CN109240267A - 一种欠数据下的闭环故障建模及主动诊断方法 - Google Patents

一种欠数据下的闭环故障建模及主动诊断方法 Download PDF

Info

Publication number
CN109240267A
CN109240267A CN201811131118.2A CN201811131118A CN109240267A CN 109240267 A CN109240267 A CN 109240267A CN 201811131118 A CN201811131118 A CN 201811131118A CN 109240267 A CN109240267 A CN 109240267A
Authority
CN
China
Prior art keywords
signal
failure
fault
closed loop
under
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
Application number
CN201811131118.2A
Other languages
English (en)
Inventor
孙国玺
孙飞昊
张华威
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201811131118.2A priority Critical patent/CN109240267A/zh
Publication of CN109240267A publication Critical patent/CN109240267A/zh
Pending legal-status Critical Current

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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions

Landscapes

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

Abstract

本发明公开了一种欠数据下的闭环故障建模及主动诊断方法，步骤一，针对欠数据下的石化装备闭环故障建模问题；步骤二，针对激励输入的次优选择问题；步骤三，针对闭环系统故障的主动诊断问题。本发明通过欠数据下的闭环建模，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，最后，以不同运行环境下具体的实际系统故障数据确定故障模型的参数，在此过程中采用数据增容技术，合理构建系统的输出信号，使其能更加有效的反映出系统中的异常情况。

Description

一种欠数据下的闭环故障建模及主动诊断方法
技术领域
本发明涉及电子产品技术领域，特别涉及一种欠数据下的闭环故障建模及主动诊断方法。
背景技术
石化装备一般都采用闭环控制模式，闭环控制一方面提升了系统的稳定性和鲁棒性，另一方面当系统中发生异常状况时，减少了输出变化，导致对部分故障具有明显掩盖作用。若系统中存在非线性和不确定性环节，则开闭环残差信号之间的关系会变得极其复杂，使得现有基于解析模型的方法很难得到理想效果。闭环控制带来的另一难点是系统中异常情况的传播，某些部位发生的故障可能随着反馈控制回路影响系统多处性能，使得原本正常工作的单元输出异常值，导致故障在系统内部传播。
催化裂化主风机组是关键的石化大型节能装备，也是典型的闭环控制系统，又是故障高发设备。研究催化裂化主风机组的故障诊断，其科学问题对闭环控制下的石化装备故障诊断研究具有代表性。
因此，发明一种欠数据下的闭环故障建模及主动诊断方法及电子产品来解决上述问题很有必要。
发明内容
本发明的目的在于提供一种欠数据下的闭环故障建模及主动诊断方法及电子产品，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，激励信号一般选择由标准高斯白噪声通过激励生成子系统，依照系统的特点进行结构化选择，针对特定的故障或故障集合生成新的测量信号，分析系统测量信号与输入激励信号之间的相关性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种欠数据下的闭环故障建模及主动诊断方法，包括以下步骤：
步骤一，针对欠数据下的石化装备闭环故障建模问题：根据石化装备不同的负载、对象等运行环境，采用机理与数据相结合的方法实现复杂环境下的故障分类和故障建模，分析石化装备运行环境主要影响因素，完成故障发生可能性与环境依赖关系的划分，通过故障特征提取对故障进行归类；在此基础上，根据不同环境下所能导致的不同故障特性，对各类故障建立更实际，更具针对性的数学描述方法；
步骤二，针对激励输入的次优选择问题：激励输入信号的合理选择是故障得以准确诊断的前提，该信号需在不影响系统控制性能的前提下，充分激发特定故障的症状，设计激励生成模块产生一个特定的随机信号作为外部输入激励信号，与原控制信号叠加输入系统，从而获得由激励信号的加入产生的额外信息；
步骤三，针对闭环系统故障的主动诊断问题：在合理选择主动激励输入信号后，可以得到系统新的、激发除了特定故障信息的测量信号后。此时可以利用原控制信号、激励输入控制信号和系统测量信号进行残差生成，进而对满足相应结构化要求的故障信号进行有针对性的检测与定位，闭环的系统结构对某些特定故障具有掩盖作用，利用故障激励思想的主动故障检测技术可主动增强特定故障的外在表现，为故障检测提供了一个全新的解决思路。
优选的，所述步骤一中，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，最后，以不同运行环境下具体的实际系统故障数据确定故障模型的参数，在此过程中采用数据增容技术，合理构建系统的输出信号，使其能更加有效的反映出系统中的异常情况。
优选的，所述步骤二中，激励信号的选取要考虑到四个方面的约束条件:(1)激励输入为平稳的随机信号；(2)激励信号与系统输入信号及噪声信号相互独立；(3)激励输入应满足特定的结构关系以激发特定的故障信息；(4)激励信号是物理可实现的；利用随机信号分析理论，针对特定故障类型及故障结构信息，以激励信号与系统故障前后输出的互相关函数为目标进行优化，结合虚报率、漏报率等约束，确定最优激励信号的选择标准。
优选的，所述步骤三中，激励信号一般选择由标准高斯白噪声通过激励生成子系统，依照系统的特点进行结构化选择，针对特定的故障或故障集合生成新的测量信号，分析系统测量信号与输入激励信号之间的相关性，利用时域信息检测的方法滤掉与激励信号随机不相关的扰动及控制输入信号，提取出与激励信号随机相关的故障信息，生成相应的残差后通过随机信号分析的方法得到故障的准确信息。
本发明的技术效果和优点：
1、本发明通过欠数据下的闭环建模，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，最后，以不同运行环境下具体的实际系统故障数据确定故障模型的参数，在此过程中采用数据增容技术，合理构建系统的输出信号，使其能更加有效的反映出系统中的异常情况；
2、本发明通过欠数据下的故障诊断，激励信号一般选择由标准高斯白噪声通过激励生成子系统，依照系统的特点进行结构化选择，针对特定的故障或故障集合生成新的测量信号，分析系统测量信号与输入激励信号之间的相关性，利用时域信息检测的方法滤掉与激励信号随机不相关的扰动及控制输入信号，提取出与激励信号随机相关的故障信息，生成相应的残差后通过随机信号分析的方法得到故障的准确信息。
附图说明
图1为本发明的流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本发明提供了如图1所示的一种欠数据下的闭环故障建模及主动诊断方法，其中包括：
步骤一，针对欠数据下的石化装备闭环故障建模问题：根据石化装备不同的负载、对象等运行环境，采用机理与数据相结合的方法实现复杂环境下的故障分类和故障建模，分析石化装备运行环境主要影响因素，完成故障发生可能性与环境依赖关系的划分，通过故障特征提取对故障进行归类；在此基础上，根据不同环境下所能导致的不同故障特性，对各类故障建立更实际，更具针对性的数学描述方法，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，最后，以不同运行环境下具体的实际系统故障数据确定故障模型的参数，在此过程中采用数据增容技术，合理构建系统的输出信号，使其能更加有效的反映出系统中的异常情况；
步骤二，针对激励输入的次优选择问题：激励输入信号的合理选择是故障得以准确诊断的前提，该信号需在不影响系统控制性能的前提下，充分激发特定故障的症状，设计激励生成模块产生一个特定的随机信号作为外部输入激励信号，与原控制信号叠加输入系统，从而获得由激励信号的加入产生的额外信息，激励信号的选取要考虑到四个方面的约束条件:(1)激励输入为平稳的随机信号；(2)激励信号与系统输入信号及噪声信号相互独立；(3)激励输入应满足特定的结构关系以激发特定的故障信息；(4)激励信号是物理可实现的；利用随机信号分析理论，针对特定故障类型及故障结构信息，以激励信号与系统故障前后输出的互相关函数为目标进行优化，结合虚报率、漏报率等约束，确定最优激励信号的选择标准；
实施例2：
与实施例1不同的是，针对闭环系统故障的主动诊断问题：在合理选择主动激励输入信号后，可以得到系统新的、激发除了特定故障信息的测量信号后；此时可以利用原控制信号、激励输入控制信号和系统测量信号进行残差生成，进而对满足相应结构化要求的故障信号进行有针对性的检测与定位，闭环的系统结构对某些特定故障具有掩盖作用，利用故障激励思想的主动故障检测技术可主动增强特定故障的外在表现，为故障检测提供了一个全新的解决思路，激励信号一般选择由标准高斯白噪声通过激励生成子系统，依照系统的特点进行结构化选择，针对特定的故障或故障集合生成新的测量信号，分析系统测量信号与输入激励信号之间的相关性，利用时域信息检测的方法滤掉与激励信号随机不相关的扰动及控制输入信号，提取出与激励信号随机相关的故障信息，生成相应的残差后通过随机信号分析的方法得到故障的准确信息。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种欠数据下的闭环故障建模及主动诊断方法，其特征在于，包括以下步骤：
步骤一，针对欠数据下的石化装备闭环故障建模问题：根据石化装备不同的负载、对象等运行环境，采用机理与数据相结合的方法实现复杂环境下的故障分类和故障建模，分析石化装备运行环境主要影响因素，完成故障发生可能性与环境依赖关系的划分，通过故障特征提取对故障进行归类；在此基础上，根据不同环境下所能导致的不同故障特性，对各类故障建立更实际，更具针对性的数学描述方法；
步骤二，针对激励输入的次优选择问题：激励输入信号的合理选择是故障得以准确诊断的前提，该信号需在不影响系统控制性能的前提下，充分激发特定故障的症状，设计激励生成模块产生一个特定的随机信号作为外部输入激励信号，与原控制信号叠加输入系统，从而获得由激励信号的加入产生的额外信息；
步骤三，针对闭环系统故障的主动诊断问题：在合理选择主动激励输入信号后，可以得到系统新的、激发除了特定故障信息的测量信号后。此时可以利用原控制信号、激励输入控制信号和系统测量信号进行残差生成，进而对满足相应结构化要求的故障信号进行有针对性的检测与定位，闭环的系统结构对某些特定故障具有掩盖作用，利用故障激励思想的主动故障检测技术可主动增强特定故障的外在表现，为故障检测提供了一个全新的解决思路。
2.根据权利要求1所述的一种欠数据下的闭环故障建模及主动诊断方法，其特征在于：所述步骤一中，对于可以推测其机理的故障，我们基于物理学原理对其进行动力学分析；针对难以推测其作用机理的故障，可基于数学逼近方法对其运行动态进行逼近，最后，以不同运行环境下具体的实际系统故障数据确定故障模型的参数，在此过程中采用数据增容技术，合理构建系统的输出信号，使其能更加有效的反映出系统中的异常情况。
3.根据权利要求1所述的一种欠数据下的闭环故障建模及主动诊断方法，其特征在于：所述步骤二中，激励信号的选取要考虑到四个方面的约束条件:(1)激励输入为平稳的随机信号；(2)激励信号与系统输入信号及噪声信号相互独立；(3)激励输入应满足特定的结构关系以激发特定的故障信息；(4)激励信号是物理可实现的；利用随机信号分析理论，针对特定故障类型及故障结构信息，以激励信号与系统故障前后输出的互相关函数为目标进行优化，结合虚报率、漏报率等约束，确定最优激励信号的选择标准。
4.根据权利要求1所述的一种欠数据下的闭环故障建模及主动诊断方法，其特征在于：所述步骤三中，激励信号一般选择由标准高斯白噪声通过激励生成子系统，依照系统的特点进行结构化选择，针对特定的故障或故障集合生成新的测量信号，分析系统测量信号与输入激励信号之间的相关性，利用时域信息检测的方法滤掉与激励信号随机不相关的扰动及控制输入信号，提取出与激励信号随机相关的故障信息，生成相应的残差后通过随机信号分析的方法得到故障的准确信息。
CN201811131118.2A 2018-09-27 2018-09-27 一种欠数据下的闭环故障建模及主动诊断方法 Pending CN109240267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811131118.2A CN109240267A (zh) 2018-09-27 2018-09-27 一种欠数据下的闭环故障建模及主动诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811131118.2A CN109240267A (zh) 2018-09-27 2018-09-27 一种欠数据下的闭环故障建模及主动诊断方法

Publications (1)

Publication Number Publication Date
CN109240267A true CN109240267A (zh) 2019-01-18

Family

ID=65056325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811131118.2A Pending CN109240267A (zh) 2018-09-27 2018-09-27 一种欠数据下的闭环故障建模及主动诊断方法

Country Status (1)

Country Link
CN (1) CN109240267A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882386A (zh) * 2021-01-12 2021-06-01 清华大学 闭环系统的主动故障检测方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882386A (zh) * 2021-01-12 2021-06-01 清华大学 闭环系统的主动故障检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Housh et al. Model-based approach for cyber-physical attack detection in water distribution systems
Smarsly et al. Decentralized fault detection and isolation in wireless structural health monitoring systems using analytical redundancy
US10373065B2 (en) Generating database cluster health alerts using machine learning
CN104048675B (zh) 一种基于高斯过程回归的组合导航系统故障诊断方法
CN105426680A (zh) 基于特征配置的故障树生成方法
CN104756029B (zh) 一种监控设备的部件组的系统
CN105044759B (zh) 一种数字式核探测器的状态评估与保障维护方法及系统
US20140365638A1 (en) Systems and methods for monitoring system performance and availability.
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
Bohorquez et al. Merging fluid transient waves and artificial neural networks for burst detection and identification in pipelines
CN109062194A (zh) 一种闭环影响下催化裂化主风机组故障诊断方法和系统
CN102624476A (zh) 一种基于模型检测的无线传感器网络时间同步检验方法
KR101351309B1 (ko) 패턴인식 기술을 이용한 제어설비 고장진단 시스템 및 고장진단 방법
CN115118621A (zh) 一种基于依赖关系图的微服务性能诊断方法及系统
CN108804914A (zh) 一种异常数据检测的方法及装置
CN109240267A (zh) 一种欠数据下的闭环故障建模及主动诊断方法
CN109990803A (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
Henry et al. Off-line robust fault diagnosis using the generalized structured singular value
Bhattacharyya et al. A discrete event systems approach to network fault management: detection and diagnosis of faults
CN116186976A (zh) 装备平台传感器采集数据准确度验证方法及验证系统
Lo et al. Reference-free detection of spike faults in wireless sensor networks
WO2023181241A1 (ja) 監視サーバ装置、システム、方法、及びプログラム
CN105389475B (zh) 一种基于小波包分解的电厂设备故障检测方法
CN107103134A (zh) 基于贝叶斯网络的低速无线传感器网络测试性分析方法
Kleman et al. Evaluation of model-based fault diagnosis combining physical insights and neural networks applied to an exhaust gas treatment system case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190118