CN102541017B - 一种复杂化工过程中振荡信号的快速定位方法 - Google Patents
一种复杂化工过程中振荡信号的快速定位方法 Download PDFInfo
- Publication number
- CN102541017B CN102541017B CN201210008810.2A CN201210008810A CN102541017B CN 102541017 B CN102541017 B CN 102541017B CN 201210008810 A CN201210008810 A CN 201210008810A CN 102541017 B CN102541017 B CN 102541017B
- Authority
- CN
- China
- Prior art keywords
- matrix
- variable
- designated
- chemical process
- signal
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种复杂化工过程中振荡信号的快速定位方法。针对当前复杂化工过程的大规模,强非线性,强耦合等特点,搜索振荡信号传播路径,精确定位故障源。本发明包括将原始信号符号化,获取信号的符号化动态信息,计算各路信号的有向符号化互信息并得到信号传递方向与耦合强度,最后从因果矩阵定位故障源所在的变量。本发明直接采用化工过程可测变量,对工况无附加扰动;精确定位大规模化工过程的故障发生位置;易于计算,便于实施。本发明易于在当前广泛使用的DCS或工业控制系统上位机上实现,降低大规模复杂过程的维护成本,减少控制性能改进与提升的风险,提高效益。
Description
技术领域
本发明涉及石油、化工等流程工业控制系统故障诊断领域,特别地,涉及一种复杂化工过程中振荡信号的快速定位方法。
背景技术
现代制造业设备具有规模大、复杂度高、变量多,并在闭环控制下运行的特点。尤其对于复杂的化工过程,往往具有成千上万个回路,而且,这些回路互相影响,非线性强。对这些设备进行早期的和准确的故障检测与诊断可以减少停产时间,增加设备运行的安全性,并减少制造成本。然而,只是传统的性能监控和故障检测并不能有效改善设备性能,缺乏故障定位的检测仍然无法提供恢复和提高性能所应该采取的措施。
关于大规模设备和过程的故障路径分析和故障定位的主要技术来自于两种思路:一种是分析厂级大规模回路的振荡检测和振荡源定位;另一种是基于概率统计的方法,通过信号分析得到故障信号的传播路径。基于振荡信号分析主要利用到相关性分析技术和谱分析技术,这一技术的一个前提是信号出现明显的振荡。而在实际应用中,大规模的厂级振荡是不允许发生的,从而使得这一方法的使用效果受到限制,不能在故障较为轻微的早期阶段得到故障源信息。另一种基于转移熵极其相似技术获取大规模系统中的信号传递路径,例如Bauer等人在文献(Bauer,M.,J.W.Cox,et al.(2007).″Finding the direction ofdisturbance propagation in a chemical process using transfer entropy.″IEEE Transactions on Control Systems Technology 15(1):12-21.)中利用转移熵获取因果关系图,从而判断回路间的因果关系。这一方法的局限在于它需要复杂的概率密度函数估计,这会导致计算复杂度大幅上升并且计算准确度取决于较多参数的选取,这对于动态特性复杂多样且未知的系统来说,实际应用有比较大的困难。另外一种利用互相关分析计算时间序列延迟的方法较为简易实用,但是它对于非线性强的系统性能不佳,而且只利用操作数据,在没有外部激励的情况下,信号传递的准确时延仍然是一个没有得到很好解决的技术难题。
针对实际情况,一种能够实用于非线性、强耦合系统,无需复杂的计算和过程机理知识,能够在故障发生初期诊断出故障源的方法有助于提高系统性能维护效率,实现局部调整和故障预防,对于延长预测控制系统寿命,提高经济效益具有重要的实用价值。
发明内容
本发明的目的是针对现有技术的不足,提供复杂化工过程中振荡信号的快速定位方法。
复杂化工过程中振荡信号的快速定位方法,其特征在于它的步骤如下:
1)记所要分析的变量数据用矩阵方式表示为X=[x1 x2…xK],其中xi为由变量测量数值构成的行向量,选取阶次n,3≤n≤7,则n个不同数值按大小有n!个不同排列,记为sk,k=1,2,...,n!,将变量xi相邻n个数值作为一组,并根据他们的排列变换为符号序列,得到符号化后的矩阵,记为∏=[π1 π2…πK];
2)对于任意两个符号变量πi、πj,将πj前移d个采样单位,移动后的符号变量记为πj(d),其中d从1逐渐递增,计算πi到πj的有向符号互信息,记为Ii→j(d),计算方法如下:
其中p(·)代表符号出现的概率和联合概率,求和符号对所有可能出现的符号概率求和;
3)依次增大d,获取Ii→j(d)的局部最大值,记为Ii→j(dij);
4)调换变量顺序,重复步骤2)、步骤3),获得Ij→i(d)的局部最大值,记为Ij→i(dji);
5)将任意不同变量按步骤2),步骤3),步骤4)操作,构造K×K维因果矩阵M,将Ii→j(dij)-Ij→i(dji)的值赋给矩阵M的第i行,第j列;
6)将数据矩阵X中各个变量的测量值重新随机排列,得到数据矩阵按步骤1)符号化后得到矩阵重复步骤2)至步骤5),得到因果矩阵
7)重复步骤6)N次,N>50,每次得到的因果矩阵记为计算所有相同位置的数值的均值和均方根分别记为μij,σij;
8)构造K×K维关系矩阵R,M矩阵的第i行,第j列记为mij,若mij-μij≥3σij,则矩阵R的第i行,第j列为1,否则为0,则元素全为0的行所对应变量为故障源怀疑变量。
本发明与现有技术相比具有的有益效果:
1、无需外部信号激励,故对系统的没有附加扰动,能够实现完全的非侵入式检测与诊断。
2、计算简单,便于操作,无需复杂的算法,易于在现有的DCS工作站或者控制系统上位机上实施。
3、能够在故障发生早期定位到故障源变量,从而能够起到预防作用,有效增强复杂系统的安全性和无故障运行时间。
4、完全采用数据驱动的方法,无需具备过程耦合机理及动态特性知识。
附图说明
图1是双环管工艺聚丙烯(PP)生产过程示意图;
图2是变量原始信号示意图;
图3是符号化后的信号示意图。
具体实施方式
复杂化工过程中振荡信号的快速定位方法,其特征在于它的步骤如下:
1)记所要分析的变量数据用矩阵方式表示为X=[x1 x2…xK],其中xi为由变量测量数值构成的行向量,选取阶次n,3≤n≤7,则n个不同数值按大小有n!个不同排列,记为sk,k=1,2,...,n!,将变量xi相邻n个数值作为一组,并根据他们的排列变换为符号序列,得到符号化后的矩阵,记为∏=[π1 π2…πK];
2)对于任意两个符号变量πi、πj,将πj前移d个采样单位,移动后的符号变量记为πj(d),其中d从1逐渐递增,计算πi到πj的有向符号互信息,记为Ii→j(d),计算方法如下:
其中p(·)代表符号出现的概率和联合概率,求和符号对所有可能出现的符号概率求和;
3)依次增大d,获取Ii→j(d)的局部最大值,记为Ii→j(dij);
4)调换变量顺序,重复步骤2)、步骤3),获得Ij→i(d)的局部最大值,记为Ij→i(dji);
5)将任意不同变量按步骤2),步骤3),步骤4)操作,构造K×K维因果矩阵M,将Ii→j(dij)-Ij→i(dji)的值赋给矩阵M的第i行,第j列;
6)将数据矩阵X中各个变量的测量值重新随机排列,得到数据矩阵按步骤1)符号化后得到矩阵重复步骤2)至步骤5),得到因果矩阵
7)重复步骤6)N次,N>50,每次得到的因果矩阵记为计算所有相同位置的数值的均值和均方根分别记为μij,σij;
8)构造K×K维关系矩阵R,M矩阵的第i行,第j列记为mij,若mij-μij≥3σij,则矩阵R的第i行,第j列为1,否则为0,则元素全为0的行所对应变量为故障源怀疑变量。
实施例
下面针对国内某厂采用Spheripol工艺聚丙烯(PP)生产过程性能监控为例对本发明具体实施方式做进一步描述。
PP生产过程,采用双环管反应器简易流程图如图1所示。新鲜催化剂(含助催化剂TEAL和给电子体DONOR)通过搅拌器D201加入到预聚合反应器R200中,同时新鲜的丙烯单体和惰性组份丙烷通过循环流股进入R200,同时有氢气补充到循环流股中。预聚合后,反应器R200的反应物生成物被送至环管反应器R201中,在此与新鲜丙烯单体和氢气发生聚合反应生成丙烯聚合物。R201剩下未反应的液态丙烯和聚合物混在一起进入第二环管反应器R202中继续反应。环管反应器输出含有固体颗粒的混合物至闪蒸罐D301。
该过程的聚合工段具有四十个变量,为了诊断该过程的故障信号传播路径,找到故障源变量,选取主要的18个变量进行分析,其描述如表1所示。根据本发明所示的步骤,首先对各个变量原始信号进行符号化。在该实施例中,选取符号化的阶次为4,因此一共有24个不同的符号对应每一个长度为4的数据向量,用1——24的自然数代表各个符号。作为示意,选择两个变量的原始信号和符号化后的变量(其值为介于1到24之间的正整数)如图2、图3所示。
表1 用于故障定位的变量
根据本发明所示步骤得到因果矩阵和关系矩阵,得到关系矩阵可以用表2表示如下:
表2 变量间的信号传递关系矩阵
可以诊断出故障源为D201温度,R200压力,R200温度。
运用本发明的方法,可以得到复杂过程中各个变量的因果关系,从而可以定位故障源,得到系统维护更为精确的信息。
Claims (1)
1.一种复杂化工过程中振荡信号的快速定位方法,其特征在于它的步骤如下:
1)记所要分析的复杂化工过程中变量数据即振荡信号的数据用矩阵方式表示为X=[x1 x2 … xK],其中xi为由变量测量数值构成的行向量,选取阶次n,3≤n≤7,则n个不同数值按大小有n!个不同排列,记为sk,k=1,2,...,n!,将变量xi相邻n个数值作为一组,并根据他们的排列变换为符号序列,得到符号化后的矩阵,记为Π=[π1 π2 … πK];
2)对于任意两个符号变量πi、πj,将πj前移d个采样单位,移动后的符号变量记为πj(d),其中d从1逐渐递增,计算πi到πj的有向符号互信息,记为Ii→j(d),计算方法如下:
其中p(·)代表符号出现的概率和联合概率,求和符号对所有可能出现的符号概率求和;
3)依次增大d,获取Ii→j(d)的局部最大值,记为Ii→j(dij);
4)调换变量顺序,重复步骤2)、步骤3),获得Ij→i(d)的局部最大值,记为Ij→i(dji);
5)将任意不同变量按步骤2),步骤3),步骤4)操作,构造K×K维因果矩阵M,将Ii→j(dij)-Ij→i(dji)的值赋给矩阵M的第i行,第j列;
6)将数据矩阵X中各个变量的测量值重新随机排列,得到数据矩阵,按步骤1)符号化后得到矩阵,重复步骤2)至步骤5),得到因果矩阵;
7)重复步骤6)N次,N>50,每次得到的因果矩阵记为计算所有相同位置的数值的均值和均方根分别记为μij,σij;
8)构造K×K维关系矩阵R,M矩阵的第i行,第j列记为mij,若mij-μij≥3σij,则矩阵R的第i行,第j列为1,否则为0,则元素全为0的行所对应变量为故障源怀疑变量,即复杂化工过程中振荡故障源怀疑变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210008810.2A CN102541017B (zh) | 2012-01-12 | 2012-01-12 | 一种复杂化工过程中振荡信号的快速定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210008810.2A CN102541017B (zh) | 2012-01-12 | 2012-01-12 | 一种复杂化工过程中振荡信号的快速定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102541017A CN102541017A (zh) | 2012-07-04 |
CN102541017B true CN102541017B (zh) | 2014-07-23 |
Family
ID=46348109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210008810.2A Active CN102541017B (zh) | 2012-01-12 | 2012-01-12 | 一种复杂化工过程中振荡信号的快速定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102541017B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2920658B1 (en) | 2012-11-19 | 2019-03-27 | Siemens Corporation | Resilient optimization and control for distributed systems |
CN103246279B (zh) * | 2013-04-18 | 2016-01-13 | 浙江大学 | 一种存在执行阀粘滞特性的化工过程的控制性能评估方法 |
CN103439968B (zh) * | 2013-08-28 | 2016-01-13 | 浙江大学 | 存在控制阀粘滞特性的化工过程的控制性能测定方法 |
CN105005296B (zh) * | 2015-07-27 | 2018-07-24 | 浙江大学 | 一种基于相位斜率指标的控制过程非线性振荡回路定位方法 |
CN105867345B (zh) * | 2016-03-24 | 2018-04-27 | 浙江科技学院 | 一种多变量化工过程的故障源和故障传播路径定位方法 |
CN106773693B (zh) * | 2016-12-21 | 2020-02-21 | 浙江大学 | 一种工业控制多回路振荡行为稀疏因果分析方法 |
CN111626099B (zh) * | 2020-04-10 | 2023-06-09 | 浙江大学 | 一种基于改进ccm的工业控制系统多回路振荡因果关系分析方法 |
CN113656906B (zh) * | 2021-07-29 | 2023-10-03 | 浙江大学 | 一种面向燃气轮机的非平稳多变量因果关系分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887247A (zh) * | 2009-05-12 | 2010-11-17 | 华东理工大学 | 过程多回路波动源定位识别方法 |
-
2012
- 2012-01-12 CN CN201210008810.2A patent/CN102541017B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887247A (zh) * | 2009-05-12 | 2010-11-17 | 华东理工大学 | 过程多回路波动源定位识别方法 |
Non-Patent Citations (4)
Title |
---|
卢秉南等.基于SDG模型的控制系统故障诊断方法.《化工学报》.2009,第60卷(第9期),2243-2251. |
基于PCA 和SDG 的传感器故障诊断方法研究及应用;高东等;《系统仿真学报》;20110331;第23卷(第3期);567-573 * |
基于SDG模型的控制系统故障诊断方法;卢秉南等;《化工学报》;20090930;第60卷(第9期);2243-2251 * |
高东等.基于PCA 和SDG 的传感器故障诊断方法研究及应用.《系统仿真学报》.2011,第23卷(第3期), |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
Also Published As
Publication number | Publication date |
---|---|
CN102541017A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102541017B (zh) | 一种复杂化工过程中振荡信号的快速定位方法 | |
Saeed et al. | Fault diagnosis based on extremely randomized trees in wireless sensor networks | |
Jiang et al. | Parameter inference for non-repairable multi-state system reliability models by multi-level observation sequences | |
Xu et al. | Performance assessment and design for univariate alarm systems based on FAR, MAR, and AAD | |
CN100517141C (zh) | 丙烯聚合生产数据检测及故障诊断系统及方法 | |
CN105404280A (zh) | 基于自回归动态隐变量模型的工业过程故障检测方法 | |
CN101021723A (zh) | 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN102809965A (zh) | 一种基于故障频繁模式的液压设备故障预警方法 | |
CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
Baklouti et al. | Iterated robust kernel fuzzy principal component analysis and application to fault detection | |
CN105138770B (zh) | 基于间接可靠性特征量的航天产品可靠性仿真评估方法 | |
CN202648860U (zh) | 测量工业过程中的过程流体的压力的压力变送器和过程变量变送器 | |
CN105867345B (zh) | 一种多变量化工过程的故障源和故障传播路径定位方法 | |
Bi et al. | Large-scale chemical process causal discovery from big data with transformer-based deep learning | |
Liu et al. | Spacecraft anomaly detection with attention temporal convolution networks | |
Rani et al. | Fault detection and isolation using probabilistic wavelet neural operator auto-encoder with application to dynamic processes | |
Perry | Identifying the time of polynomial drift in the mean of autocorrelated processes | |
CN103853144A (zh) | 基于采油生产数据的现场传感器故障检测方法 | |
Huang et al. | False phasor data detection under time synchronization attacks: A neural network approach | |
CN100461043C (zh) | 工业聚丙烯生产熔融指数检测故障诊断系统及方法 | |
CN103970129A (zh) | 控制阀粘滞检测方法 | |
CN103606530B (zh) | 融合函数型数据描述的等离子刻蚀过程的故障检测方法 | |
CN103995985A (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
Nguyen et al. | One-Sided Synthetic-RZ control charts: a new method for anomaly detection |
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 |