CN103451680B - 基于多元统计方法的电解铝全流程监测及故障诊断系统 - Google Patents

Abstract

一种基于多元统计方法的电解铝全流程监测及故障诊断系统，该系统分为三层，底层对关键的工艺参数进行监测，中层对电解铝过程中的设备运行进行监测，顶层对全流程进行综合监测。本系统通过对底层、中层、顶层分别进行监测，对所测得结果进行综合分析，进而保证监测的针对性和监测结果的准确性。本发明采用分层监测的思想，实现了分离化、一体化监测，进而保证了监测的针对性和监测结果的准确性；本发明可实现故障发生前的预报、故障发生时的报警及故障诊断与故障追溯功能；本发明离线建模和在线监测采用模块化设计思想，各个模块分别执行相应的功能；本发明不仅能够保证安全生产及产品质量，而且能够减少原材料和电能的消耗。

Description

基于多元统计方法的电解铝全流程监测及故障诊断系统

技术领域

本发明属于电解铝过程监测及故障诊断技术领域，特别是可实现故障发生前的预报、故障发生时的报警及故障诊断与故障追溯功能的一种基于多元统计方法的电解铝全流程监测及故障诊断系统。

背景技术

现代科学技术日新月异，现代过程工业逐渐向大型化、复杂化、连续化和自动化方向发展。人们对过程工业提出了优质高产、低耗、低污染的更高要求，同时对安全生产也提出了更严格的要求。在实际工厂生产中，工人很难由采集的大量数据中了解到系统运行的状态，在故障发生的前期不能及时知道，并采取相应的措施，导致了故障的发生。而连续生产过程的环境往往十分恶劣，电解铝过程通常处于高温高压，或处于低温真空，有时甚至有爆炸、泄漏毒气的危险。不仅给生产带来巨大损失，而且严重威胁着人身安全。因此生产过程的故障检测及诊断问题引起了越来越多的关注。

电解铝过程的主要故障包括病槽(冷槽、热槽、压槽、滚铝)、漏槽、阳极故障(阳极下沉、阳极断层、阳极烧尖、阳极长包)。出现病槽不但导致物料、电能等消耗增加，电解槽寿命降低，严重时还会使电解槽停止工作，并且环境恶化，劳动者强度大大增加；阳极故障不但会使电解槽容易变成病槽，而且还多消耗电能和原材料，使电流的效率降低，电耗增高；如果发生漏槽，槽内大量的高温铝液和电解质流入母线沟和槽底，流出的高温液体可能冲断母线，严重影响生产，有时甚至引起人身和设备故障。目前，国内外大型电解铝厂都引进了先进的电解铝自动控制系统，以实现高产、节能，但是各大电解铝厂的电解铝全流程故障监测及诊断机制并不完善，这无疑增加了事故和灾难的隐患，威胁着工作人员的人身安全。

统计过程监测的目标是通过构建统计性能指标来识别不正常行为，从而确保过程按计划运行。这些信息不仅保持系统操作员和维护人员不断了解过程的运行状态，而且还帮助这些人员做出适当的补救措施，以消除过程的不正常行为。正确的过程监测可以使停车时间最小化，设备运行的安全性得以改进，生产成本得以减少。主成分分析法principalcomponentanalysis(PCA)、独立成分分析法independentcomponentanalysis(ICA)是统计监测常用的方法。PCA适用于服从正态分布的过程数据；ICA则对于非正态分布的信息提取更为准确；将这两种方法结合可以实现对既包含正态信息又包含非正态信息的数据的准确监测。综上所述，一种完善的电解铝全流程监测及故障诊断系统不仅能够保证安全生产及产品质量，而且能够减少原材料和电能的消耗，即一种电解铝全流程监测及故障诊断系统尚未见报道。

发明内容

本发明为解决所述对电解铝过程可能出现的故障进行监测，保证故障的及时报警和排除的问题，本发明的目的是提供了一套基于多元统计方法的电解铝全流程监测及故障诊断系统，以实现故障发生前的预报、故障发生时的报警及故障诊断与故障追溯功能，保证安全生产及产品质量，减少原材料和电能的消耗。

本发明为实现上述目的所采用的技术方案是：

一种基于多元统计方法的电解铝全流程监测及故障诊断系统，该系统分为三层，底层对关键的工艺参数进行监测，中层对电解铝过程中的设备运行进行监测，顶层对全流程进行综合监测；

本系统通过对顶层、中层、底层分别进行监测，并通过对三层监测结果的分析，判断各层中反映PCA模型中变量幅值的T²统计量、反映ICA模型中变量幅值的S²统计量和平方预测误差SPE统计量是否超限，进而保证监测的针对性和监测结果的准确性。

所述中层是对设备运行进行监测，监测的设备包括氧化铝输送管道、电解槽、铸造炉；

所述氧化铝输送管道监测的参数主要包括氧化铝输送过程中槽内堆积氧化铝含量，减压阀压力；

所述电解槽监测的参数主要包括氧化铝电解过程中的两极电压、电流、电解槽内温度、电解质高度、铝液高度、出铝量；

所述铸造炉监测的参数主要包括铝锭铸造过程中的冷却温度、浇铸温度、浇铸速度、变质剂含量；

所述监测氧化铝输送管道可以有效防止管道泄露、停料时间过长；

所述监测电解槽可以有效防止病槽、漏槽及阳极故障的出现；

所述监测铸造炉是得到符合标准的铝锭。

所述系统的实现分为两部分，一部分是离线模型的建立以及控制权限的确立，第二部分是算法的在线实时监测功能的实现；

本系统对上述两部分采用模块化的设计，对与监测系统功能相关的数据和操作该数据的函数进行封装；

上述两部分可以分解成各个封装完备的功能模块，主要包括：数据预处理模块、模型训练模块、参数配置模块、实时监测模块、故障查询模块、故障追溯模块、接口模块，各个模块分别执行相应的功能，可以分别对各个模块进行设计、调试，修改时也只需要根据要求修改对应的模块。

该系统全流程监测是将主成分分析法(PCA)和独立成分分析法(ICA)两种统计学监测方法相结合，建立过程监测模型；

根据数据的统计分布性质，过程监测模型选择如下；

如果数据服从正态分布，选用主成分分析法PCA模型；若数据为非正态分布，选用独立成分分析法ICA模型；如果数据既包含正态分布又包含非正态分布，选用主成分分析法PCA和独立成分分析法ICA结合的模型；利用T²统计量、S²统计量和平方预测误差SPE统计量来进行过程监测；

当检验到故障发生时，通过贡献图确定引发故障的过程变量，查出引发故障的原因，排除故障。

所述统计学监测方法在电解铝全流程监测系统中实现分为两部分，一部分是离线模型的建立以及控制限的确立，第二部分是在线模型的建立，即算法的实时监测功能的实现；

所述离线模型的建立，其中离线模型共分三个子模块，分别是数据预处理模块，模型训练模块，以及参数配置模块；

设计离线部分时，考虑到其数据量庞大，部分地方还需要人工参与，所以将其和在线部分开实现；离线和在线相关联的部分是参数，为降低模块之间的耦合度，设计参数配置模块，将参数发布到数据库中。

所述基于主成分分析法PCA和独立成分分析法ICA相结合方法的离线模型的建立步骤如下：

步骤1：输入离线采集的数据X；

步骤2：令残差值等于采集数据值；

步骤3：检验残差是否服从正态分布，若服从正态分布转至步骤4，不服从正态分布，跳转至步骤5；

步骤4：建立PCA模型；

步骤5：用ICA方法提取一个独立成分；

步骤6：令残差信息等于原残差信息减去提取的独立成分信息；

步骤7：提取独立成分的个数是否等于被监测变量的个数，若等于跳转至步骤8，若不等返回至步骤5；

步骤8：残差信息占样本信息含量是否超过5％，若超过转至步骤9，若不超过跳转至步骤10；

步骤9：建立ICA模型；

步骤10：建立PCA_ICA模型。

在线模型是主成分分析法PCA和独立成分分析法ICA相结合的算法监测的实施应用，在线模型的工作过程如下：

步骤(1)实时监测当前的炉温状态，并能直观的将当前状态呈现在操作界面上；

步骤(2)当炉况出现异常时，实现预警功能，并且能实时的展示导致当前异常状态的变量；

步骤(3)记录炉况异常状态，以备以后查询；

步骤(4)记录炉况异常时导致异常的原因；

步骤(5)保证系统能够平稳的长期运行；当系统出现异常时，如采样数据丢失时，系统能够滤过该错误继续运行，并且能够记录下该异常；

将在线部分划分成5个子模块，他们分别是：ADO.NET接口模块，DLL接口模块，实时监测模块，故障查询模块以及故障诊断模块；并且各个模块中加入异常处理，对异常情况记录日志；

调用离线建立的监测模型来对当前数据进行回归，通过统计量来监测当前的工况；如果当前工况异常，则进行预警，并记录当前的异常状态。

基于主成分分析法PCA和独立成分分析法ICA相结合方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：根据数据的分布特性选择合适的监测及诊断方法，若数据为正态分布则选用PCA模型，若数据为非正态分布则选择ICA模型，如果数据既有正态分布特性又有非正态分布特性则选择PCA和ICA相结合的模型；

步骤6：根据所选择的模型的监测流程进行监测；

步骤7：判断统计量是否超限，若都未超限，跳转至步骤9，若不少于一个超限转至步骤8；

步骤8：故障报警，计算在线各变量对超限统计量的贡献，找出故障原因；

步骤9：过程无故障。

基于主成分分析法PCA方法的在线模型，所述在线模型的过程监测及故障诊断的步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断T²统计量和SPE统计量是否超限；

步骤6：若T²统计量和SPE统计量都超限，故障报警，计算在线各变量对T²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若T²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对T²统计量的贡献，找出故障原因；

步骤8：若T²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若T²统计量和SPE统计量都未超限，过程无故障。

基于独立成分分析法ICA方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断S²统计量和SPE统计量是否超限；

步骤6：若S²统计量和SPE统计量都超限，故障报警，计算在线各变量对S²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若S²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对S²统计量的贡献，找出故障原因；

步骤8：若S²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若S²统计量和SPE统计量都未超限，过程无故障。

本发明的优点是：

1、本发明采用分层监测的思想，实现了分离化、一体化监测，进而保证了监测的针对性和监测结果的准确性。

2、本发明可实现故障发生前的预报、故障发生时的报警及故障诊断与故障追溯功能。

3、本发明离线建模和在线监测采用模块化设计思想，各个模块分别执行相应的功能，可以分别对其进行设计、调试，修改时也只需要根据要求修改对应的模块。

4、本发明通过及时发现并排除故障，不仅能够保证安全生产及产品质量，而且能够减少原材料和电能的消耗。

附图说明

图1是电解铝全流程监测及故障诊断模型结构图；

图2是电解铝全流程监测系统结构图；

图3是离线模型流程图；

图4是基于PCA方法的过程监测及故障诊断在线模型的流程图；

图5是基于ICA方法的过程监测及故障诊断离线模型的流程图；

图6是基于PCA和ICA相结合方法的过程监测及故障诊断离线模型流程图；

图7是在线模型实现流程图；

图8是基于PCA方法的过程监测及故障诊断在线模型的流程图；

图9是基于ICA方法的过程监测及故障诊断在线模型的流程图。

具体实施方式

结合说明书附图图1-图9对本发明进一步说明；

一种基于多元统计方法的电解铝全流程监测及故障诊断系统，该系统分为三层，底层对关键的工艺参数进行监测，中层对电解铝过程中的设备运行进行监测，顶层对全流程进行综合监测(包括关键工艺指标)；

本系统通过对顶层、中层、底层分别进行监测，并通过对三层监测结果的分析，判断各层中反映PCA模型中变量幅值的T²统计量、反映ICA模型中变量幅值的S²统计量和平方预测误差SPE统计量是否超限，进而保证监测的针对性和监测结果的准确性。

所述中层是对设备运行进行监测，监测的设备包括氧化铝输送管道、电解槽、铸造炉；所述氧化铝输送管道监测的参数主要包括氧化铝输送过程中槽内堆积氧化铝含量，减压阀压力；所述电解槽监测的参数主要包括氧化铝电解过程中的两极电压、电流、电解槽内温度、电解质高度、铝液高度、出铝量；所述铸造炉监测的参数主要包括铝锭铸造过程中的冷却温度、浇铸温度、浇铸速度、变质剂含量；所述监测氧化铝输送管道可以有效防止管道泄露、停料时间过长；所述监测电解槽可以有效防止病槽、漏槽及阳极故障的出现；所述监测铸造炉是得到符合标准的铝锭。电解铝全流程监测及故障诊断模型结构如图1所示。

统计学监测方法在电解铝监测系统中实现分为两部分，一部分是离线模型的建立以及控制权限的确立，第二部分是算法的在线实时监测功能的实现；本系统对上述两部分采用模块化的设计，对与监测系统功能相关的数据和操作该数据的函数进行封装；上述两部分可以分解成各个封装完备的功能模块，主要包括：数据预处理模块、模型训练模块、参数配置模块、实时监测模块、故障查询模块、故障追溯模块、接口模块，各个模块分别执行相应的功能，可以分别对各个模块进行设计、调试，修改时也只需要根据要求修改对应的模块。这样不仅使程序结构更加紧凑，同时也避免了数据紊乱带来的调试和维护的困难。将存储于客户端的整个应用程序(非开源)分解成各个封装完备的模块，其中包括：数据预处理模块、模型训练模块、参数配置模块、实时监测模块、故障查询模块、故障追溯模块、接口模块，各个模块分别执行相应的功能，可以分别对各个模块进行设计、调试，修改时也只需要根据要求修改对应的模块。

该系统全流程监测是将主成分分析法PCA和独立成分分析法ICA两种统计学监测方法相结合，建立过程监测模型；根据数据的统计分布性质，过程监测模型选择如下；如果数据服从正态分布，选用主成分分析法PCA模型；若数据为非正态分布，选用独立成分分析法ICA模型；如果数据既包含正态分布又包含非正态分布，选用主成分分析法PCA和独立成分分析法ICA结合的模型；利用T²统计量、S²统计量和平方预测误差SPE统计量来进行过程监测；当检验到故障发生时，通过贡献图确定引发故障的过程变量，查出引发故障的原因，排除故障。

所述统计学监测方法在电解铝全流程监测系统中实现分为两部分，一部分是离线模型的建立以及控制限的确立，第二部分是在线模型的建立，即算法的实时监测功能的实现；所述离线模型的建立，其中离线模型共分三个子模块，分别是数据预处理模块，模型训练模块，以及参数配置模块；设计离线部分时，考虑到其数据量庞大，部分地方还需要人工参与，所以将其和在线部分开实现；离线和在线相关联的部分是参数，为降低模块之间的耦合度，设计参数配置模块，将参数发布到数据库中，如图3所示。

所述基于主成分分析法PCA和独立成分分析法ICA相结合方法的离线模型的建立步骤如下：

步骤1：输入离线采集的数据X；

步骤2：令残差值等于采集数据值；

步骤3：检验残差是否服从正态分布，若服从正态分布转至步骤4，不服从正态分布，跳转至步骤5；

步骤4：建立PCA模型；

步骤5：用ICA方法提取一个独立成分；

步骤6：令残差信息等于原残差信息减去提取的独立成分信息；

步骤7：提取独立成分的个数是否等于被监测变量的个数，若等于跳转至步骤8，若不等返回至步骤5；

步骤8：残差信息占样本信息含量是否超过5％，若超过转至步骤9，若不超过跳转至步骤10；

步骤9：建立ICA模型；

步骤10：建立PCA_ICA模型。

在线模型是主成分分析法PCA和独立成分分析法ICA相结合的算法监测的实施应用，在线模型的工作过程如下：

步骤(1)实时监测当前的炉温状态，并能直观的将当前状态呈现在操作界面上；

步骤(2)当炉温状态出现异常时，实现预警功能，并且能实时的展示导致当前异常状态的变量；

步骤(3)记录炉温状态异常状态，以备以后查询；

步骤(4)记录炉温状态异常时导致异常的原因；

步骤(5)保证系统能够平稳的长期运行；当系统出现异常时，如采样数据丢失时，系统能够滤过该错误继续运行，并且能够记录下该异常；

将在线部分划分成5个子模块，他们分别是：ADO.NET接口模块，DLL接口模块，实时监测模块，故障查询模块以及故障诊断模块；并且各个模块中加入异常处理，对异常情况记录日志；

调用离线建立的监测模型来对当前数据进行回归，通过统计量来监测当前的工况；如果当前工况异常，则进行预警，并记录当前的异常状态。

基于主成分分析法PCA和独立成分分析法ICA相结合方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：根据数据的分布特性选择合适的监测及诊断方法，若数据为正态分布则选用PCA模型，若数据为非正态分布则选择ICA模型，如果数据既有正态分布特性又有非正态分布特性则选择PCA和ICA相结合的模型；

步骤6：根据所选择的模型的监测流程进行监测；

步骤7：判断统计量是否超限，若都未超限，跳转至步骤9，若不少于一个超限转至步骤8；

步骤8：故障报警，计算在线各变量对超限统计量的贡献，找出故障原因；

步骤9：过程无故障。

基于主成分分析法PCA方法的在线模型，所述在线模型的过程监测及故障诊断的步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断T²统计量和SPE统计量是否超限；

步骤6：若T²统计量和SPE统计量都超限，故障报警，计算在线各变量对T²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若T²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对T²统计量的贡献，找出故障原因；

步骤8：若T²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若T²统计量和SPE统计量都未超限，过程无故障。

基于独立成分分析法ICA方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断S²统计量和SPE统计量是否超限；

步骤6：若S²统计量和SPE统计量都超限，故障报警，计算在线各变量对S²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若S²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对S²统计量的贡献，找出故障原因；

步骤8：若S²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若S²统计量和SPE统计量都未超限，过程无故障。

Claims (9)

1.一种基于多元统计方法的电解铝全流程监测及故障诊断系统，其特征在于：

该系统分为三层，底层对关键的工艺参数进行监测，中层对电解铝过程中的设备运行进行监测，顶层对全流程进行综合监测；

本系统通过对顶层、中层、底层分别进行监测，并通过对三层监测结果的分析，判断各层中反映PCA模型中变量幅值的T²统计量、反映ICA模型中变量幅值的S²统计量和平方预测误差SPE统计量是否超限，进而保证监测的针对性和监测结果的准确性；

所述中层是对设备运行进行监测，监测的设备包括氧化铝输送管道、电解槽、铸造炉；

所述氧化铝输送管道监测的参数主要包括氧化铝输送过程中槽内堆积氧化铝含量，减压阀压力；

所述电解槽监测的参数主要包括氧化铝电解过程中的两极电压、电流、电解槽内温度、电解质高度、铝液高度、出铝量；

所述铸造炉监测的参数主要包括铝锭铸造过程中的冷却温度、浇铸温度、浇铸速度、变质剂含量；

所述监测氧化铝输送管道可以有效防止管道泄露、停料时间过长；

所述监测电解槽可以有效防止病槽、漏槽及阳极故障的出现；

所述监测铸造炉是得到符合标准的铝锭。

2.根据权利要求1所述的监测及故障诊断系统，其特征在于：

所述系统的实现分为两部分，一部分是离线模型的建立以及控制权限的确立，第二部分是算法的在线实时监测功能的实现；

本系统对上述两部分采用模块化的设计，对与监测系统功能相关的数据和操作该数据的函数进行封装；

上述两部分分解成各个封装完备的功能模块，主要包括：数据预处理模块、模型训练模块、参数配置模块、实时监测模块、故障查询模块、故障追溯模块、接口模块，各个模块分别执行相应的功能，分别对各个模块进行设计、调试，修改时也只需要根据要求修改对应的模块。

3.根据权利要求1所述的监测及故障诊断系统，其特征在于：

该系统全流程监测是将主成分分析法PCA和独立成分分析法ICA两种统计学监测方法相结合，建立过程监测模型；

根据数据的统计分布性质，过程监测模型选择如下；

如果数据服从正态分布，选用主成分分析法PCA模型；若数据为非正态分布，选用独立成分分析法ICA模型；如果数据既包含正态分布又包含非正态分布，选用主成分分析法PCA和独立成分分析法ICA结合的模型；利用T²统计量、S²统计量和平方预测误差SPE统计量来进行过程监测；

当检验到故障发生时，通过贡献图确定引发故障的过程变量，查出引发故障的原因，排除故障。

4.根据权利要求3所述的监测及故障诊断系统，其特征在于：

所述统计学监测方法在电解铝全流程监测系统中实现分为两部分，一部分是离线模型的建立以及控制限的确立，第二部分是在线模型的建立，即算法的实时监测功能的实现；

所述离线模型的建立，其中离线模型共分三个子模块，分别是数据预处理模块，模型训练模块，以及参数配置模块；

设计离线部分时，考虑到其数据量庞大，部分地方还需要人工参与，所以将其和在线部分开实现；离线和在线相关联的部分是参数，为降低模块之间的耦合度，设计参数配置模块，将参数发布到数据库中。

5.根据权利要求4所述的监测及故障诊断系统，其特征在于：

所述基于主成分分析法PCA和独立成分分析法ICA相结合方法的离线模型的建立步骤如下：

步骤1：输入离线采集的数据X；

步骤2：令残差值等于采集数据值；

步骤3：检验残差是否服从正态分布，若服从正态分布转至步骤4，不服从正态分布，跳转至步骤5；

步骤4：建立PCA模型；

步骤5：用ICA方法提取一个独立成分；

步骤6：令残差信息等于原残差信息减去提取的独立成分信息；

步骤7：提取独立成分的个数是否等于被监测变量的个数，若等于跳转至步骤8，若不等返回至步骤5；

步骤8：残差信息占样本信息含量是否超过5％，若超过转至步骤9，若不超过跳转至步骤10；

步骤9：建立ICA模型；

步骤10：建立PCA_ICA模型。

6.根据权利要求4所述的监测及故障诊断系统，其特征在于：

在线模型是主成分分析法PCA和独立成分分析法ICA相结合的算法监测的实施应用，在线模型的工作过程如下：

步骤(1)实时监测当前的炉温状态，并能直观的将当前状态呈现在操作界面上；

步骤(2)当炉温状态出现异常时，实现预警功能，并且能实时的展示导致当前异常状态的变量；

步骤(3)记录炉温状态异常状态，以备以后查询；

步骤(4)记录炉温状态异常时导致异常的原因；

步骤(5)保证系统能够平稳的长期运行；当系统出现异常时，系统能够滤过该异常继续运行，并且能够记录下该异常；

将在线部分划分成5个子模块，他们分别是：ADO.NET接口模块，DLL接口模块，实时监测模块，故障查询模块以及故障诊断模块；并且各个模块中加入异常处理，对异常情况记录日志；

调用离线建立的监测模型来对当前数据进行回归，通过统计量来监测当前的工况；如果当前工况异常，则进行预警，并记录当前的异常状态。

7.根据权利要求4所述的监测及故障诊断系统，其特征在于：

基于主成分分析法PCA和独立成分分析法ICA相结合方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：根据数据的分布特性选择合适的监测及诊断方法，若数据为正态分布则选用PCA模型，若数据为非正态分布则选择ICA模型，如果数据既有正态分布特性又有非正态分布特性则选择PCA和ICA相结合的模型；

步骤6：根据所选择的模型的监测流程进行监测；

步骤7：判断统计量是否超限，若都未超限，跳转至步骤9，若不少于一个超限转至步骤8；

步骤8：故障报警，计算在线各变量对超限统计量的贡献，找出故障原因；

步骤9：过程无故障。

8.根据权利要求4所述的监测及故障诊断系统，其特征在于：

基于主成分分析法PCA方法的在线模型，所述在线模型的过程监测及故障诊断的步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断T²统计量和SPE统计量是否超限；

步骤6：若T²统计量和SPE统计量都超限，故障报警，计算在线各变量对T²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若T²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对T²统计量的贡献，找出故障原因；

步骤8：若T²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若T²统计量和SPE统计量都未超限，过程无故障。

9.根据权利要求4所述的监测及故障诊断系统，其特征在于：

基于独立成分分析法ICA方法的在线模型，所述在线模型的过程监测及故障诊断步骤如下：

步骤1：获取在线数据；

步骤2：分割离线控制限L；

步骤3：根据在线的置信度输入值确定控制限；

步骤4：对在线数据进行标准化；

步骤5：判断S²统计量和SPE统计量是否超限；

步骤6：若S²统计量和SPE统计量都超限，故障报警，计算在线各变量对S²统计量和SPE统计量的贡献，找出故障原因；

步骤7：若S²统计量超限，SPE统计量未超限，故障报警，计算在线各变量对S²统计量的贡献，找出故障原因；

步骤8：若S²统计量未超限，SPE统计量超限，故障报警，计算在线各变量对SPE统计量的贡献，找出故障原因；

步骤9：若S²统计量和SPE统计量都未超限，过程无故障。