CN103389701B - 基于分布式数据模型的厂级过程故障检测与诊断方法 - Google Patents

Abstract

本发明公开了一种基于分布式数据模型的厂级过程故障检测与诊断方法。针对复杂的大型厂级生产过程，目前常用的故障检测与诊断方法大多都是建立在数据驱动模型的基础上。其中，最为典型的方法是先将整个厂级过程按照操作单元和功能划分为多个子模块，然后分别针对不同的子模块建立相应的故障检测与诊断模型。但是，该类方法往往在很大程度上依赖于过程知识，对于复杂的厂级过程来说，这种要求是非常苛刻的。本发明提出了一种完全基于数据分析的子模块划分新方法，并在此基础上构造相应的故障检测与诊断方法，实现对典型厂级过程的全局监测。本发明对提高厂级化工生产过程的故障检测与诊断性能和产品质量具有重要的应用价值。

Description

基于分布式数据模型的厂级过程故障检测与诊断方法

技术领域

本发明属于工业生产过程的安全监测和质量控制领域，特别涉及一种基于分布式数据模型的厂级过程故障检测与诊断方法。

背景技术

随着现代化工过程生产规模的日益扩大，一种新型的厂级过程越来越引起人们的关注。针对厂级过程的建模、监测和控制也随之得到了学术界和工业界的广泛关注。一个典型的厂级过程通常包含多个操作单元、多个流程装置，甚至囊括多个操作车间。如此复杂的大型化工过程，采用传统的基于机理模型的故障检测和诊断方法将会非常困难。相比之下，由于过程中积累了大量的数据，基于数据的方法更加适合复杂大型的厂级过程。目前常用的厂级过程故障检测和诊断方法大多都是建立在数据驱动模型的基础上，在这一大类方法中，通常先将整个厂级过程按照操作单元和功能划分为多个子模块，然后分别针对不同的子模块建立基于数据的故障检测模型对过程进行分块监测。但是，该类方法往往在很大程度上依赖厂级过程的专家知识，这对复杂的厂级过程来说是非常苛刻的。因此，如果能摆脱厂级过程对专家知识的依赖，建立完全基于数据驱动的厂级过程故障检测和诊断模型，将会大大提高厂级过程的综合自动化能力，非常有利于全厂范围内的自动化实施。

发明内容

本发明的目的在于针对现有厂级过程故障检测和诊断方法的不足，提供一种基于分布式数据模型的厂级过程故障检测与诊断方法。

本发明的目的是通过以下技术方案来实现的：

一种基于分布式数据模型的厂级过程故障检测与诊断方法，包括以下步骤：

（1）利用集散控制系统收集厂级过程的数据组成建模用的训练数据样本集：X∈R^n×m。其中，n为样本数据集的个数，m为样本数据集的变量个数。

（2）针对厂级过程数据集X∈R^n×m，建立一个全局的主元分析模型，提取厂级过程的主元数据方向，并定义一个变量贡献度指标，在各个主元方向上，选取贡献大的过程变量，构造厂级过程的子模块。这样，整个厂级过程数据集X∈R^n×m被分为不同的子模块其中b=1,2,…,k为子模块的序号，k为总的子模块个数。将这些子模块数据集存入数据库备用。

（3）针对每一个子模块对应的数据集，对其进行归一化处理，建立基于主元分析的故障检测模型，提取主元信息，建立子模块的监测统计量及其监测限。

（4）得到各个子模块的监测信息之后，对其结果进行整合和集成，形成厂级范围的故障检测模型。

（5）在故障检测模型的基础上，通过分析故障敏感子模块和故障不敏感子模块之间的变量关系，建立面向多模块厂级过程的故障诊断模型，实现对厂级过程大的精确故障诊断。

（6）收集新的过程数据，并对其进行预处理和归一化。

（7）将新的过程数据划分为多个子模块，输入到子模块主元模型中，计算相应的主元成分。

（8）计算各个子模块对于的监测统计量值，集成多个子模块的监测结果，形成厂级过程的故障检测结果，判断当前过程的运行状态。

（9）在故障检测的基础上，分别找出故障敏感子模块和故障不敏感子模块的公共变量，得到该故障的诊断结果。

本发明的有益效果是：本发明通过对厂级过程构建分布式数据统计分析模型，克服了传统分块建模方法对过程知识的依赖，建立了厂级过程中各个子模块的故障检测和诊断模型。相比目前的其它厂级过程监测方法，本发明不仅有效实现了纯数据驱动的厂级过程故障建模，而且可以综合各个子模块的分布式监测信息，实现对整个厂级过程的全局故障检测和诊断，大大提高了厂级化工过程的监测性能，非常有利于厂级过程工业自动化的扩展和实施。

附图说明

图1是厂级化工过程的流程图；

图2是本发明方法中子模块4对厂级过程故障的检测结果；

图3是本发明方法中子模块6对厂级过程故障的检测结果；

图4是传统主元分析方法对厂级过程故障的检测结果；

图5是本发明方法中子模块4对厂级过程故障的诊断结果；

图6是本发明方法中子模块6对厂级过程故障的诊断结果。

具体实施方式

本发明针对厂级过程的故障检测和诊断问题，首先利用集散控制系统收集该过程的数据，对其进行必要的预处理和归一化，然后建立一个全局的主元分析模型，按照确定的各个主元方向，将整个过程数据集分为不同的子模块。针对每一个子模块对应的数据集，分别建立一个的主元分析模型，并建立监测统计量的控制限。得到各个子模块的故障检测结果之后，将其重新组合和集成，得到最终的厂级过程故障检测结果，并通过分析故障敏感子模块和不敏感子模块变量之间的相关关系，给出相应的故障诊断结果。对新的过程数据进行监测的时候，同样将该数据分为不同的子模块，利用每一个子模块建模数据的均值和标准差对其进行归一化处理，得到标准数据之后，再利用各个子模块的主元分析模型计算新数据对于的监测统计量，实现对厂级过程的全局故障检测和诊断。

本发明采用的技术方案的主要步骤分别如下：

第一步 利用集散控制系统收集厂级化工生产过程的数据组成建模用的二维训练样本集：X∈R^n×m。其中，n为样本数据集的个数，m为样本数据集的变量个数。

第二步 针对厂级过程数据集X∈R^n×m，建立一个全局的主元分析模型，提取厂级过程的主元数据方向，并定义一个变量贡献度指标，在各个主元方向上，选取贡献大的过程变量，构造厂级过程的子模块。这样，整个厂级过程数据集X∈R^n×m被分为不同的子模块其中b=1,2,…,k为子模块的序号，k为总的子模块个数。将这些子模块数据集存入数据库备用。

第三步 针对每一个子模块对应的数据集，对其进行归一化处理，建立基于主元分析的数据统计监测模型，提取主元信息，建立子模块的监测统计量及其监测限。

对每一个子模块对应的数据集b=1,2,…,k进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集。该步骤的主要目的是为了使得过程数据的尺度不会影响到监测的结果。通过归一化之后，不同过程变量的数据就处在相同的尺度之下，既而不会影响到后续的监测效果。然后，对该数据集进行主元分析，把原空间分为主元空间和残差空间，选取合适的主元个数，得到的载荷矩阵P_b和得分矩阵T_b，并获得建模的残差，即

$X_b=T_b\·P_b^T+{\tilde{T}}_b\·{\tilde{P}}_b^T$

在主元分析模型的基础上，通过构造以下两个统计量T²和SPE来实现对各个子模块内部的监测

$T_b^2=t_b^T{\mathrm{\Λ}}_b{t}_b;{\mathrm{SPE}}_b=e_b^T{e}_b$

其中，t_b为子模块得分矩阵T_b中的向量，对应于一个子模块数据的主元变量，为该数据的估计残差。为了对数据的状态进行监测，我们需要建立和SPE_b统计量的监测统计限和SPE_b,lim，即

$T_{b,\lim }^2=\frac{k_b(n-1)}{n-k_b}{F}_{k_b,(n-k_b),\mathrm{\α}};{\mathrm{SPE}}_{b,\lim }=g_b{\mathrm{\χ}}_{h_b,\mathrm{\α}}^2$

其中，F代表F形式的统计分布，χ²为χ²形式的统计分布，α为统计置信度，g_b=var(SPE_b)/[2mean(SPE_b)]，h_b=2[mean(SPE_b)]²/var(SPE_b)，其中mean(SPE_b)和var(SPE_b)分别为SPE_b统计量的均值和方差。分别对b=1,2,…,k的不同子模块进行建模，完成分布式数据模型的构建。

第四步 得到各个子模块的监测信息之后，对其结果进行整合和集成，形成厂级范围的故障检测模型，即

$T_{\mathrm{glob}}^2=\mathrm{Com}\{T^2\left(1\right),T^2\left(2\right),\·\·\·,T^2\left(k\right)\}$

SPE_glob=Com{SPE(1),SPE(2),…,SPE(k)}

其中，T²和SPE分别代表主元分析模型的两个故障检测统计量，Com{·}表示对k个子模块的结果进行集成。

第五步 在故障检测模型的基础上，通过分析故障敏感子模块和故障不敏感子模块之间的变量关系，建立面向多模块厂级过程的故障诊断模型，实现对厂级过程大的精确故障诊断。

首先，定义故障敏感子模块和故障不敏感子模块如下

FS={A(i),i=1,2,…,f}

NS={B(j),j=1,2,…,g}

其中，A和B分别对应故障敏感子模块和故障不敏感子模块。然后，分别提取故障敏感子模块和故障不敏感子模块的公共变量，即

INV=J(A(1))∩J(A(2))∩…∩J(A(f))

EXV=J(B(1))∩J(B(2))∩…∩J(B(g))

其中，J(·)代表子模块的变量集合。最后，给出故障变量集如下

RVS=INV-(INV∩EXV)

第六步 收集新的过程数据，并对其进行预处理和归一化。

第七步 将新的过程数据划分为多个子模块，输入到子模块主元模型中，计算相应的主元成分。

首先，将新的过程数据x^new划分为多个子模块，即

$x^{\mathrm{new}}=\left[\begin{array}{cccccc}{x}_1^{\mathrm{new}}& x_2^{\mathrm{new}}& \·\·\·& x_b^{\mathrm{new}}& \·\·\·& x_k^{\mathrm{new}}\end{array}\right]$

将不同的子模块数据向量输入到对应的子模块主元模型中，计算相应的主元成分如下

$t_1^{\mathrm{new}}=P_1^T{x}_1^{\mathrm{new}},t_2^{\mathrm{new}}=P_2^T{x}_{12}^{\mathrm{new}},\·\·\·,t_k^{\mathrm{new}}=P_k^T{x}_k^{\mathrm{new}}$

第八步 计算各个子模块对于的监测统计量值，集成多个子模块的监测结果，形成厂级过程的故障检测结果，判断当前过程的运行状态。

计算各个子模块数据对应的监测统计量的值如下

$T_b^2\left(x_b^{\mathrm{new}}\right)=t_b^{\mathrm{newT}}{\mathrm{\Λ}}_b{t}_b^{\mathrm{new}}\≤T_{b,\lim }^2$

${\mathrm{SPE}}_b^{\mathrm{new}}={(x_b^{\mathrm{new}}-P_b{P}_b^T{x}_b^{\mathrm{new}})}^T(x_b^{\mathrm{new}}-P_b{P}_b^T{x}_b^{\mathrm{new}})\≤{\mathrm{SPE}}_{b,\lim }$

当和时，说明厂级过程的运行状态良好，各个子模块的监测统计量都在正常范围内，当前没有故障发生，相反，如果或者时，说明该子模块的监测统计量已经超越其统计控制限，厂级过程有可能发生了某种故障，需要给过程提供报警信息。

第九步 在故障检测的基础上，分别找出故障敏感子模块和故障不敏感子模块的公共变量，得到该故障的诊断结果。

针对新的过程数据，得到故障敏感子模块和故障不敏感子模块如下

FS_new={A_new(i),i=1,2,…,f}

NS_new={B_new(j),j=1,2,…,g}

其中，A_new和B_new分别对应故障敏感子模块和故障不敏感子模块。然后，分别提取故障敏感子模块和故障不敏感子模块的公共变量，即

INV_new=J(A_new(1))∩J(A_new(2))∩…∩J(A_new(f))

EXV_new=J(B_new(1))∩J(B_new(2))∩…∩J(B_new(g))

其中，J(·)代表子模块的变量集合。最后，给出故障变量集如下

RVS_new=INV_new-(INV_new∩EXV_new)

下面结合一个具体的厂级化工生产过程例子来说明本发明方法的有效性。该过程的流程图如图1所示，整个过程由5个不同的操作单元组成。选取33个主要过程变量用于该厂级过程的监测，如表1所示。首先，建立一个全局的主元分析模型，选取主元个数为15个，因此，整个厂级过程被划分为15个不同的子模块。在过程中一共采集960个数据点用于建模，接下来结合该具体过程对本发明的实施步骤进行详细地阐述：

1.收集过程数据，数据预处理，厂级过程分块，子模块主元分析模型构建

对收集到的960个有效正常数据样本进行预处理，去掉均值和方差，并将其分为15个不同的子模块。然后，分别针对每一个子模块数据集，建立其主元统计分析模型，并建立各个主元分析模型的T²和SPE统计量的统计限。

2.分布式数据模型的综合和集成，构建厂级过程故障检测和诊断模型

得到各个子模块的监测信息之后，对其结果进行整合和集成，形成厂级范围的故障检测模型。在故障检测模型的基础上，通过分析故障敏感子模块和故障不敏感子模块之间的变量关系，建立面向多模块厂级过程的故障诊断模型，实现对厂级过程大的精确故障诊断。

3.获取当前监测数据信息，并对其进行预处理和归一化

为了测试新方法的有效性，分别对正常数据集和异常数据集进行测试，其中，正常数据集包含500个数据点，异常数据集包含960个数据点(其中前面160个为正常数据，之后800个为异常数据)，首先是利用模型库中的均值和方差对其进行归一化处理，使得该测试数据和建模数据具有相同的尺度。

4.厂级过程的在线故障检测和诊断

首先将正常数据集中的每一个测试数据分为15不同的子模块数据向量，利用各个子模块对应的主元分析模型对其进行主元信息提取。得到各个子模块的主元信息之后，计算相应的监测统计量值，并与其统计限相比较，得到实时故障检测结果，其中两个子模块的故障检测结果如图2和图3所示。由该图可以看出，分布式数据模型的故障检测结果还是比较满意的，特别是SPE统计量，在161个数据点之后，已经完全检测到过程故障的存在，并在之后持续给出报警信息。相比之下，如果我们采用传统的主元分析模型进行监测的话，监测性能将会大大降低，如图4所示。图5和图6分别给出了相应的故障诊断结果，两个子模块均显示变量15,17,31和33为该故障的主要影响变量。

表1：厂级过程监测变量列表

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 (6)

1.一种基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，包括以下步骤：

(1)利用集散控制系统收集厂级过程的数据组成建模用的训练数据样本集：X∈R^n×m；其中，n为样本数据集的个数，m为样本数据集的变量个数；

(2)针对厂级过程数据集X∈R^n×m，建立一个全局的主元分析模型，提取厂级过程的主元数据方向，并定义一个变量贡献度指标，其定义如下：

$C(i,j)=p_{\mathrm{ij}}^2/\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{lj}}^2$

其中，i＝1,2,…,m，j＝1,2,…,k，为负载矩阵中的第i行第j列对应元素值的平方；在各个主元方向上，选取贡献大的过程变量，构造厂级过程的子模块；这样，整个厂级过程数据集X∈R^n×m被分为不同的子模块其中b为子模块的序号，b＝1,2,…,k，k为总的子模块个数；将这些子模块数据集存入数据库备用；

(3)针对每一个子模块对应的数据集，对其进行归一化处理，建立基于主元分析的故障检测模型，提取主元信息，建立子模块的监测统计量及其监测限；

(4)得到各个子模块的监测信息之后，对其结果进行整合和集成，形成厂级范围的故障检测模型；

(5)在故障检测模型的基础上，通过分析故障敏感子模块和故障不敏感子模块之间的变量关系，建立面向多模块厂级过程的故障诊断模型，实现对厂级过程大的精确故障诊断；

(6)收集新的过程数据，并对其进行预处理和归一化；

(7)将新的过程数据划分为多个子模块，输入到子模块主元模型中，计算相应的主元成分；

(8)计算各个子模块对于的监测统计量值，集成多个子模块的监测结果，形成厂级过程的故障检测结果，判断当前过程的运行状态；

(9)在故障检测的基础上，分别找出故障敏感子模块和故障不敏感子模块的公共变量，得到该故障的诊断结果。

2.根据权利要求1所述基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，所述步骤(2)具体为：针对厂级过程数据集X∈R^n×m，建立一个全局的主元分析模型，提取厂级过程的主元数据方向，即：

$X={\mathrm{TP}}^T+\tilde{T}{\tilde{P}}^T$

其中，T∈R^n×k1和分别为主元模型中主元和残差空间的得分矩阵，P∈R^m×k1和为相应的负载矩阵，k1为主元个数；在主元模型中，各个主元的方向是相互正交的，因此，在各个主元方向上构造的厂级过程子模块，能保证子模块相互之间的重叠尽可能的少，符合厂级过程的子模块划分原则；在每一个主元方向上，定义如下的变量贡献度指标：

$C(i,j)=p_{\mathrm{ij}}^2/\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{lj}}^2$

其中，i＝1,2,…,m，j＝1,2,…,k，为负载矩阵中的第i行第j列对应元素值的平方；基于变量贡献度指标，在各个主元方向上，选取贡献大的过程变量，构成厂级过程的各个子模块；因此，整个厂级过程数据集X∈R^n×m被划分为k个子模块，即：

X＝[X₁ X₂ … X_b … X_k]

其中b子模块的序号，b＝1,2,…,k，k为总的子模块个数。

3.根据权利要求1所述基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，所述步骤(3)具体为：针对每一个子模块对应的数据集，首先对其进行归一化处理，即去掉每个数据变量的均值和方差，然后建立主元分析模型，具体通过对协方差矩阵进行特征值分解实现；通过主元分析，把原空间分为主元空间和残差空间，得到的负载矩阵和得分矩阵如下：

${\mathrm{\Σ}}_b=X_b^T{X}_b/(n-1)=\left[\begin{array}{cc}{P}_b& {\tilde{P}}_b\end{array}\right]{\mathrm{\Λ}}_b{\left[\begin{array}{cc}{P}_b& {\tilde{P}}_b\end{array}\right]}^T$

$T_b=X_b\·P_b;{\tilde{T}}_b=X_b\·{\tilde{P}}_b$

其中，k_b为选取的主元个数，T_b为主元空间的得分矩阵，为残差空间的得分矩阵，为主元分解得到的特征值矩阵，并满足以下关系 $\mathrm{diag}\{{\mathrm{\λ}}_1,{\mathrm{\λ}}_2,...,{\mathrm{\λ}}_{k_b}\}=\mathrm{var}\left(T_b\right)={T_b}^T{T}_b/(n-1);$ 这样主元分析模型就把原来的过程操作空间分为两个子空间，即主元空间和残差空间

4.根据权利要求1所述基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，所述步骤(4)具体为：得到各个子模块的监测信息之后，对其结果进行整合和集成，形成厂级范围的故障检测模型，即:

$T_{\mathrm{glob}}^2=\mathrm{Com}\{T^2\left(1\right),T^2\left(2\right),...,T^2\left(k\right)\}$

SPE_glob＝Com{SPE(1),SPE(2),…,SPE(k)}

其中，T²和SPE分别代表主元分析模型的两个故障检测统计量，Com{·}表示对k个子模块的结果进行集成。

5.根据权利要求1所述基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，所述步骤(5)具体为：在故障检测模型的基础上，通过分析故障敏感子模块和故障不敏感子模块之间的变量关系，建立面向多模块厂级过程的故障诊断模型，实现对厂级过程大的精确故障诊断；首先，定义故障敏感子模块和故障不敏感子模块如下：

FS＝{A(i),i＝1,2,…,f}

NS＝{B(j),j＝1,2,…,g}

其中，A和B分别对应故障敏感子模块和故障不敏感子模块；然后，分别提取故障敏感子模块和故障不敏感子模块的公共变量，即：

INV＝J(A(1))∩J(A(2))∩…∩J(A(f))

EXV＝J(B(1))∩J(B(2))∩…∩J(B(g))

其中，J(·)代表子模块的变量集合；最后，给出故障变量集如下：

RVS＝INV-(INV∩EXV)。

6.根据权利要求1基于分布式数据模型的厂级过程故障检测与诊断方法，其特征在于，所述步骤(7)-(9)具体为：将新的过程数据x^new划分为多个子模块，输入到子模块主元模型中，计算相应的主元成分，即：

$x^{\mathrm{new}}=\left[\begin{array}{cccccc}{x}_1^{\mathrm{new}}& x_2^{\mathrm{new}}& ...& x_b^{\mathrm{new}}& ...& x_k^{\mathrm{new}}\end{array}\right]$

$t^{\mathrm{new}}=\left[\begin{array}{cccccc}{P}_1^T{x}_1^{\mathrm{new}}& P_2^T{x}_2^{\mathrm{new}}& ...& P_b^T{x}_b^{\mathrm{new}}& ...& P_k^T{x}_k^{\mathrm{new}}\end{array}\right]$

计算相应子模块的监测统计量T²和SPE的值，并综合各个子模块的故障检测结果，得到厂级过程最终的故障检测结果，并通过分析故障敏感子模块和故障不敏感子模块的公共变量，给出相应的故障变量诊断结果。