布于反应器中部同一高度的四个测量点EFGH(实际监视中的重点部位)的温度变量截取其中200个测试数据点，从第101个测试样本开始，叠加相应的温度变化趋势，如图5所示，考察故障诊断模型在温度降低和升高，以及温度在低位、高位和正常情况下维持时对异常的跟踪检测能力，检测结果如图6所示。以看出，模型的T²和Q控制图能够及时地反映出以上从第101数据点引入的异常工况，并且对于正常工况误报率低。另外，还考察了对单个温度变化和其它多个温度变化的情况，模型都能快速有效地跟踪。就两种统计量而言，结果表明Q的灵敏度要比T²高，能够检测到较小的异常，这是由于其能比较准确地发现隐含关系变化的缘故。虽然没有对其它更多的结块情形进行研究(如反应物边吸附边反应边脱落造成壁面温度不正常波动，分布板上有结块等)，但动态主元分析故障诊断模型中已经包含相关的监视变量，并且可以捕捉到变量之间的静态和动态相关关系的变化，因而可有效地检测到这些异常。

判断为结块故障发生以后，结合气固流化床反应器工艺运行机理和关键变量对于各统计量的贡献图，诊断导致结块故障发生的原因，并启动报警处理。

以上即为本发明一个具体、完整的实施过程。

上述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。

Claims (7)

1.一种用于气固流化床反应器内聚合物结块的动态故障诊断方法，其特征在于，包括以下步骤：

(1)在对工艺运行机理和以往故障处理报告分析的基础上，选取对结块故障有影响的若干关键变量构造故障检测变量集，并按照动态主元分析建模的要求，采集无结块情况下气固流化床反应器正常运行的数据集X0，作为建模训练数据集。

(2)对所得到的建模训练数据集X0进行建模前的标准化处理，使每个过程变量的均值为0、方差为1，由此得到实际应用的训练数据集X。

(3)根据动态主元分析技术，运用协方差矩阵奇异值分解原理，对所得到的动态数据矩阵X进行主元分析，并根据交叉检验技术确定满足一定方差表征率的主元个数，得到动态数据情况下的主元矩阵T和负荷矩阵P，即为故障诊断模型。

(4)在故障诊断模型建立的基础上，利用核密度估计技术确定用于检测结块故障是否发生的控制限

(5)在需要对当前运行工况进行故障诊断时，按照步骤(1)和步骤(2)的相同方法实时采集当前运行数据集并进行标准化，得到的标准化检测数据集为X_new。按照动态主元分析的要求，将X_new代入故障诊断模型，得到当前运行数据的主元矩阵T_new和相关统计量。

(6)利用核密度估计函数方程和95％或99％置信度，代入主元矩阵T_new可计算

并与正常运行范围控制限比较，如果

则表示生产装置在正常运行范围内，否则表示产生了结块故障。

(7)一旦判断为结块故障发生，则结合气固流化床反应器工艺运行机理，诊断导致结块故障发生的原因，并启动报警处理。

(8)该方法如果需要长期在线运行，为保证故障诊断模型的持续精确性，应根据实时采样数据定期进行故障诊断模型的更新和维护，即利用新鲜的采样数据对σ_X0、k、P等通过限定记忆的块式递推故障诊断模型校正技术进行自动校正计算。

2.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(1)中，所选择的对结块故障有影响的14个故障检测变量为：反应器从下到上11个壁面温度T_RX_B～T_RX_H到T_RX_J～T_RX_M、反应器上部松密度D_Upper、反应器下部松密度D_Lower、反应器分布板压降P_RXplate。所组合构成的测量参数向量为：[T_RX_B T_RX_C T_RX_D T_RX_E T_RX_F T_RX_G T_RX_H T_RX_J T_RX_KT_RX_L T_RX_M D_Upper D_Lower P_RXplate]。

3.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(1)中建模训练数据集的采集，按以下方法进行：无结块情况下，根据气固流化床反应器运行的动态相应特性，按时间顺序(时间间隔与时间常数相当)先后采集3组气固流化床反应器正常运行的数据集，记为X0₀，X0_-1，X0_-2(分别表示零拍滞后数据集、前一拍滞后数据集、前两拍滞后数据集，滞后的拍数称为时滞长度)。根据动态主元分析技术的要求，按以下方式构造建立故障诊断模型的原始训练数据集X0＝[X0₀ X0_-1 X0_-2]，称为时滞增广矩阵；

4.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(2)中，对时滞增广矩阵X0进行标准化处理时，所采用的具体公式为：

均值计算： $\stackrel{\‾}{X0}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}X{0}_i$

方差计算： ${\mathrm{\σ}}_{X0}^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({X0}_i-\stackrel{\‾}{X0})}^2$

归一化计算： $X=\frac{X0-\stackrel{\‾}{X0}}{{\mathrm{\σ}}_{X0}};$

式中，N是数据集的样本个数。

5.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(3)中，基于动态主元分析的故障诊断模型按以下方法建立：首先计算标准时滞增广矩阵X的协方差矩阵∑_X，然后对∑_X进行奇异值分解，得到按大小顺序排列的特征根λ₁，λ₂，λ₃……和对应的特征向量p₁，p₂，p₃……，第三，对标准时滞增广矩阵X的奇异值分解结果进行方差贡献率的交叉检验，确定信息占优的特征根个数(亦即主元个数)k，第四，选取前k个特征向量，构造负荷矩阵P＝[p₁ p₂……p_k]^T，最后，求取主元矩阵T＝[t₁ t₂……t_k]^T＝XP。

6.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(4)中，基于核密度估计技术确定控制限的方法为：设样本数据集为X＝[x₁，x₂，…x_n]^T，则密度函数f(x)的核估计为

其中，H为带宽矩阵，|H|为H的行列式，K(·)为核函数，且

核函数估计的概率密度实际上可以看作是在样本点上构成的分割梯度的加和，核函数K(·)决定分割梯度的形状而带宽则决定其宽度。较常用的K(·)为高斯核函数，可选择形式为

核估计本身既同样本有关，又与K(·)和h的选取有关。在给定样本及选取了核函数形式后，核密度估计函数的取决于H的选取，可选对角矩阵

如果样本数据集为由故障诊断模型而来的独立元数据矩阵，则由上述核密度估计函数和95％或99％置信度可求得表征正常运行范围的控制限

7.根据权利要求1所述的动态故障诊断方法，其特征在于，所述步骤(8)中，故障诊断模型自动校正的方法为：设当前模型的原建模训练数据集为{X_j}，经过一段时间运行后新鲜数据集为{X_j+1}，则经过动态主元分析后得到的故障诊断模型为

两个数据集之间模型参数的递推算式具有如下形式：P_j+1＝P_j+α_PΔF_P(‖X_j+1-X_j‖，γ_P，P_j)，式中，ΔF_P为块式递推校正函数，γ_P为校正遗忘因子，α_P为加权系数，而则就新鲜数据集仍按求均值、方差和交叉检验方式更新。可见，首先它是基于块式数据的，只有当新数据累积到一定规模形成数据块的时候才进行处理，且在递推过程中以数据块代替数据本身进行迭代计算，大大减少了计算量。其次，它始终依赖于有限个最新数据块所提供的信息，每增加一个新数据块，就要去掉一个老数据块，即影响模型的数据始终是最新的若干数据块。最后，限定记忆的遗忘因子被引入数据块队列中，时间越久，数据块可信度越小(现时刻的数据块信度为1)，相邻时刻的数据块信度按指数衰减。

Images