CN104598681B - 基于缓慢特征分析的过程监控方法和系统 - Google Patents
基于缓慢特征分析的过程监控方法和系统 Download PDFInfo
- Publication number
- CN104598681B CN104598681B CN201510018866.XA CN201510018866A CN104598681B CN 104598681 B CN104598681 B CN 104598681B CN 201510018866 A CN201510018866 A CN 201510018866A CN 104598681 B CN104598681 B CN 104598681B
- Authority
- CN
- China
- Prior art keywords
- matrix
- slow
- vector
- input
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 102
- 230000008859 change Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004540 process dynamic Methods 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于缓慢特征分析的过程监控方法和系统，该方法包括：读取缓慢特征模型以及监控模型，读入过程变量的在线测量值，组成输入向量并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。通过本发明的技术方案，不仅能够监测稳态工作点的偏移，并且能够有效地对过程的动态特性变化进行监测。
Description
技术领域
本发明涉及过程处理技术领域，具体而言，涉及一种基于缓慢特征分析的过程监控方法和一种基于缓慢特征分析的过程监控系统。
背景技术
在工业过程中，故障、扰动以及其他异常严重地影响着过程的正常运行。为了保障生产过程安全、稳定、高效运行，对过程整体运行情况的实时监控、对这些异常情况的及时检测具有极其重要的意义。近些年来，多变量统计过程监控(Multivariate statisticalprocess monitoring,MSPM)方法得到了学者们的充分重视，成为过程控制界的一个热点方向，并且广泛地应用在实际工业生产中。由于化工过程机理复杂，不易进行理论分析，建立基于过程机理的监控模型较为困难；而多变量统计过程监控的一个重要优势在于仅依靠由工业现场采集来的正常工况下的数据，而不需要太多过程本身的机理知识，并且对于不同的生产过程有很强的普适性，因而受到了学界更多的关注。
在生产过程中，过程的稳态工作点经常会根据优化目标的需求发生一定程度的变化，以适应市场的需求或满足经济效益的目标。同时，当过程达到新的稳态工作点后，由于反馈控制回路的作用，生产过程仍然能够高效地运行。然而，在这种情况下，通过监测稳态工作点的偏移，传统的过程监控方法如主成分分析(PCA)、独立成分分析(ICA)等，仍然会给出错误的报警信息，无法将正常的工况变化与真正影响过程特性的扰动与故障区分开来，使操作人员陷入大量无效的虚假报警信息中，进而造成过程监控模块的整体失效和加重操作人员的负担，影响操作人员真正解决生产过程的真正安全隐患的注意力。
过程的稳态工作点发生正常切换时，由于反馈控制回路仍然能够正常工作，因此过程的动态特性并没有发生本质的变化；而真正的过程故障的一个重要特点是，由于控制回路无法弥补扰动、故障带来的影响，过程的动态特性会明显不同于正常工况下的动态特性，对生产平稳运行、稳定控制带来影响。因此，单独对过程工作点的监控是不够的，过程动态特性的实时监控对于过程故障的准确判断、减少误报警具有更加重要的意义。
发明内容
本发明所要解决的技术问题是，如何实现对生产过程中的稳态工作点偏移以及动态特性变化的联合监控。
为此目的，本发明提出了一种基于缓慢特征分析的过程监控方法，包括：
S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；
所述的监控模型为
其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
S2，读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；
S3，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
优选地，所述缓慢特征模型的建立过程包括：
S10，根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；
S11，从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
S12，对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；
S13，根据C中的样本构造矩阵U：
U＝[u(t),u(t+Δt),…,u(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：
UUT＝VΛVT，
其中V为正交阵，Λ为对角阵；
S14，定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，
S15，根据矩阵Z计算矩阵
S16，对矩阵进行特征值分解：
其中P为正交阵，Ω为对角阵，
计算矩阵W＝PQ。
优选地，所述监控模型的建立过程包括：
S17，计算每个输入变量的变化快慢程度Δ(xi)，
S18，计算
其中，q＝0.05或0.1，card{·}表示集合中元素的个数；
S19，计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM,N-M,α表示自由度为M和N-M的F分布在水平α上的上侧分位数。
本发明还提出了一种基于缓慢特征分析的过程监控系统，包括：
读取单元，用于读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T时，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；
所述的监控模型为
其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
模型处理单元，用于读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
判断单元，用于比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
优选地，还包括：
缓慢特征模型建立单元，用于根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；根据C中的样本构造矩阵U：
U＝[x(t),x(t+Δt),…,x(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为正交阵，Λ为对角阵；定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，
根据矩阵Z计算矩阵
对矩阵进行特征值分解：其中P为正交阵，Ω为对角阵，计算矩阵W＝PQ。
优选地，还包括：
监控模型建立单元，用于计算每个输入变量的变化快慢程度Δ(xi)，
计算其中，q＝0.05或0.1，card{·}表示集合中元素的个数；计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM,N-M,α表示自由度为M和N-M的F分布在水平α上的上侧分位数。。
根据本发明公开的技术方案，所建立的模型适用于动态特征明显的过程监控问题，能够有效地挖掘过程的动态特征，与传统动态过程监控模型相比，具有更好的物理可解释性。并且由于隐特征的变化快慢程度能够被量化，本发明通过提出一种新的S2统计量，不仅能够监测稳态工作点的偏移，并且能够有效地对过程的动态特性变化进行监测。与传统的基于数据的过程监控方法相比，能够更有效地区分工作点的正常偏移与影响过程动态特性的扰动与故障，大大减小了故障的误报率，为操作人员提供更加丰富、准确的信息，具有很强的实用价值。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了根据本发明一个实施例的基于缓慢特征分析的过程监控方法的示意流程图；
图2示出了根据本发明一个实施例的建立缓慢特征模型的示意流程图；
图3示出了根据本发明一个实施例的建立监控模型的示意流程图；
图4示出了根据本发明一个实施例的基于缓慢特征分析的过程监控方法的原理示意图；
图5示出了根据本发明一个实施例的基于缓慢特征分析的过程监控系统的示意框图。
图6示出了根据本发明一个实施例的对于第一个扰动的测试结果示意图；
图7示出了根据本发明一个实施例的对于第二个扰动的测试结果示意图；
图8示出了根据本发明一个实施例的上位机实现方式。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本技术领域技术人员可以理解，这里所使用的服务器、云端、远端网络设备等概念，具有等同效果，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云。在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。本发明的实施例中，远端网络设备、终端设备与WNS服务器之间可通过任何通信方式实现通信，包括但不限于，基于3GPP、LTE、WIMAX的移动通信、基于TCP/IP、UDP协议的计算机网络通信以及基于蓝牙、红外传输标准的近距无线传输方式。
本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作系统或平台所限制。理所当然地，此类概念也不受任何形式的终端所限制。
图1示出了根据本发明一个实施例的基于缓慢特征分析的过程包括：包括：
S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T时，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；
所述的监控模型为
其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
S2，读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；
S3，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
如图2所示，所述缓慢特征模型的建立过程包括：
S10，根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；
S11，从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
S12，对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；
S13，根据C中的样本构造矩阵U：
U＝[u(t),u(t+Δt),…,u(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：
UUT＝VΛVT，
其中V为正交阵，Λ为对角阵；
S14，定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，
S15，根据矩阵Z计算矩阵
S16，对矩阵进行特征值分解：
其中P为正交阵，Ω为对角阵，
计算矩阵W＝PQ。
如图3所示，所述监控模型的建立过程包括：
S17，计算每个输入变量的变化快慢程度Δ(xi)，
S18，计算
其中，q＝0.05或0.1，card{·}表示集合中元素的个数；
S19，计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM,N-M,α表示自由度为M和N-M的F分布在水平α上的上侧分位数。
上述监控方法的原理如图4所示。
以下通过具体实例来说明本发明的监控过程：
为接近实际生产过程，选定由Eastman Chemical Company提出的田纳西-伊斯曼过程(TE Process)。田纳西-伊斯曼过程为过程控制提供了一个非常好的研究平台，在过程监控、软测量、故障诊断等问题中扮演着基准问题的角色。整个过程由反应器、冷凝器、压缩机、气液分离器和汽提塔组成。四种气态的反应物A,C,D,E以及惰性气体B作为进料输送进入反应器中，最终得到两种产品G和H，以及副产品F。该数据集可以从麻省理工学院教授Richard D.Braatz的主页上下载。
在本实施例中，共有33个被监控的过程变量，选择为XMV(1-11)和XMEAS(1-22)，其中XMV(1-11)为操纵变量，XMEAS(1-22)为测量变量。过程变量的采样周期为3分钟。共产生一个训练集，包含训练样本500个；两个测试集，分别对应两种不同的过程扰动：扰动1：冷凝器冷却水进料温度阶跃扰动；扰动2：反应物C进料温度的大幅度波动。每个测试集包含测试样本960个，且扰动在第160个样本后发生。历史数据长度d取值为2。
基于本发明提出的模型建立方法建立缓慢特征模型和监控模型，对上述数据进行监控。在本例中，将基于缓慢特征回归的方法与传统的动态主成分分析(Dynamic PCA)、动态独立成分分析(Dynamic ICA)进行对比，在两个扰动测试集上的监控结果如图6、图7所示。
对于第一个扰动，由于反馈控制回路的作用，过程在350个样本后在新的工作点稳定下来，重新回到正常的工作状态，因此第一个扰动仅仅是过程工作点的切换，并不需要操作工采取措施。动态主成分分析能够很好地反映反馈控制回路的作用，但无法显示工作点的变化；动态独立成分分析仅仅监测出了过程工作点的变化，给出了没有意义的报警信息；而本发明提出的方法通过T2和S2统计量很好地识别了过程工作点的变化，并进一步反映出过程经过反馈控制器的作用重新回归正常工作状态的事实。
对于第二个扰动，由于扰动一直存在幅度较大，汽提塔的进料阀门一直在剧烈动作，来补偿汽提塔的温度和压力变化，因而过程的工作点和动态特性都发生了剧烈的变化。动态主成分分析的许多统计量仍然处在控制限之下，因此给出模棱两可的报警信息，过程是否发生异常尚不明确；动态独立成分分析监测到了过程工况的变化，但是无法揭示过程动态特性是否发生变化；相比之下，本发明提出的方法具有更加明确的物理意义，T2和S2统计量的变化说明过程的工作点和动态特性都发生了异常变化，给出了具有更丰富含义的报警信息，以便于操作工有针对性地进一步采取措施。
图4示出了根据本发明一个实施例的基于缓慢特征分析的过程监控系统10包括：
读取单元11，用于读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t),x2(t),…,xn(t)]T时，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样间隔，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；
所述的监控模型为
其中，M为用于监控的缓慢特征的个数，s1:M(t)为由前M个缓慢特征组成的向量，M<m，用于描述s1:M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
模型处理单元12，用于读入过程变量[x1(t),x2(t),…,xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值，将前M个缓慢特征组成的向量s1:M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
判断单元13，用于比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
优选地，还包括：
缓慢特征模型建立单元14，用于根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t),u(t+Δt),…,u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；根据C中的样本构造矩阵U：
U＝[u(t),u(t+Δt),…,u(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为正交阵，Λ为对角阵；定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t),z(t+Δt),…,z(t+(N-1)Δt)]T∈Rm×N，
根据矩阵Z计算矩阵
对矩阵进行特征值分解：其中P为正交阵，Ω为对角阵，计算矩阵W＝PQ。
优选地，还包括：
监控模型建立单元15，用于计算每个输入变量的变化快慢程度Δ(xi)，
计算其中，q＝0.05或0.1，card{·}表示集合中元素的个数；计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM,N-M,α表示自由度为M和N-M的F分布在水平α上的上侧分位数。
如图8所示，根据本发明一个实施例的监控系统在工业现场可以通过上位机实现。本发明中的数据采集、处理和优化建模、在线预测可以通过上位机实现。控制程序通过实时数据库或通过OPC(OLE for Process Control)方式获取过程数据，主要的数据处理结果计算完成后在上位机显示。
当然，本发明所公开的技术方案还可以采用终端或服务器为载体实现。具体选择可以根据实际需要而确定。
综上所述，本发明通过提出一种新的S2统计量，不仅能够监测稳态工作点的偏移，并且能够有效地对过程的动态特性变化进行监测。与传统的基于数据的过程监控方法相比，能够更有效地区分工作点的正常偏移与影响过程动态特性的扰动与故障，大大减小了故障的误报率，为操作人员提供更加丰富、准确的信息，具有很强的实用价值。
应当注意，在此提供的算法和公式不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解本发明各个方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法和装置解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网站安全检测设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于缓慢特征分析的过程监控方法，其特征在于，包括：
S1，读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t)，x2(t)，…，xn(t)]T时，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样周期，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)，Rn(d+1)为维数为n(d+1)的实数向量；
所述的监控模型为
1
其中，M为用于监控的缓慢特征的个数，s1：M(t)为由前M个缓慢特征组成的向量，M＜m，用于描述s1：M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
S2，读入过程变量[x1(t)，x2(t)，…，xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值；
S3，将前M个缓慢特征组成的向量s1：M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
S4，比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
2.根据权利要求1所述过程监控方法，其特征在于，所述缓慢特征模型的建立过程包括：
S10，根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；
S11，从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t)，u(t+Δt)，…，u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
S12，对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；
S13，根据C中的样本构造矩阵U：
U＝[u(t)，u(t+Δt)，…，u(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：
UUT＝VΛVT，
其中V为矩阵UUT的正交阵，Λ为矩阵UUT的对角阵；
S14，定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t)，z(t+Δt)，…，z(t+(N-1)Δt)]T∈Rm×N，
S15，根据矩阵Z计算矩阵
S16，对矩阵进行特征值分解：
其中P为矩阵的正交阵，Ω为矩阵的对角阵，
计算矩阵W＝PQ。
3.根据权利要求1所述过程监控方法，其特征在于，所述监控模型的建立过程包括：
S17，计算每个输入变量的变化快慢程度Δ(xi)，
S18，计算
其中，表示第i个输入变量在t时刻的变化速率的平方，q＝0.05或0.1，card{·}表示集合中元素的个数，j表示对所有的Δ(xj)进行枚举，表示找到集合{Δ(xj)}当中的上侧q分位数；
S19，计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM，N-M，α表示自由度为M和N-M的F分布在水平α上的上侧分位数，N为样本个数。
4.一种基于缓慢特征分析的过程监控系统，其特征在于，包括：
读取单元，用于读取缓慢特征模型以及监控模型，所述缓慢特征模型为
其中，m为输入向量的维数，u(t)为采样时刻离散化的m维输入向量，s(t)为采样时刻离散化的m维缓慢特征向量；系数矩阵W为m阶方阵，所述输入向量u(t)包含一定数量的历史数据，当有n个过程变量x(t)＝[x1(t)，x2(t)，…，xn(t)]T时，则所述输入向量u(t)的结构为
其中，Δt为输入变量的采样周期，d为输入向量包含的历史数据的长度，且维数m满足关系式m＝n(d+1)；
所述的监控模型为
其中，M为用于监控的缓慢特征的个数，s1：M(t)为由前M个缓慢特征组成的向量，M＜m，用于描述s1：M(t)变化的快慢程度，λk用于描述缓慢特征sk(t)的变换快慢程度，T2和S2为待监控的统计量，其控制限分别为和α为置信度；
模型处理单元，用于读入过程变量[x1(t)，x2(t)，…，xn(t)]的在线测量值，组成输入向量u(t)并输入到缓慢特征模型中，以求得缓慢特征向量s(t)的在线实时估计值，将前M个缓慢特征组成的向量s1∶M(t)输入所述监控模型中，以获得T2和S2统计量的瞬时估计值；
判断单元，用于比较T2与以及S2与若则判定过程偏移了稳态工作点，若则判定过程发生了动态特性的变化。
5.根据权利要求4所述过程监控系统，其特征在于，还包括：
缓慢特征模型建立单元，用于根据生产过程机理分析选取过程变量，设置历史数据长度d的估计；从在线采集的数据库按采样时间递增的顺序搜集相关的易测辅助变量构成样本集C：
C＝{u(t)，u(t+Δt)，…，u(t+(N-1)Δt)}，
其中，N为样本个数，采样周期Δt应满足香农采样定理；
对C中的输入样本数据进行标准化处理，使输入数据在每一个维度上具有零均值和单位方差；根据C中的样本构造矩阵U：
U＝[u(t)，u(t+Δt)，…，u(t+(N-1)Δt)]T∈Rm×N，
对矩阵UUT进行特征值分解：UUT＝VΛVT，其中V为矩阵UUT的正交阵，Λ为矩阵UUT的对角阵；定义矩阵Q＝Λ-1/2VT，利用矩阵Q对u(t)进行变换，得到中间变量z(t)＝Qu(t)，
以及矩阵Z＝[z(t)，z(t+Δt)，…，z(t+(N-1)Δt)]T∈Rm×N，
根据矩阵Z计算矩阵
对矩阵进行特征值分解：其中P为矩阵的正交阵，Λ为矩阵的对角阵，计算矩阵W＝PQ。
6.根据权利要求4所述过程监控系统，其特征在于，还包括：
监控模型建立单元，用于计算每个输入变量的变化快慢程度Δ(xi)，
计算其中，表示第i个输入变量在t时刻的变化速率的平方，q＝0.05或0.1，card{·}表示集合中元素的个数，j表示对所有的Δ(xj)进行枚举，表示找到集合{Δ(xj)}当中的上侧q分位数；计算T2和S2控制限，
其中，表示自由度为M的χ2分布在水平α上的上侧分位数，FM，N-M，α表示自由度为M和N-M的F分布在水平α上的上侧分位数，N为样本个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510018866.XA CN104598681B (zh) | 2015-01-14 | 2015-01-14 | 基于缓慢特征分析的过程监控方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510018866.XA CN104598681B (zh) | 2015-01-14 | 2015-01-14 | 基于缓慢特征分析的过程监控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104598681A CN104598681A (zh) | 2015-05-06 |
| CN104598681B true CN104598681B (zh) | 2017-08-11 |
Family
ID=53124461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510018866.XA Active CN104598681B (zh) | 2015-01-14 | 2015-01-14 | 基于缓慢特征分析的过程监控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104598681B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107843574B (zh) * | 2016-09-21 | 2020-05-29 | 北京中医药大学 | 中药配方颗粒混合过程终点在线监控方法 |
| CN106647718B (zh) * | 2017-01-20 | 2019-01-11 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
| CN108716398B (zh) * | 2018-06-21 | 2019-03-05 | 中国石油大学(北京) | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
| CN108833173B (zh) * | 2018-06-22 | 2020-10-27 | 中国科学技术大学 | 丰富结构信息的深度网络表征方法 |
| CN109283912B (zh) * | 2018-08-07 | 2020-06-30 | 浙江大学 | 一种面向智能电厂大型燃煤发电机组制粉系统的分布式动静协同综合监测方法 |
| CN109188905B (zh) * | 2018-09-07 | 2019-10-15 | 浙江大学 | 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法 |
| CN109238760B (zh) * | 2018-09-11 | 2020-06-30 | 浙江大学 | 基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法 |
| CN109471420B (zh) * | 2018-09-21 | 2020-08-14 | 浙江大学 | 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法 |
| CN109491358B (zh) * | 2018-09-21 | 2020-08-14 | 浙江大学 | 一种面向百万千瓦超超临界机组锅炉动态信息的控制性能监测方法 |
| CN109871000A (zh) * | 2019-02-25 | 2019-06-11 | 山东科技大学 | 一种数据驱动的闭环工业过程传感器故障诊断方法 |
| CN110763708B (zh) * | 2019-11-21 | 2022-03-04 | 山东建筑大学 | 一种用exafs表征金属玻璃有序化过程的方法 |
| CN111126671A (zh) * | 2019-11-29 | 2020-05-08 | 南京富岛信息工程有限公司 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
| CN111176265B (zh) * | 2020-02-11 | 2021-01-22 | 中国石油大学(华东) | 模型预测控制器性能监控方法 |
| CN113341734B (zh) * | 2021-06-30 | 2022-06-28 | 天津大学 | 一种气液两相流流动状态监测和预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
| CN103439933A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9239893B2 (en) * | 2010-10-06 | 2016-01-19 | Art Systems Software Gmbh | Method and process computer for computation of the state variables of a hybrid differential-algebraic process model |
-
2015
- 2015-01-14 CN CN201510018866.XA patent/CN104598681B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662321A (zh) * | 2012-03-23 | 2012-09-12 | 清华大学 | 一种主元分析监控模型的在线更新方法 |
| CN103439933A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于核Fisher判别分析方法的非线性统计过程监控与故障诊断;赵旭;《化工学报》;20070430;第58卷(第4期);第951-956页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104598681A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104598681B (zh) | 基于缓慢特征分析的过程监控方法和系统 | |
| Noorossana et al. | Statistical monitoring of multivariate multiple linear regression profiles in phase I with calibration application | |
| US11275357B2 (en) | Event analyzing device, event analyzing system, event analyzing method, and non-transitory computer readable storage medium | |
| CN104537260B (zh) | 基于缓慢特征回归的动态软测量方法和系统 | |
| Zhang et al. | Improved dynamic kernel principal component analysis for fault detection | |
| Xu et al. | Intelligent fault prediction system based on internet of things | |
| US10909115B2 (en) | System event search based on heterogeneous logs | |
| Bai et al. | A novel transformer-based multi-variable multi-step prediction method for chemical process fault prognosis | |
| Hao et al. | Optimization of process alarm thresholds: A multidimensional kernel density estimation approach | |
| Lv et al. | A deep convolution generative adversarial networks based fuzzing framework for industry control protocols | |
| Wang et al. | Fault detection and identification using a Kullback-Leibler divergence based multi-block principal component analysis and Bayesian inference | |
| Deng et al. | Multimode process fault detection using local neighborhood similarity analysis | |
| Yang et al. | Performance monitoring method based on balanced partial least square and statistics pattern analysis | |
| Akram et al. | Quality monitoring and process adjustment by integrating SPC and APC: a review | |
| US20230066703A1 (en) | Method for estimating structural vibration in real time | |
| Yan et al. | Quality-relevant dynamic process monitoring based on dynamic total slow feature regression model | |
| Chaabane et al. | Damage detection using enhanced multivariate statistical process control technique | |
| Zhu et al. | Quality-relevant fault detection of nonlinear processes based on kernel concurrent canonical correlation analysis | |
| Qin et al. | Statistical process monitoring based on just-in-time feature analysis | |
| Feng et al. | Independent component analysis based on data‐driven reconstruction of multi‐fault diagnosis | |
| Conner et al. | Assessing the need for process re-identification | |
| Yan et al. | Quality-relevant fault detection based on adversarial learning and distinguished contribution of latent variables to quality | |
| Li et al. | Statistical process monitoring based on modified nonnegative matrix factorization | |
| Anaissi et al. | Online tensor decomposition with optimized stochastic gradient descent: an application in structural damage identification | |
| EP3729765B1 (en) | System and method for predicting the state changes of network nodes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |