CN106354125A - 一种利用分块pca检测化工过程故障的方法 - Google Patents
一种利用分块pca检测化工过程故障的方法 Download PDFInfo
- Publication number
- CN106354125A CN106354125A CN201610983122.6A CN201610983122A CN106354125A CN 106354125 A CN106354125 A CN 106354125A CN 201610983122 A CN201610983122 A CN 201610983122A CN 106354125 A CN106354125 A CN 106354125A
- Authority
- CN
- China
- Prior art keywords
- fault
- sub
- variable
- piecemeal
- block
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用分块PCA(主元分析)检测化工过程故障的方法,利用互信息处理系统包括分析局部故障的主成分分析模块、具体检测故障的统计量合成模块等设备,实现了包括利用互信息将过程变量划分为子块、在每个子块内建立PCA监测模型以及利用支撑向量机数据描述来判断过程运行状态这三项工作步骤,一方面降低监测模型的复杂度,另一方面充分考虑众多变量之间的相关关系,实现大规模生产过程的有效故障检测。
Description
技术领域
本发明涉及一种应用于大规模石油化工、生物发酵、半导体生产、医药制造行业等流程工业的故障检测方法。
背景技术
在系统规模庞大,过程变量个数众多的化工工业生产过程中,当对只影响个别变量的局部故障进行监测时将会有大量的冗余变量存在,会明显降低过程监测效果。现有技术将具有紧密相关关系的变量聚集到一起,把无关变量分散到不同的空间中,以减少冗余变量对监测效果的影响。因此,许多分块监测策略发展起来,如分块PLS的监测方法,既建立整个过程的统计量,也对各个子块进行监测;完全基于数据的分块分散监测策略,通过沿着每个主元方向构造子块,将原始变量分配到各个子块中形成了一些特征子空间,然后在每个特征子空间中对过程状态进行监测。
目前传统的分块监测方法大多假设各个子块可以由先验过程知识得到。然而,在实际生产过程中,由于系统庞大,变量关系复杂,用于划分子块的信息通常很难获得。现有方法根据PCA来对过程变量进行分块,然而,虽然PCA能够很好地描述过程变量的线性相关关系,但是对于非线性相关或高阶相关性的描述并不好。因此,如何在分块时考虑过程变量间更多的信息,包括非线性或高阶相关性等便成为新的问题。
发明内容
本发明的目的是为克服上述问题,提出一种利用分块PCA检测化工过程的方法,为大规模化工过程建立完全从数据出发的分布式故障检测手段,一方面降低监测模型的复杂度,另一方面充分考虑众多变量之间的相关关系,实现大规模生产过程的有效故障检测。
本发明的技术方案采用基于互信息分块,主成分分析局部故障检测,贝叶斯综合统计量合成的方法来实现大规模工业过程的有效故障检测。设备包括互信息处理系统包括分析局部故障的主成分分析模块、具体检测故障的统计量合成模块即支撑向量机;首先利用互信息来发掘众多的过程变量间的关系,将过程变量划分为若干子块。其次在每个子块内建立基于PCA的故障检测模型,测量子系统中数据的变异性。最后利用支撑向量机数据描述将各个子块中的监测结果综合成一个综合指标。对在线样本进行测量时,计算该综合指标的值以判断过程状态。
与其它方法相比较,该方法具有以下优点:(1)完全从过程数据出发,不需要过程的先验知识和机理模型,适用性强;(2)离线建模学习训练速度快,在线计算量小,实时性强;(3)适用于大规模工业过程的故障检测,故障检测准确率高。该发明对于保证工业生产产品质量,保障工业生产安全具有重要意义。
附图说明
图1是本发明在TE下GPCA的测试结果图。
图2是本发明在TE下分离器冷却水出水口温度和冷凝器冷却水流速的测试结果图。
图3是本发明在TE下MI-MBPCA的试结果图。
图4是本发明在TE下子块中的PCA的试结果图。
具体实施方式及效果说明
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合图示在Tennessee Eastman(TE)仿真模型下进一步阐述上述技术方案。
第一步,首先利用互信息将过程变量划分为子块。给定一定数量的训练样本数据X∈Rn×m,任意两个变量x1和x2之间的相关性用互信息Iij来衡量,即Iij=I(xi,xj)(i=1,2,...,m;j=1,2,...,m)。
然后,这些过程变量根据两个变量之间的互信息值分成若干个子块,将那些相互之间具有较大互信息的变量分到同一个块中,即Ii,l是一个阈值,如果Iij≥Ii,l,那么xj就应该和变量xi分到同一个子块中。对于某个确定的过程,将阈值Ii,l定义为一个经验参数值。这种分块方法不仅考虑了变量之间的线性相关性,还考虑了变量间的非线性或高阶相关性,分块结果相较于只考虑线性相关性更为合理。经过分块后的训练样本数据可以表示为X=[X1 X2 … XB],其中B为子块的个数;其中n为样本点个数,mb为变量个数。对于在线得到的新的采样点znew∈R1×m,先将其按照上述训练样本的分块结果分块,即z=[z1 z2 … zB]。
第二步,在每个子块内建立PCA监测模型。在每个子块内,PCA监测模型可以建立为在每个块内保留的主成分个数可以通过CPV、交叉验证等方法确定。对于在线得到的新的采样点,将每个分块内的原始变量投影到主元空间,即
第三步,利用支撑向量机数据描述来判断过程运行状态。在每个子块内,T2和Q统计量都可以计算出来,而所有块中的综合监测结果可以由SVDD得到,即将SVDD的输入向量定义为
其中和Qb为第b个子块中的T2和Q统计量,并且都经过均值方差标准化处理。对于在线获得的ynew,其到SVDD球心的半径平方值为
为了进行监测,DR统计量取当检测出故障之后,下一步要找出与故障最相关的变量,这里采用标准化处理后的变量距离其中心的马氏距离,并且只考虑那些对应故障超出控制限的子块中的变量,即其中Di为第i个变量距离其中心的马氏距离,Xfault为对应T2或Q统计量超过控制限的子块。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种利用分块PCA(主元分析)检测化工过程故障的方法,设备包括互信息处理系统包括分析局部故障的主成分分析模块、具体检测故障的统计量合成模块;其特征在于,工作步骤包括:
i)互信息处理系统接收在线或给定的监测样本信息,主成分分析模块利用寄存的算法模型发掘众多的过程变量间的关系,将过程变量划分为若干子块;
ii)主成分分析模块分别在通过在线或给定检测样本信息的子块内建立不同的基于PCA的故障检测模型,具体测量子系统中数据的变异性,将其结果作为统计依据;
iii)支撑向量机数据描述将各个子块中的监测结果合统计量合成,以判断系统是否存在异常,出现异常时计算查找故障变量;当监测给定样本时,形成一个综合指标加以判断;当监测在线样本时,计算所述指标的值加以判断。
2.根据权利要求1所述的一种利用分块PCA检测化工过程故障的方法,其特征在于,步骤i)中所述算法模型的运算步骤为:
a)将给定的监测样本数据X∈Rn×m中任意两个变量x1和x2之间的相关性用互信息Iij来衡量,即Iij=I(xi,xj)(i=1,2,...,m;j=1,2,...,m);其中,Ii,l是一个阈值,
b)对于不确定的过程,当Iij≥Ii,l时,将xj与xi分到同一个子块中;对于确定的过程,将阈值Ii,l定义为一个经验参数值;
c)经过分块后的样本数据记为X=[X1 X2 … XB]其中B为子块的个数,n为样本点个数,mb为变量个数;
d)将在线得到的新采样点znew∈R1×m,将其按照上述样本的分块结果分块,得到z=[z1z2 … zB]。
3.根据权利要求1所述的一种利用分块PCA检测化工过程故障的方法,其特征在于,步骤ii)中所述故障检测模型的具体检测步骤为:
a)在给定检测数据样本的每个子块内,建立PCA监测模型(b=1,2,…,B);
b)将在线得到的新采样点每个分块内的原始变量投影到主元空间,即(b=1,2,…,B)。
4.根据权利要求1所述的一种利用分块PCA检测化工过程故障的方法,其特征在于,步骤iii)中所述统计量合成方法为贝叶斯综合统计法,具体统计过程如下:
将故障检测结果由SVDD(支持向量数据描述算法)的输入向量,通过统计量合成模块得到统计结果;其中,
a)对于给定检测结果,将SVDD的输入向量定义为
其中和Qb为第b个子块中经过均值方差标准化处理的T2和Q的统计量;
b)对于在线获得的ynew,计算其到SVDD球心的半径平方值
DR统计量取
5.根据权利要求4所述的一种利用分块PCA检测化工过程故障的方法,其特征在于,当统计结果提示存在故障之后,筛选对应故障超出控制限的子块中的变量,并计算标准化处理后的变量距离其中心的马氏距离;即其中Di为第i个变量距离其中心的马氏距离,Xfault为对应T2或Q统计量超过控制限的子块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610983122.6A CN106354125A (zh) | 2016-11-09 | 2016-11-09 | 一种利用分块pca检测化工过程故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610983122.6A CN106354125A (zh) | 2016-11-09 | 2016-11-09 | 一种利用分块pca检测化工过程故障的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106354125A true CN106354125A (zh) | 2017-01-25 |
Family
ID=57862241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610983122.6A Pending CN106354125A (zh) | 2016-11-09 | 2016-11-09 | 一种利用分块pca检测化工过程故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106354125A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803337A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种新型的化工过程数据监测方法 |
CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
CN111913444A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于时序多块建模策略的化工过程监测方法 |
CN111913462A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于广义多块独立元分析模型的化工故障监测方法 |
CN112000081A (zh) * | 2020-08-31 | 2020-11-27 | 江南大学 | 基于多块信息提取和马氏距离的故障监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065883A (ja) * | 2005-08-30 | 2007-03-15 | Toshiba Corp | プロセス監視装置及びその方法 |
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN105955219A (zh) * | 2016-05-30 | 2016-09-21 | 宁波大学 | 基于互信息的分布式动态过程故障检测方法 |
-
2016
- 2016-11-09 CN CN201610983122.6A patent/CN106354125A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065883A (ja) * | 2005-08-30 | 2007-03-15 | Toshiba Corp | プロセス監視装置及びその方法 |
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN104793604A (zh) * | 2015-04-10 | 2015-07-22 | 浙江大学 | 一种基于主成分追踪的工业故障监测方法及应用 |
CN105955219A (zh) * | 2016-05-30 | 2016-09-21 | 宁波大学 | 基于互信息的分布式动态过程故障检测方法 |
Non-Patent Citations (1)
Title |
---|
姜庆超: "基于信息富集与特征选择的多元统计化工过程监测研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803337A (zh) * | 2018-06-28 | 2018-11-13 | 杭州电子科技大学 | 一种新型的化工过程数据监测方法 |
CN111913444A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于时序多块建模策略的化工过程监测方法 |
CN111913462A (zh) * | 2019-09-07 | 2020-11-10 | 宁波大学 | 一种基于广义多块独立元分析模型的化工故障监测方法 |
CN111913444B (zh) * | 2019-09-07 | 2022-03-18 | 宁波大学 | 一种基于时序多块建模策略的化工过程监测方法 |
CN111913462B (zh) * | 2019-09-07 | 2022-03-18 | 宁波大学 | 一种基于广义多块独立元分析模型的化工故障监测方法 |
CN111695780A (zh) * | 2020-05-18 | 2020-09-22 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
CN111695780B (zh) * | 2020-05-18 | 2023-04-18 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
CN112000081A (zh) * | 2020-08-31 | 2020-11-27 | 江南大学 | 基于多块信息提取和马氏距离的故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
Zhang et al. | A comparison and evaluation of key performance indicator-based multivariate statistics process monitoring approaches | |
Ge | Review on data-driven modeling and monitoring for plant-wide industrial processes | |
CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
Wang et al. | Improved LSTM-based time-series anomaly detection in rail transit operation environments | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
CN101403923A (zh) | 基于非高斯成分提取和支持向量描述的过程监控方法 | |
CN109675935A (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
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 | |
CN110009126B (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN108508865A (zh) | 一种基于分散式osc-pls回归模型的故障检测方法 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
Ge | Improved two-level monitoring system for plant-wide processes | |
CN108445867A (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
Zhang et al. | A novel plant-wide process monitoring framework based on distributed Gap-SVDD with adaptive radius | |
Wang et al. | Decentralized plant-wide monitoring based on mutual information-Louvain decomposition and support vector data description diagnosis | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
Ma et al. | A practical propagation path identification scheme for quality-related faults based on nonlinear dynamic latent variable model and partitioned Bayesian network | |
CN108470699B (zh) | 一种半导体制造设备和工艺的智能控制系统 | |
Jiang et al. | Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |
|
RJ01 | Rejection of invention patent application after publication |