CN107272625B - 一种基于贝叶斯理论的工业过程故障诊断方法 - Google Patents

一种基于贝叶斯理论的工业过程故障诊断方法 Download PDF

Info

Publication number
CN107272625B
CN107272625B CN201710567036.1A CN201710567036A CN107272625B CN 107272625 B CN107272625 B CN 107272625B CN 201710567036 A CN201710567036 A CN 201710567036A CN 107272625 B CN107272625 B CN 107272625B
Authority
CN
China
Prior art keywords
variable
industrial process
data
diagnosing faults
bayesian theory
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
Application number
CN201710567036.1A
Other languages
English (en)
Other versions
CN107272625A (zh
Inventor
闫正兵
张申波
吴平
张正江
张佳跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201710567036.1A priority Critical patent/CN107272625B/zh
Publication of CN107272625A publication Critical patent/CN107272625A/zh
Application granted granted Critical
Publication of CN107272625B publication Critical patent/CN107272625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种基于贝叶斯理论的工业过程故障诊断方法：首先采集工业过程中重要变量的数据，再对数据进行标准化，利用标准化的数据进行变量选择的模型构建，并依据吉布斯采样方法求解回归模型，获取变量对应的回归系数，利用蒙特卡罗法计算出每个变量发生故障的概率，最终通过比较，找出那些概率超过95％的变量。该方法与传统的工业过程故障诊断方法相比，其明显提高了故障诊断结果的可靠性，降低了故障误诊的机率，有利于实现复杂工业过程的在线监控，为工业过程恢复提供有效的依据。

Description

一种基于贝叶斯理论的工业过程故障诊断方法
技术领域
本发明涉及工业过程监控与诊断技术领域，特别地，涉及一种基于贝叶斯理论的工业过程故障诊断方法。
背景技术
近年来，由于科技的不断进步和发展，工业过程的设备越来越先进，生产过程越来越复杂。虽然，计算机的发展和自动化技术在现代化工业过程中的应用，大大提高了生产率，降低了生产成本，减少了能源损耗，为企业和国家带来了巨大的经济效益和社会效益。但是，由于工业过程高度复杂、关联性强、易受干扰等特点，使得工业过程变得难以管理。如果工业过程的设备发生了一些很小的故障而不能及时的排除，那么将导致系统甚至整个生产过程都不能正常的工作，造成一定的人员和财产的损失，给我们的生活环境带来危害。所以，如何确保工业过程安全并且可靠的运行是一个非常重要的问题。故障诊断技术能及时发现过程中的一些故障，使工业过程能够安全有效地运行。该技术首先从系统中得到一些有用的信息，然后联合一些系统的先验知识，进行故障诊断。如果没有诊断出故障，则说明系统是处于正常的运行状态；如果诊断出已经发生了故障，便确定发生的是哪种类型的故障、发生故障的具体位置、发生故障的程度和发生故障的原因。因此，用故障诊断技术来替代人工的主观判断，会增加设备运行的安全性，保证产品的质量并降低成本，最重要的是可以最大限度地避免严重的过程事故。故障诊断已经成为当今科研人员一个迫切而且必要的研究课题，有着深刻的理论价值和不容忽视的重要性。
现有的故障诊断方法分成三类：基于解析模型的方法、基于数据驱动的方法和基于知识的方法。因现代流程工业广泛地采用了集散控制系统，由此而产生和存储了大量数据。所以，基于数据驱动的方法在工业过程的故障诊断中更为适用。现有基于数据驱动的故障诊断方法包括：主成分分析法[Van den Kerkhof P,Vanlaer J,Gins G,&Van Impe JF.Analysis of smearing-out in contribution plot based fault isolation forstatistical process control.Chemical Engineering Science,2013,104:285-293.]、基于重构的故障诊断方法[Dunia R,Joe Qin S.Subspace approach tomultidimensional fault identification and reconstruction.AIChE Journal,1998,44(8):1813-1831.]以及分支定界故障诊断法[Kariwala V,Odiowei P E,Cao Y,&ChenT.A branch and bound method for isolation of faulty variables through missingvariable analysis.Journal of Process Control,2010,20(10):1198-1206.]等。但是，现有基于数据驱动的方法存在：不同程度上依赖工业过程知识，故障诊断结果的可信度不高和容易得出错误诊断结果的缺点。特别值得注意的是，基于判别分析的工业过程故障诊断尤其是基于贝叶斯Lasso的故障诊断研究还鲜有报道。2015年，Kuang T H,Yan Z,Yao Y.[Kuang T H,Yan Z,Yao Y.Multivariate fault isolation via variable selection indiscriminant analysis.Journal of Process Control,2015,35:30-40.]将变量选择应用于工业过程故障诊断，提出一种基于变量选择的判别分析法，有效地解决了以往方法依赖过程知识的不足。但是这种做法过于武断，容易造成信息的损失，影响诊断结果的可信度。
发明内容
本发明的目的在于针对现有工业过程故障诊断方法存在的不足，提供一种基于贝叶斯理论的工业过程故障诊断方法，为复杂的工业过程故障诊断提供关键技术支撑，该方法不仅可以得到准确的诊断结果，而且可以给出各变量发生故障的概率。
本发明的目的是通过以下技术方案来实现的：
一种基于贝叶斯理论的工业过程故障诊断方法，该方法的具体步骤如下：
步骤1：从工业过程中采集要关注的重要变量的数据；
步骤2：对步骤1中采集的变量数据进行标准化处理，使得各变量的均值为0、方差为1；
步骤3：用步骤2标准化后的数据建立如下模型：
其中，X是输入矩阵，包含所采集变量的正常值和故障值；y为输出矩阵，0N表示N行1列的全0向量，1M表示M行1列的全1向量，N是正常样本个数，M是故障样本个数；λ是调整参数，取经验值；β是回归系数向量，β＝[β1 ... βJ]T，J是采集的变量的个数，||β||1表示β的1-范数；上标T表示矩阵的转置；
步骤4：用吉布斯采样法求解式(1)，计算出回归系数β的概率密度函数p(β)；
步骤5：通过核密度估计方法计算出β的95％控制限ε；
步骤6：用蒙特卡罗法，计算δj＝P(βj>ε)，如果δj>95％，则第j个变量是故障变量。
进一步地，所述步骤4中，β的先验分布采用拉普拉斯分布。
本发明的有益效果是：
1、本发明的基于贝叶斯理论的工业过程故障诊断方法，相比传统的工业过程故障诊断方法，其明显减少了对工业过程知识的依赖，易于实现复杂工业过程的在线监控。
2、本发明的基于贝叶斯理论的工业过程故障诊断方法，相比传统的变量选择诊断方法，采用更为有效的贝叶斯理论，可以考虑不同变量对故障发生的影响，得出各变量发生故障的概率，因此本发明方法得出诊断结果的准确度更高，能够为复杂的工业过程恢复提供更多的有效依据。
附图说明
通过以下结合附图对本发明较佳的实施例进行描述，可以进一步理解本发明的目的、特征及优点，其中：
图1为基于贝叶斯理论的工业过程故障诊断方法功能模块组成示意图；
图2为基于贝叶斯理论的工业过程故障诊断方法流程示意图；
图3为实施例TE过程流程图。
具体实施方式
以下参照本发明的附图对本发明作更详细的描述。本发明也可以以许多不同形式实施，因此不应认为它局限于说明书所列的实施例，相反，提供这种实施例是为了说明本发明的实施和完全，以及能向相关领域的技术人员描述本发明的具体实施过程。
本发明提供的基于贝叶斯理论的工业过程故障诊断方法主要包括以下5个功能模块：①工业过程中温度、压力、流量等重要变量数据的采集模块；②故障诊断与变量选择转化的故障诊断模型构建模块；③计算回归系数β概率密度函数的模型求解模块；④β的控制限ε求解模块；⑤故障诊断结果分析与输出模块，具体请参见附图1。该方法具体流程图请参见图2。
本发明基于贝叶斯理论的工业过程故障诊断方法，具体步骤如下：
步骤1：从工业过程中采集要关注的重要变量的数据；
步骤2：对步骤1中采集的变量数据进行标准化处理，使得各变量的均值为0、方差为1；
步骤3：用步骤2标准化后的数据建立如下模型：
其中，X是输入矩阵，包含所采集变量的正常值和故障值；y为输出矩阵，0N表示N行1列的全0向量，1M表示M行1列的全1向量，N是正常样本个数，M是故障样本个数；λ是调整参数，取经验值；β是回归系数向量，β＝[β1 ... βJ]T，J是采集的变量的个数，||β||1表示β的1-范数；上标T表示矩阵的转置；
步骤4：用吉布斯采样法求解式(1)，计算出回归系数β的概率密度函数p(β)；
其中，步骤4的中β的先验分布采用拉普拉斯分布；
步骤5：通过核密度估计方法计算出β的95％控制限ε；
步骤6：用蒙特卡罗法，计算δj＝P(βj>ε)，如果δj>95％，则第j个变量是故障变量。
针对田纳西-伊斯曼化学过程(TEP)的实施例：
田纳西-伊斯曼过程(TEP)常用来评价过程控制中的故障检测和诊断方法的有效性，共有五个主要单元:反应器、冷凝器、压缩机、分离器和汽提塔，包括八种成分：A、B、C、D、E、F、G和H，反应气体A、C、D和E进入反应器，经过反应生成液态产物G和H，同时生成副产物F；TE过程总共有21个预定义故障，可以分为16个已知故障和5个未知故障及52个变量，具体如图3所示。此次实施例利用TEP的故障4进行验证，进一步证明本发明的有效性和有益效果，从而为其它复杂工业过程的故障诊断提供关键技术支撑。
针对按照图1所示的流程示意图实施本发明方法，得到如下结果：故障4中的故障变量是反应器冷却水流量x51，其发生故障的概率是100％，通过故障诊断结果分析与输出模型模块验证分析后，发现其变化轨迹符合故障表现，因此得出结论，故障4是反应器冷却水流量x51发生故障造成的。这与目前国内外技术资料报道的最好结果一致，并且本发明方法相比传统故障诊断方法，其明显减少了对过程知识的依赖，设计更为简单，易于实现复杂工业过程中的在线监控。
如上所述，本发明也可以应用其它不同的复杂工业过程故障诊断中，而为其的复杂工业过程故障诊断提供关键技术支撑。因此不应认为它局限于说明书列出的实施例。

Claims (2)

1.一种基于贝叶斯理论的工业过程故障诊断方法，其特征在于，该方法包括以下步骤：
步骤1：从工业过程中采集要关注的重要变量的数据；
步骤2：对步骤1中采集的变量数据进行标准化处理，使得各变量的均值为0、方差为1；
步骤3：用步骤2标准化后的数据建立如下模型：
其中，X是输入矩阵，包含所采集变量的正常值和故障值；y为输出矩阵，0N表示N行1列的全0向量，1M表示M行1列的全1向量，N是正常样本个数，M是故障样本个数；λ是调整参数，取经验值；β是回归系数向量，β＝[β1 ... βJ]T，J是采集的变量的个数，||β||1表示β的1-范数；上标T表示矩阵的转置；
步骤4：用吉布斯采样法求解式(1)，计算出回归系数β的概率密度函数p(β)；
步骤5：通过核密度估计方法计算出β的95％控制限ε；
步骤6：用蒙特卡罗法，计算δj＝P(βj>ε)，如果δj>95％，则第j个变量是故障变量。
2.根据权利要求1所述的一种基于贝叶斯理论的工业过程故障诊断方法，其特征在于，所述步骤4中，β的先验分布采用拉普拉斯分布。
CN201710567036.1A 2017-07-12 2017-07-12 一种基于贝叶斯理论的工业过程故障诊断方法 Active CN107272625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710567036.1A CN107272625B (zh) 2017-07-12 2017-07-12 一种基于贝叶斯理论的工业过程故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710567036.1A CN107272625B (zh) 2017-07-12 2017-07-12 一种基于贝叶斯理论的工业过程故障诊断方法

Publications (2)

Publication Number Publication Date
CN107272625A CN107272625A (zh) 2017-10-20
CN107272625B true CN107272625B (zh) 2019-05-28

Family

ID=60073408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710567036.1A Active CN107272625B (zh) 2017-07-12 2017-07-12 一种基于贝叶斯理论的工业过程故障诊断方法

Country Status (1)

Country Link
CN (1) CN107272625B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270907B (zh) * 2018-10-24 2020-07-28 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
CN113485269B (zh) * 2021-07-20 2023-01-03 浙江大学 一种基于隐变量模型的工业过程监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880170A (zh) * 2012-10-08 2013-01-16 南京航空航天大学 基于基线模型和贝叶斯因子的系统故障早期预警方法
EP2369435B1 (en) * 2010-03-19 2013-04-03 Hamilton Sundstrand Corporation Bayesian approach to identifying sub-module failure
CN105700518A (zh) * 2016-03-10 2016-06-22 华中科技大学 一种工业过程故障诊断方法
CN103926919B (zh) * 2014-04-29 2016-08-17 华东理工大学 基于小波变换和Lasso函数的工业过程故障检测方法
JP6048688B2 (ja) * 2014-11-26 2016-12-21 横河電機株式会社 イベント解析装置、イベント解析方法およびコンピュータプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2369435B1 (en) * 2010-03-19 2013-04-03 Hamilton Sundstrand Corporation Bayesian approach to identifying sub-module failure
CN102880170A (zh) * 2012-10-08 2013-01-16 南京航空航天大学 基于基线模型和贝叶斯因子的系统故障早期预警方法
CN103926919B (zh) * 2014-04-29 2016-08-17 华东理工大学 基于小波变换和Lasso函数的工业过程故障检测方法
JP6048688B2 (ja) * 2014-11-26 2016-12-21 横河電機株式会社 イベント解析装置、イベント解析方法およびコンピュータプログラム
CN105700518A (zh) * 2016-03-10 2016-06-22 华中科技大学 一种工业过程故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Fuzzy Fault Diagnosis Scheme with Application;Xiaochun George Wang等;《Proceedings Joint 9th IFSA World Congress and 20th NAFIP International Conference》;20020807;1489-1493
FAILURED DETECTION AND ISOLATION: A NEW PARADIGM;R. Doraiswami, C.P. Diduch等;《Proceedings of the 2001 American Control Conference》;20020807;470-475
基于LASSO的故障重构方法;张申波等;《计算机与应用化学》;20161128;第33卷(第11期);1227-1230
基于贝叶斯分类的分布式网络故障诊断模型;刘凤玉等;《南京理工大学学报》;20031031;第27卷(第5期);546-550

Also Published As

Publication number Publication date
CN107272625A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN108664002B (zh) 一种面向质量的非线性动态过程监控方法
CN102736546A (zh) 一种流程工业复杂机电系统的状态监测装置及方法
CN109407652A (zh) 基于主辅pca模型的多变量工业过程故障检测方法
CN109917777B (zh) 基于混合多采样率概率主成分分析模型的故障检测方法
CN110751217B (zh) 基于主元分析的设备能耗占比预警分析方法
CN104914847A (zh) 基于方向核偏最小二乘的工业过程故障诊断方法
CN111367253B (zh) 基于局部自适应标准化的化工系统多工况故障检测方法
CN104914850B (zh) 基于切换线性动态系统模型的工业过程故障诊断方法
CN110209144B (zh) 基于动静协同差异分析的两层实时监测与报警溯源方法
CN112199409B (zh) 一种用于催化重整装置实时工况的监测方法及装置
CN107272625B (zh) 一种基于贝叶斯理论的工业过程故障诊断方法
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
CN109541350A (zh) 基于自适应多元累积和控制图的变压器状态评价方法
CN114519382A (zh) 一种核动力装置关键运行参数提取与异常监测方法
Song et al. Empirical likelihood ratio charts for profiles with attribute data and random predictors in the presence of within‐profile correlation
Tang et al. Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis
CN103995985B (zh) 基于Daubechies小波变换和弹性网的故障检测方法
Bae et al. Detecting abnormal behavior of automatic test equipment using autoencoder with event log data
Zhang et al. Distributed quality-related process monitoring framework using parallel DVIB-VAE-mRMR for large-scale processes
CN117723878A (zh) 一种配电网干式变压器故障预警装置及方法
CN116125923B (zh) 基于混合变量字典学习的混杂工业过程监测方法和系统
CN111188761A (zh) 一种基于Fourier-CVA模型面向机泵设备的监测方法
Valle et al. Extracting fault subspaces for fault identification of a polyester film process
Liu et al. Dynamic Inner Canonical Variate Network for Incipient Fault Monitoring
Xie Fault monitoring based on locally weighted probabilistic kernel partial least square for nonlinear time‐varying processes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 325000 Zhejiang Economic Development Zone, Ouhai, South East Road, No. 38, Wenzhou National University Science Park Incubator

Applicant after: Wenzhou University

Address before: 325000 Zhejiang city of Wenzhou Province Higher Education Park (Chashan town of Ouhai District)

Applicant before: Wenzhou University

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20171020

Assignee: Intelligent lock Research Institute of Wenzhou University

Assignor: Wenzhou University

Contract record no.: X2020330000086

Denomination of invention: A fault diagnosis method for industrial process based on Bayesian theory

Granted publication date: 20190528

License type: Common License

Record date: 20201030