CN102306230A - 基于二维彩色数字图谱的复杂机电系统状态评估方法 - Google Patents
基于二维彩色数字图谱的复杂机电系统状态评估方法 Download PDFInfo
- Publication number
- CN102306230A CN102306230A CN201110146488A CN201110146488A CN102306230A CN 102306230 A CN102306230 A CN 102306230A CN 201110146488 A CN201110146488 A CN 201110146488A CN 201110146488 A CN201110146488 A CN 201110146488A CN 102306230 A CN102306230 A CN 102306230A
- Authority
- CN
- China
- Prior art keywords
- color
- data
- data matrix
- variable
- atlas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了基于二维彩色数字图谱的复杂机电系统状态评估方法,利用数字图像的像素所特有的高度的关联性和耦合性,将现代制造工业系统中的海量DCS数据按照一定的规则排列,并对多特征海量数据着色,将系统多变量之间的非线性、高耦合性关系利用色彩图谱直观的同时反映出来,构造出反映系统整体健康状态的二维彩色数字平面图谱,本发明可以一次性处理系统所有DCS数据,并能从系统层面直观的对DCS数据的分布式复杂机电系统健康状态的评估、故障快速溯源及系统预警。
Description
技术领域
本技术涉及复杂机电系统的故障诊断、故障溯源及预警,特别是拥有海量监控数据的复杂机电系统的整体健康状态的判断。
背景技术
现代复杂机电系统通常都配备了完善的以DCS(Distribute ControlSystem)为核心的监控系统,对整个生产过程进行监测和记录,形成了海量数据。这些数据反映了整个生产系统在不同时刻的运行状态、寿命状态与工艺状态,是整个生产系统不同时刻、不同工况的真实记录。在这些数据中蕴含了系统状态的内在演化规律与本质。但是,这些数据除了具有时序性以外,还具有非线性、多源异构性、非平衡性、非典型性和海量性(每年的记录数据高达几百个GB)等多种复杂特征,呈多特征并存的特点。因此,如何利用这些多特征数据发现系统潜在异常与动态演化规律,实现对系统健康状态的科学预测与早期故障预防,仍是一个尚未解决的问题,
发明内容
本发明的目的是提供一种基于二维彩色数字图谱的复杂机电系统状态评估方法,可以一次性处理系统所有DCS数据,并能从系统层面直观的对DCS数据的分布式复杂机电系统健康状态的评估、故障快速溯源及系统预警。
本发明利用数字图像的像素所特有的高度的关联性和耦合性,将现代制造工业系统中的海量DCS数据按照一定的规则排列,并对多特征海量数据着色,将系统多变量之间的非线性、高耦合性关系利用色彩图谱直观的同时反映出来,构造出反映系统整体健康状态的二维彩色数字平面图谱。
本发明的技术方案是这样实现的:
一个包含了n个要素的复杂机电系统,按照特定的时间周期对所要生产要素进行采样,记录在系统变量中,则在m个采样周期后,系统共有m×n个系统变量数据,构造系统的二维彩色数字平面图谱,反映系统的整体运行状态。
步骤1:构造复杂机电系统DCS数据的系统变量矩阵
构造m×n阶二维复杂机电系统的系统变量数据矩阵X(以下简称数据矩阵X)如下:
数据矩阵X的每一行代表包含n个系统要素的系统综合变量的一个采样。矩阵X的每一列代表系统的一个要素按时间先后顺序采集的m个独立采样的时间序列向量。
步骤2:DCS数据矩阵着色
数据矩阵中的元素值xi,j=X(i,j)代表第j个系统变量在第i个采样周期的采样值。以数据矩阵X的最大值和最小值为边界,建立系统变量区间[Xmax,Xmin],根据待着色的颜色总数color_num平均划分变量区间,每个变量区间的长度为对应特定的颜色,色彩所对应的变量区间由Xmax到Xmin遵循赤橙黄绿青蓝紫的色彩变化规律,称为颜色区间。将数据矩阵中的每个元素值xi,j按照大小分别投影到对应的颜色区间中,用颜色区间所对应的颜色取代数据矩阵的元素值xi,j,从而为整个数据矩阵着色。
步骤3.构造复杂机电系统二维系统彩色图谱
着色后的数据矩阵中的所有元素值xi,j=X(i,j)都被特定的颜色取代xi,j=Pixel_color,将每一个元素xi,j=Pixel_color作为二维平面图像中的一个像素,就可以得到大小为m×n的复杂机电系统二维系统彩色图谱。
步骤4.根据系统二维彩色图谱判定复杂机电系统运行状态
(1)系统稳定运行时,系统彩色图谱中各要素的色彩条纹的颜色虽然深浅不一,但是色彩条纹分布应均匀,结构简单,变化流畅,显示出系统的运行状态良好。
(2)系统出现停车性故障时,系统彩色图谱的彩色条纹应在故障发生前的采样点处出现突变,贯穿全部系统变量,反映系统出现了全局性的数据异常,面临停车性重大故障。
(3)系统出现非停车性故障时,故障部分所代表的彩色图谱区域会出现色彩突变,反映所在的区域的系统要素出现了问题,需要予以关注及处理。
因此,根据色彩突变的区域,可以快速的判断系统故障等级、故障类型、定位故障范围以及对系统的健康状态进行预测,从而达到故障诊断、故障溯源与预警的目的,从而可以定性的评估系统运行状态。
本发明将数字图像处理引入了复杂机电系统故障诊断领域,实现了多变量数据的统一分析及处理,开辟了一条多因素数据处理的新思路,具体技术效果如下:
将多维海量数据着色,利用色彩图谱反应复杂的系统变量之间的内在联系。将系统多变量之间的非线性、高耦合性关系,利用色彩图谱直观的反映出来,将复杂问题直观化、形象化、简单化。
在数学上,可以利用丰富的图像处理方法分析系统的变化状态。
可以大大简化算法,缩短系统状态的预测时间。
有利于从宏观层面把握系统的整体变化情况。
利用图谱可以建立更多变量之间的关系
附图说明
图1.田纳西-伊斯曼过程
图2空气压缩机组设备连接图
下面结合附图对本发明的内容作进一步详细说明。
具体实施方式
1.田纳西-伊斯曼过程仿真系统正常运行状态及非停车性故障状态系统彩色图谱
田纳西-伊斯曼过程仿真数据包是伊斯曼化学公司创建的过程仿真中采集的监测数据包,作为比较各种方法的数据源,在过程监控系统中被广泛应用。仿真过程基于一个真实的工业过程的仿真。过程包括五个主要单元:反应器1、冷凝器2、汽提塔3、气/液分离器4和压缩机5;包含八种成分:A、B、C、D、E、F、G和H。
具体的工业流程如图1所示。反应器的产品流通过冷凝器2冷却,然后送入气/液分离器4。从气/液分离器4中出来的蒸汽通过压缩机再循环送入反应器1。为了防止过程中惰性组分和反应副产品的积聚,必须排放一部分再循环流。来自气/液分离器4的冷凝成分被泵送入汽提塔3。汽提塔3中的剩余反应物通过再循环,回到反应器1中。从汽提塔3底部出来的产品G和H被送到下游过程。
气体成分A、C、D和E以及惰性组分B被送入反应器1,液态产物G和H在反应器1中形成。反应器中的各种反应是:
A(g)+C(g)+D(g)→G(liq)
A(g)+C(g)+E(g)→H(liq)
A(g)+E(g)→F(liq)
3D(g)→2F(liq)
物质F是反应的副产品,反应是不可逆,放热的。
训练集和测试集中的数据包含了所有的控制变量和测量变量,除了反应器的搅拌器搅动速度,总共有n=52个监测点,监测点向量的对应关系如表1所示。
表1.田纳西仿真数据监测点
监测点编号 | 监测点 | 监测点编号 | 监测点 |
1 | A进料(流1) | 27 | 成分E(流6) |
2 | D进料(流2) | 28 | 成分F(流6) |
3 | E进料(流3) | 29 | 成分A(流9) |
4 | 总进料(流4) | 30 | 成分B(流9) |
5 | 再循环流量(流8) | 31 | 成分C(流9) |
6 | 反应器进料流量(流6) | 32 | 成分D(流9) |
7 | 反应器压力 | 33 | 成分E(流9) |
8 | 反应器等级 | 34 | 成分F(流9) |
9 | 反应器温度 | 35 | 成分G(流9) |
10 | 排放速度(流9) | 36 | 成分H(流9) |
11 | 产品分离器温度 | 37 | 成分D(流11) |
12 | 产品分离器液位 | 38 | 成分E(流11) |
13 | 产品分离器压力 | 39 | 成分F(流11) |
14 | 产品分离器塔底低流量(流10) | 40 | 成分G(流11) |
15 | 汽提器等级 | 41 | 成分H(流11) |
16 | 汽提器压力 | 42 | D进料量(流2) |
17 | 汽提器塔底低流量(流11) | 43 | E进料量(流3) |
18 | 汽提器温度 | 44 | A进料量(流1) |
19 | 汽提器流量 | 45 | 总进料量(流4) |
20 | 压缩机功率 | 46 | 压缩机再循环阀 |
21 | 反应器冷却水出口温度 | 47 | 排放阀(流9) |
22 | 分离器冷却水出口温度 | 48 | 分离器液流量(流10) |
23 | 成分A(流6) | 49 | 汽提器液流量(流11) |
24 | 成分B(流6) | 50 | 汽提器水流阀 |
25 | 成分C(流6) | 51 | 反应器冷却水流量 |
26 | 成分D(流6) | 52 | 冷凝器冷却水流量 |
田纳西仿真数据包中的无故障数据包含了m=480个采样点,根据复杂机电系统生产要素在二维欧氏平面空间的时空分布规则,构造二维复杂机电系统的系统变量数据矩阵X,如下:
系统综合变量,52个监测点
数据矩阵反映了复杂机电系统的系统变量的时间和空间分布规则。52个监测点构成的系统变量向量的空间分布为横轴,时间序列向量为纵轴。将系统变量分别按照空间关系和时间关系排列在一个二维平面上,横轴可以直观的反映系统中所有要素的耦合关系,轴向关系形成系统综合向量;纵轴反应系统各要素的时间序列关系,轴向关系形成系统变量的时序向量。将该数据矩阵中的元素均匀分布在欧氏平面空间中,就构成了系统变量在二维欧氏空间平面中的时空分布结构。
在数字图像处理中,真彩是分别用8位二进制位表示R、G、B三原色所构成的三维色彩相空间,共含有224=1677216种色彩。我们以系统变量的最大值和最小值为边界,建立系统变量区间,将整个变量区间平均划分为224个小区间,每一个区间代表一种色彩相空间的分布,将系统变量投影到它所属的相空间中,用色彩相空间所对应的色彩表示该采样值的大小,这样就可以对系统变量上色,以不同的色彩代表区间值的大小。色彩所代表的数值由大到小遵循赤橙黄绿青蓝紫的色彩变化规律。这样就得到了系统变量的三维色彩相空间分布。
根据复杂机电系统生产要素在三维色彩相空间的分布规则,为DCS数据的观测值上色。找出数据包中的最大值为4600.7,最小值为-0.00249,得到数据区间为[4600.7,-0.00249],平均划分为224=16777216个小区间,则每个区间的精确度为2.74×10-4。因此每种颜色的所带表的数值的精确度可以达到10-4,可以满足DCS数据的精确度要求。
将田纳西DCS数据包投影在由二维欧氏平面相空间和三维色彩相空间共同构造的反映系统运行状态的复杂机电系统相空间中,得到系统DCS数据包在系统相空间的投影--系统平面彩色图谱,以下简称彩色图谱。
田纳西无故障数据彩色图谱的横轴代表监测点,纵轴代表采样点,以不同的颜色代表采样值的数值。采样值的数值与颜色的对应关系由大到小遵循赤橙黄绿青蓝紫的色彩变化规律。
田纳西DCS数据彩色图谱显示了包含52个观测点和500个采样点的监测数据集的整体分布情况。由于彩色图谱中像素间所特有的高度的关联性和耦合性,我们可以利用复杂系统的彩色图谱从系统层面观测系统的整体运行状态。
稳定运行状态的系统彩色图谱反映了一个稳定运行的复杂动力学系统所蕴含的,自然界中物质深层固有结构所固有和谐、简洁、流畅的美学特征。系统彩色图谱中各要素的色彩条纹的颜色虽然深浅不一,但是色彩条纹分布均匀,结构简单,变化流畅,无不反映了系统内部要素之间所蕴含的美,显示出系统的运行状态良好。
根据同样的方法,将有非停车性故障的田纳西系统故障数据包投影的系统相空间,得到系统的非停车性故障的彩色图谱,可以看到出现了色彩的突变,就好像一副美丽的图画上出现了瑕疵。这是因为当出现非停车性故障时系统内部各要素之间的和谐性与规律性被破坏了,反映在系统彩色图谱上,就会出现不和谐的因素,从而破坏了整个彩色图谱的美感。
2.某化工企业空气压缩机组停车性故障彩色图谱
某化工厂空气压缩机组是一个分布式复杂机电系统,其设备连接图如图2所示。它由设备(设备、开关阀等统称设备)通过连接管件连接而成,所有设备相互协同,共同完成压缩空气的功能。整个系统的变量与设备名称的对应关系见表2。
表2.空气压缩机组变量与设备名称对应表
空气压缩机组DCS数据包中的包含了m=8641个采样点,根据复杂机电系统生产要素在二维欧氏平面空间的时空分布规则,构造二维复杂机电系统的系统变量数据矩阵X,如下:
系统综合变量,18个监测点
根据复杂机电系统生产要素在三维色彩相空间的分布规则,为DCS数据的观测值着色,将每一个已着色的数据矩阵的元素当作二维彩色图谱的一个像素,得到有停车故障的大小为8641×18的系统彩色图谱。可以看出当系统出现停车性故障时,故障发生前系统彩色图谱的彩色条纹在同一采样点出几乎全部出现了突变。在彩色条纹突变发生后出现了一条不十分明显的黑线,贯穿全部监测点,正是系统发生停车事故的采样点。
综上所述,根据系统彩色图谱的色彩突变区域,可以快速的判断系统故障等级、故障类型、定位故障范围以及对系统的健康状态进行预测,从而达到故障诊断、故障溯源与预警的目的。
Claims (1)
1.基于二维彩色数字图谱的复杂机电系统状态评估方法,其特征在于,一个包含了n个要素的复杂机电系统,按照特定的时间周期对所要生产要素进行采样,记录在系统变量中,则在m个采样周期后,系统共有m×n个系统变量数据,构造系统的二维彩色数字平面图谱,反映系统的整体运行状态,包括以下步骤:
步骤1:构造复杂机电系统DCS数据的系统变量矩阵
构造m×n阶二维复杂机电系统的系统变量数据矩阵X,以下简称数据矩阵X,如下:
数据矩阵X的每一行代表包含n个系统要素的系统综合变量的一个采样。矩阵X的每一列代表系统的一个要素按时间先后顺序采集的m个独立采样的时间序列向量。
步骤2:DCS数据矩阵着色
数据矩阵中的元素值xi,j=X(i,j)代表第j个系统变量在第i个采样周期的采样值,以数据矩阵X的最大值和最小值为边界,建立系统变量区间[Xmax,Xmin],根据待着色的颜色总数color_num平均划分变量区间,每个变量区间的长度为对应特定的颜色,色彩所对应的变量区间由Xmax到Xmin遵循赤橙黄绿青蓝紫的色彩变化规律,称为颜色区间,将数据矩阵中的每个元素值xi,j按照大小分别投影到对应的颜色区间中,用颜色区间所对应的颜色取代数据矩阵的元素值xi,j,从而为整个数据矩阵着色;
步骤3.构造复杂机电系统二维系统彩色图谱
着色后的数据矩阵中的所有元素值xi,j=X(i,j)都被特定的颜色取代xi,j=Pixel_color,将每一个元素xi,j=Pixel_color作为二维平面图像中的一个像素,就可以得到大小为m×n的复杂机电系统二维系统彩色图谱;
步骤4.根据系统二维彩色图谱判定复杂机电系统运行状态
(1)系统稳定运行时,系统彩色图谱中各要素的色彩条纹分布均匀,变化流畅,显示出系统的运行状态良好;
(2)系统出现停车性故障时,系统彩色图谱的彩色条纹应在故障发生前的采样点处出现突变,贯穿全部系统变量,反映系统出现了全局性的数据异常,面临停车性重大故障;
(3)系统出现非停车性故障时,故障部分所代表的彩色图谱区域会出现色彩突变,反映所在的区域的系统要素出现了问题,需要予以关注及处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110146488.5A CN102306230B (zh) | 2011-06-02 | 2011-06-02 | 基于二维彩色数字图谱的复杂机电系统状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110146488.5A CN102306230B (zh) | 2011-06-02 | 2011-06-02 | 基于二维彩色数字图谱的复杂机电系统状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102306230A true CN102306230A (zh) | 2012-01-04 |
CN102306230B CN102306230B (zh) | 2014-04-23 |
Family
ID=45380091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110146488.5A Expired - Fee Related CN102306230B (zh) | 2011-06-02 | 2011-06-02 | 基于二维彩色数字图谱的复杂机电系统状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102306230B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682835A (zh) * | 2016-12-29 | 2017-05-17 | 西安交通大学 | 一种数据驱动的复杂机电系统服役质量状态评估方法 |
CN107330454A (zh) * | 2017-06-20 | 2017-11-07 | 西安建筑科技大学 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
TWI636439B (zh) * | 2017-10-05 | 2018-09-21 | 楊晉昌 | Circuit monitoring and information management system for equipment engineering |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1889422A (zh) * | 2006-06-02 | 2007-01-03 | 中华人民共和国青岛出入境检验检疫局 | 机电产品电气安全远程检验系统 |
US20080002210A1 (en) * | 2006-06-30 | 2008-01-03 | Kostadin Djordjev | Determination of interferometric modulator mirror curvature and airgap variation using digital photographs |
CN101349737A (zh) * | 2008-09-12 | 2009-01-21 | 南京因泰莱电器股份有限公司 | 电动机状态检测和启动过程判别方法 |
-
2011
- 2011-06-02 CN CN201110146488.5A patent/CN102306230B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1889422A (zh) * | 2006-06-02 | 2007-01-03 | 中华人民共和国青岛出入境检验检疫局 | 机电产品电气安全远程检验系统 |
US20080002210A1 (en) * | 2006-06-30 | 2008-01-03 | Kostadin Djordjev | Determination of interferometric modulator mirror curvature and airgap variation using digital photographs |
CN101349737A (zh) * | 2008-09-12 | 2009-01-21 | 南京因泰莱电器股份有限公司 | 电动机状态检测和启动过程判别方法 |
Non-Patent Citations (3)
Title |
---|
朱景 等: "基于多色集合的工作流建模及路径求取算法", 《西安交通大学学报》 * |
李果 等: "基于多色集合的多重故障建模与推理技术研究", 《计算机集成制造系统》 * |
李果 等: "基于多色集合的贝叶斯诊断网络构造方法研究", 《西安交通大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682835A (zh) * | 2016-12-29 | 2017-05-17 | 西安交通大学 | 一种数据驱动的复杂机电系统服役质量状态评估方法 |
CN106682835B (zh) * | 2016-12-29 | 2020-05-22 | 西安交通大学 | 一种数据驱动的复杂机电系统服役质量状态评估方法 |
CN107330454A (zh) * | 2017-06-20 | 2017-11-07 | 西安建筑科技大学 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
CN107330454B (zh) * | 2017-06-20 | 2020-07-17 | 陈文芹 | 非线性海量高维序列数据分类特性可视化及定量分析方法 |
TWI636439B (zh) * | 2017-10-05 | 2018-09-21 | 楊晉昌 | Circuit monitoring and information management system for equipment engineering |
Also Published As
Publication number | Publication date |
---|---|
CN102306230B (zh) | 2014-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Impact and threshold effect of Internet technology upgrade on forestry green total factor productivity: Evidence from China | |
CA2865194C (en) | Method and system for condition monitoring of a group of plants | |
CN102282552B (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
CN103794109B (zh) | 具有仿真培训功能的电力控制系统及其仿真培训方法 | |
CN102306230B (zh) | 基于二维彩色数字图谱的复杂机电系统状态评估方法 | |
CN105004542A (zh) | 基于主元分析的卷烟制丝掺配加香段在线监测和故障诊断方法 | |
CN101446831A (zh) | 一种分散的过程监测方法 | |
CN102455698A (zh) | 基于树状结构的自控率、平稳率监控系统及监控方法 | |
CN106294561A (zh) | 电网信息叠加显示方法和装置 | |
CN104657900B (zh) | 一种油气管道调控业务支持系统及其实现方法 | |
CN105573898A (zh) | 一种机载计算机综合性能自动测评方法 | |
CN115315667A (zh) | 具有若干工厂的过程网络 | |
CN107944765A (zh) | 智能制造生产调度协同管控能力的评估系统和评估方法 | |
CN115017214B (zh) | 水电站辅助设备运行状态分析预警方法、装置及存储介质 | |
CN113946952A (zh) | 风机孪生体的生成方法、装置及电子设备 | |
CN102156443B (zh) | 一种等离子体裂解煤工艺过程的三维可视化数据监控方法 | |
Kai et al. | Plant-wide quantitative assessment of a process industry system’s operating state based on color-spectrum | |
CN101980320A (zh) | 一种化工操作实训装置的控制系统 | |
CN103454987A (zh) | 一种轮胎硫化群控系统 | |
CN202563724U (zh) | Dbp半连续生产型化工教学仿真系统 | |
Alvela Nieto et al. | Energy transparency in compound feed production | |
CN110619191A (zh) | 一种煤气管网运行诊断系统及方法 | |
CN101639683A (zh) | 汽车生产信息管理系统 | |
CN104950854B (zh) | 一种核电站失水事故监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140423 Termination date: 20180602 |
|
CF01 | Termination of patent right due to non-payment of annual fee |