CN108508860B - 一种基于耦合关系的流程工业生产系统数据监测方法 - Google Patents

一种基于耦合关系的流程工业生产系统数据监测方法 Download PDF

Info

Publication number
CN108508860B
CN108508860B CN201810442946.1A CN201810442946A CN108508860B CN 108508860 B CN108508860 B CN 108508860B CN 201810442946 A CN201810442946 A CN 201810442946A CN 108508860 B CN108508860 B CN 108508860B
Authority
CN
China
Prior art keywords
monitoring
data
coupling relation
calculating
coupling
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
CN201810442946.1A
Other languages
English (en)
Other versions
CN108508860A (zh
Inventor
高智勇
李鼎
梁艳杰
亢嘉妮
王荣喜
高建民
姜洪权
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201810442946.1A priority Critical patent/CN108508860B/zh
Publication of CN108508860A publication Critical patent/CN108508860A/zh
Application granted granted Critical
Publication of CN108508860B publication Critical patent/CN108508860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/32Operator till task planning
    • G05B2219/32339Object oriented modeling, design, analysis, implementation, simulation language
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

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

Abstract

本发明公开了一种基于耦合关系的流程工业生产系统数据监测方法,包括获取集散控制系统从生产现场采集的流程工业生产系统监测数据,并且对监测数据进行标准化处理;通过改进符号传递熵刻画系统内监测数据之间的耦合关系,确定耦合关系强度和耦合关系方向;耦合关系异常监测,确定耦合关系异常点对应的监测数据点;局部异常点监测,基于密度的局部异常点监测方法,获取监测数据异常点的准确位置。解决了流程工业生产系统DCS采集数据质量监测的问题,以流程工业生产系统现场监测数据为对象,以生产系统存在的固有耦合约束关系为基础,提出基于耦合关系异常监测和局部异常监测的流程工业生产系统数据监测方法,做到及时预警,更有效的避免事故风险。

Description

一种基于耦合关系的流程工业生产系统数据监测方法
技术领域
本发明属于数据质量监测技术领域;具体涉及一种基于耦合关系的流程工业生产系统数据监测方法。
背景技术
以能源化工为代表的流程工业是现代制造业中不可或缺的一部分,流程工业生产系统是一类基于系统状态信息进行生产调度控制的分布式复杂制造系统,其生产过程耦合度高且系统庞大复杂,生产对象多属于高温、高压以及易燃、易爆等危险物质,而系统的正常运行依赖于集散控制系统(DCS)根据监测数据对系统的调度控制,生产系统一旦发生数据质量问题,轻则造成调度和控制失误,引起企业减产、能耗增加等,重则引起操作人员危险动作或系统连锁动作,导致系统跳车或停车,火灾等安全事故的发生,其生产过程对安全性的要求远远高于其他领域;针对数据质量问题,企业通常的做法是加强现场巡检、增加冗余仪表、定期校验仪表等,虽有一定效果,但耗费较大的人力、物力、财力,效率低。
因此需要一种基于数据驱动的数据质量监测方法,流程工业生产系统运行过程中会积累大量的涵盖压力、温度、流量、液位、振动、转速以及开关、连锁、报警等信号的数据,然而如何利用这些数据监测DCS系统采集数据的质量,尚缺乏有效手段。传统的数据异常监测的方法有三类,即基于模型的、基于邻近度的和基于密度的方法。基于模型的分析方法建立监测数据的数学模型,然后监测数据是否符合模型来判断是否异常。基于邻近度的方法首先在数据之间定义邻近距离,异常点是远离大部分其他点的数据。基于密度的方法可以直接计算监测点的密度估计,将位于低密度区的监测点数据判定为异常数据。
但是,流程工业生产系统在正常运行中常常要进行工况调整,传统的异常监测方法在工况改变时会误认为是数据产生异常;流程工业生产系统通过管道、能量、控制变量等将整个系统连接一起,按照既定的设备连接、生产工艺要求形成系统固有的耦合约束关系;所以将耦合关系异常监测和数据异常监测结合的方法可以有效解决传统方法存在的问题。基于以上分析,本发明提出一种基于耦合关系的流程工业生产系统数据监测方法。
发明内容
本发明提供了一种基于耦合关系的流程工业生产系统数据监测方法;解决了流程工业生产系统DCS采集数据质量监测的问题,以流程工业生产系统现场监测数据为对象,以生产系统存在的固有耦合约束关系为基础,提出基于耦合关系异常监测和局部异常监测的流程工业生产系统数据监测方法,做到及时预警,更有效的避免事故风险。
本发明的技术方案是:一种基于耦合关系的流程工业生产系统数据监测方法,包括以下步骤:
步骤S1,获取集散控制系统从生产现场采集的流程工业生产系统监测数据,并且对监测数据进行标准化处理;
步骤S2,通过改进符号传递熵刻画系统内监测数据之间的耦合关系,确定耦合关系强度和耦合关系方向;具体的,基于有限穿越和有限跨越水平可视图符号传递熵算法以两个可视点之间跨过的数据点的个数作为符号化值,传递熵的计算公式为:
Figure BDA0001656485030000021
其中τ为延迟时间,
Figure BDA0001656485030000022
为两个符号化序列在t时刻和t+τ时刻的联合概率,
Figure BDA0001656485030000023
Figure BDA0001656485030000024
为对应的两个条件概率分布;
步骤S3,耦合关系异常监测,确定耦合关系异常点对应的监测数据点;
步骤S4,局部异常点监测,基于密度的局部异常点监测方法,获取监测数据异常点的准确位置。
更进一步的,本发明的特点还在于:
其中步骤2中确定耦合关系强度和耦合关系方向的具体过程是:
步骤2.1,计算采集到的监测时间序列的信噪比为
Figure BDA0001656485030000031
其中PS为降噪后监测数据的功率,PN为噪声序列功率;
步骤2.2,根据监测时间序列的信噪比确定改进符号传递熵的参数,有限穿越值和有限跨越值,获得符号化序列,然后计算两个监测时间序列之间的耦合关系;
步骤2.3,以监测时间序列的平均周期最大值的2倍作为符号传递熵的滑动窗口长度;
步骤2.4,计算监测时间序列两两之间的耦合关系强度,确定耦合方向,并且建立耦合关系网络。
其中步骤2.1中监测时间序列的信噪比的计算过程是,使用小波包对监测数据进行降噪,获得降噪后的监测数据,然后计算两组数据的功率,计算公式为:
Figure BDA0001656485030000032
其中N为时间序列长度,xi表示监测数据在i时刻的幅值。
其中步骤3中耦合关系异常监测的具体过程是:建立生产系统正常运行状态下耦合关系强度的统计模型,确定T2和SPE的控制限,然后计算实时监测数据求得耦合关系强度核主成分分析统计量T2和SPE;然后监测实时监测数据求得的耦合关系强度是否超出上述控制限,如果超出,则监测数据间耦合关系发生异常,并且确定耦合关系异常点对应的监测数据点。
其中步骤S3中计算耦合关系强度核主成分分析统计量T2和SPE的具体过程是:计算耦合关系强度核矩阵,并且将核矩阵的特征值进行标准化处理;计算多个监测点样本在高维空间的投影;在系统运行正常状态下检测数据的耦合强度计算T2和SPE,其中T2统计指标控制限根据卡方分布F分布获得,SPE的控制限根据其近期分布获得;将监测点集合投影到上述高维空间中,并且计算得到数据的T2统计量和SPE统计量。
其中步骤4中基于密度的局部异常点监测方法的具体过程是:步骤4.1,计算监测点与异常检测数据之间的距离;步骤4.2,计算检测点的最大距离和局部最大密度;步骤4.3,计算监测点的局部离群因子。
与现有技术相比,本发明的有益效果是:该方法将耦合分析与基于密度的局部异常检测相结合,实现了对流程工业检测数据进行准确性的、实时的有效监测,并且能够及时准确的定位异常发生的位置,对DCS系统采集数据的可能为题实时做出预警预报,预防事故的发生,指导维修维护。
附图说明
图1为本发明的流程示意图;
图2为本发明的时间序列符号化方法说明图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进一步说明。
本发明提供了一种基于耦合关系的流程工业生产系统数据监测方法,如图1所示,包括以下步骤:
步骤S1,数据预处理;通过集散控制系统(DCS)从生产现场获取流程工业生产系统监测时间序列,并且对时间序列进行标准化处理。
步骤S2,获取时间序列的耦合关系;采用改进符号传递熵刻画系统内监测时间序列之间的耦合关系,确定耦合关系强度和耦合关系方向;具体过程如下:
步骤S2.1,计算监测时间序列的信噪比
Figure BDA0001656485030000041
其中PS为降噪后监测数据的功率,PN为噪声序列功率;具体首先使用小波包对监测数据进行降噪,获得降噪后的监测数据,然后通过公式
Figure BDA0001656485030000042
计算上述降噪后监测数据的功率和噪声序列功率,其中N为时间序列长度,xi表示监测数据在i时刻的幅值;
步骤S2.2,根据监测时间序列的信噪比确定改进符号传递熵的参数,有限穿越值和有限跨越值,获得符号化序列,如图2所示,图中的有限穿越值为1,用虚线箭头表示,有限跨越值为4,用点状虚线箭头表示,最终符号结果为曲线跨越的点数,然后计算两个检测时间序列之间的耦合关系为:
Figure BDA0001656485030000051
其中
Figure BDA0001656485030000052
为两个符号化序列在t时刻和t+τ时刻的联合概率,
Figure BDA0001656485030000053
Figure BDA0001656485030000054
分别为两个符号话序列对应的两个条件概率分布。
步骤2.3,预估监测时间序列的平均周期,以两个变量平均周期最大值的2倍作为计算符号传递熵的滑动窗口长度。
步骤2.4,计算监测时间序列两两之间的耦合关系强度,并且确定耦合关系方向,建立耦合关系网络;其表示方式为:IHVG-TEx-y>0,表示信息传递熵方向为x→y,小于0则表示传递方向相反,采用同一传递熵的和表示监测时间序列之间的耦合强度。
步骤S3,耦合关系异常检测;包括在生产系统正常运行状态下耦合关系强度的统计模型,确定置信度和T2和SPE的控制限,计算实时监测数据求得的耦合关强度核主成分分析(KPCA)统计量T2和SPE,检测实时监测数据求得的耦合关强度是否超出控制限,如果T2和SPE超出控制限则认为监测数据间耦合关系发生异常,通过耦合关系是否发生异常判断监测数据是否异常。
其体过程是:首先计算得到耦合关系强度的核矩阵,并且求得该核矩阵的特征值,将特征值进行标准化处理;然后计算多个监测点样本在高维空间的投影;在系统运行正常状态下检测数据的耦合强度计算T2和SPE,其中T2统计指标控制限根据卡方分布F分布获得,SPE的控制限根据其近期分布获得;将监测点集合投影到上述高维空间中,并且计算得到数据的T2统计量和SPE统计量;然后判断其是否超出T2统计量和SPE统计量的控制限。
步骤S4,局部异常点监测;在步骤S3中检测到耦合关系异常之后,找到耦合关系异常点对应的监测数据点,通过基于密度的局部异常点监测方法,查找异常点的起始位置,获得监测数据异常点的准确位置。通过以下实施方式进行具体说明:
步骤S4.1,对于任意的正整数k,计算监测点p的第k距离表示为:k-dist(p),p和监测数据o的距离为:d(p,o);
步骤S4.2,计算监测点p的k近邻:具体的任意不大于k-dist(p)的监测点都被作为p的k近邻,其表示为Nkdist(p)(p)={q\{p}|d(p,q)≤kdist(p)};
步骤S4.3,计算检测点p的可达距离(reach-distance),表示为:reachdistk(p,o)=max{kdist(o),d(p,o)};
步骤S4.4,计算监测点p的局部离群因子:
Figure BDA0001656485030000061
如果局部离群因子远大于1,则说明p的密度小于其邻域点的密度,判断p为异常点。

Claims (1)

1.一种基于耦合关系的流程工业生产系统数据监测方法,其特征在于,包括以下步骤:
步骤S1,获取集散控制系统从生产现场采集的流程工业生产系统监测数据,并且对监测数据进行标准化处理;
步骤S2,通过改进符号传递熵刻画系统内监测数据之间的耦合关系,确定耦合关系强度和耦合关系方向;具体的,基于有限穿越和有限跨越水平可视图符号传递熵算法以两个可视点之间跨过的数据点的个数作为符号化值,对符号化序列的传递熵计算公式为:
Figure FDA0002300881490000011
其中τ为延迟时间,
Figure FDA0002300881490000012
为两个符号化序列在t时刻和t+τ时刻的联合概率,
Figure FDA0002300881490000013
Figure FDA0002300881490000014
为对应的两个条件概率分布;
步骤S3,耦合关系异常监测,确定耦合关系异常点对应的监测数据点;
步骤S4,局部异常点监测,基于密度的局部异常点监测方法,获取监测数据异常点的准确位置;
所述步骤S2中确定耦合关系强度和耦合关系方向的具体过程是:
步骤S2.1,计算采集到的监测时间序列的信噪比为
Figure FDA0002300881490000015
其中PS为降噪后监测数据的功率,PN为噪声序列功率;
步骤S2.2,根据监测时间序列的信噪比确定改进符号传递熵的参数,有限穿越值和有限跨越值,获得符号化序列,然后计算两个监测时间序列之间的耦合关系;
步骤S2.3,以监测时间序列的平均周期最大值的2倍作为符号传递熵的滑动窗口长度;
步骤S2.4,计算监测时间序列两两之间的耦合关系强度,确定耦合方向,并且建立耦合关系网络;
所述步骤S2.1中监测时间序列的信噪比的计算过程是,使用小波包对监测数据进行降噪,获得降噪后的监测数据,然后计算两组数据的功率,计算公式为:
Figure FDA0002300881490000021
其中N为时间序列长度,xi表示监测数据在i时刻的幅值;
所述步骤S3中耦合关系异常监测的具体过程是:建立生产系统正常运行状态下耦合关系强度的统计模型,确定T2和SPE的控制限,然后计算实时监测数据求得耦合关系强度核主成分分析统计量T2和SPE;然后监测实时监测数据求得的耦合关系强度是否超出上述控制限,如果超出,则监测数据间耦合关系发生异常,并且确定耦合关系异常点对应的监测数据点;
所述步骤S3中计算耦合关系强度核主成分分析统计量T2和SPE的具体过程是:计算耦合关系强度核矩阵,并且将核矩阵的特征值进行标准化处理;计算多个监测点样本在高维空间的投影;在系统运行正常状态下检测数据的耦合强度计算T2和SPE,其中T2统计指标控制限根据卡方分布F获得,SPE的控制限根据其近期分布获得;将监测点集合投影到上述高维空间中,并且计算得到数据的T2统计量和SPE统计量;
所述步骤S4中基于密度的局部异常点监测方法的具体过程是:
步骤S4.1,计算监测点与异常检测数据之间的距离;
步骤S4.2,计算检测点的最大距离和局部最大密度;
步骤S4.3,计算监测点的局部离群因子。
CN201810442946.1A 2018-05-10 2018-05-10 一种基于耦合关系的流程工业生产系统数据监测方法 Active CN108508860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810442946.1A CN108508860B (zh) 2018-05-10 2018-05-10 一种基于耦合关系的流程工业生产系统数据监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810442946.1A CN108508860B (zh) 2018-05-10 2018-05-10 一种基于耦合关系的流程工业生产系统数据监测方法

Publications (2)

Publication Number Publication Date
CN108508860A CN108508860A (zh) 2018-09-07
CN108508860B true CN108508860B (zh) 2020-03-17

Family

ID=63400514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810442946.1A Active CN108508860B (zh) 2018-05-10 2018-05-10 一种基于耦合关系的流程工业生产系统数据监测方法

Country Status (1)

Country Link
CN (1) CN108508860B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214355B (zh) * 2018-09-29 2020-05-15 西安交通大学 一种基于核估计lof的机械监测数据异常段检测方法
CN113225391B (zh) * 2021-04-27 2022-11-08 东莞中山大学研究院 基于滑动窗口异常检测的大气环境监测质量监控方法及计算设备
CN115983721B (zh) * 2023-03-20 2023-06-23 青岛豪迈电缆集团有限公司 一种基于物联网大数据的电缆生产质量数据管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102736546B (zh) * 2012-06-28 2014-06-04 西安交通大学 一种流程工业复杂机电系统的状态监测装置及方法
AR091412A1 (es) * 2013-06-11 2015-02-04 Ypf Sa Dispositivo y metodo para diagnosticar situaciones anomalas en procesos
CN103823980A (zh) * 2014-02-26 2014-05-28 浙江水利水电学院 一种基于熵理论的大坝监控异常数据的检测方法
CN107292061A (zh) * 2017-07-28 2017-10-24 西安交通大学 一种数据驱动的流程工业复杂机电系统信息建模方法
CN107423414B (zh) * 2017-07-28 2020-04-28 西安交通大学 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法

Also Published As

Publication number Publication date
CN108508860A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108508860B (zh) 一种基于耦合关系的流程工业生产系统数据监测方法
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
CN109739214B (zh) 工业过程间歇故障的检测方法
CA2931624A1 (en) Systems and methods for event detection and diagnosis
Li et al. A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines
Wang et al. Indexing and designing deadbands for industrial alarm signals
CN109446189A (zh) 一种工业参数离群点检测系统及方法
CN112287988A (zh) 一种水污染源在线监测数据异常的识别方法
Yu et al. Abnormal data detection for multivariate alarm systems based on correlation directions
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN116992391B (zh) 一种硬碳工艺环保监测数据采集处理方法
CN113269327A (zh) 一种基于机器学习的流量异常预测方法
CN105718733B (zh) 基于模糊贴近度和粒子滤波的故障预报方法
CN116517862A (zh) 一种基于stft-cnn的矿井通风机异常诊断系统
CN111855219A (zh) 一种基于灰色理论的柴油机润滑油进机安保参数预测方法
Zhu et al. A robust strategy for sensor fault detection in nuclear power plants based on principal component analysis
CN109657329B (zh) 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法
CN117308275B (zh) 一种基于温差的管路连接异常检测方法及系统
CN115081673A (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
CN117932322A (zh) 一种面粉设备故障诊断方法及系统
CN112100577A (zh) 基于长程相关性的设备运行稳定性在线监测方法及系统
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
CN115115626A (zh) 一种机械零件缺陷检测系统及检测方法

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
GR01 Patent grant
GR01 Patent grant