CN109324598A - 一种强扰动状态下反馈控制下复合故障的诊断方法及装置 - Google Patents
一种强扰动状态下反馈控制下复合故障的诊断方法及装置 Download PDFInfo
- Publication number
- CN109324598A CN109324598A CN201811130556.7A CN201811130556A CN109324598A CN 109324598 A CN109324598 A CN 109324598A CN 201811130556 A CN201811130556 A CN 201811130556A CN 109324598 A CN109324598 A CN 109324598A
- Authority
- CN
- China
- Prior art keywords
- failure
- under
- feedback control
- combined failure
- different
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种强扰动状态下反馈控制下复合故障的诊断方法及装置,具体包括如下步骤:步骤一,建立故障信号与系统反馈控制之间的关系;步骤二,比较不同结构,不同特性的复合故障状态,若模型不确定性和非线性的结构信息一致,可以采用位置输入观测器的方法,使得残差信号对于某一类故障在最多方向上解耦,降低不同故障的影响程度,降低分析困难,并在此类故障发生时对残差信号进行分析,通过观察已解耦故障发生时残差信号是否仍超限报警判断。本发明通过依据复合故障机理和规则,结合复合故障诊断中得到的新无量纲免疫检测方法,合理构造系统不同故障的诊断单元,通过对不同故障诊断单元进行融合,提高石化旋转机组复合故障分离的准确率。
Description
技术领域
本发明涉及石化装备安全监测预警技术领域,特别涉及一种强扰动状态下反馈控制下复合故障的诊断方法及装置。
背景技术
装备安全是国内外石化企业“安、稳、长、满、优”运行最为关注的问题。随着石化产业规模的大规模发展,石化装备日益趋向大型化、精密化、高速化和自动化方向发展,其控制和结构越来越复杂,非线性闭环控制已经成为系统常态。这些发展一方面提高了生产效率、降低了生产成本,另一方面对石化装备的设计、制造、安装、使用、维修和可靠运行提出了更高、更严格的要求。一个微小的故障,可能会造成设备的局部性能发生退化、劣化甚至失效,在闭环反馈下进而影响到整个系统运行的稳定性和安全性,严重地还会造成一些灾难性事故。石化装备核心机组的安全监测与预警技术是保证石化装备安全可靠运行的关键。
催化裂化主风机组作为石化装备的一种,其故障状态往往处于反馈控制下,而反馈控制使得原系统的输入输出之间存在耦合关系,局部故障发生之后会导致系统中多个位置都出现异常,导致复合故障状态的发生。由于石化工艺复杂,催化裂化主风机组控制回路反馈多,从而各装置故障常常交叉耦合,相互影响。石化大型机组在复杂环境下,监测信号往往存在大量的非线性、随机、不可遍历的信息,这些干扰给信号分析带来了很大的困难。现有的复合故障诊断方法及装置虽然在解决这些问题方面取得了一定进展,但是却远远没有达到理想的效果。尤其是在强扰动下反馈控制的复合故障机理分析和诊断仍旧是个瓶颈难题,而这恰恰是催化裂化主风机组故障经常具有的状态特征。如何通过融合诊断方法及装置来完成对复合的故障的准确判断,是值得研究的科学课题。
因此,发明一种强扰动状态下反馈控制下复合故障的诊断方法及装置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强扰动状态下反馈控制下复合故障的诊断方法及装置,通过依据复合故障机理和规则,结合复合故障诊断中得到的新无量纲免疫检测方法,合理构造系统不同故障的诊断单元,通过对不同故障诊断单元进行融合,提高石化旋转机组复合故障分离的准确率,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:一种强扰动状态下反馈控制下复合故障的诊断方法及装置,具体包括如下步骤:
步骤一,建立故障信号与系统反馈控制之间的关系;
步骤二,比较不同结构,不同特性的复合故障状态,若模型不确定性和非线性的结构信息一致,可以采用位置输入观测器的方法,使得残差信号对于某一类故障在最多方向上解耦,降低不同故障的影响程度,降低分析困难,并在此类故障发生时对残差信号进行分析,通过观察已解耦故障发生时残差信号是否仍超限报警判断;
步骤三,采用增加扰动反馈的方法平衡扰动,通过结构相关性和信号谐波相关性分析,降维处理,分析可能机理;针对不同故障发生时的残差信号进行特征提取,并分别采用有/无监督学习方法进行相关性分析,深入挖掘故障表征的相关性,对故障来源进行精确推断;
步骤四,对传统的无量纲指标,无法实现对旋转机械轴系不同频段、不同类型并发的典型复合故障振动特征信息、变化规律,分析、掌握各类复合故障可诊断性,对传统无量纲进行推导、改正,构建一批新无量纲,并且理论推导、证明新无量纲的有效性;
步骤五,针对不同种类的故障诊断单元结论,在求取基本概率分配值时不能采用单点匹配进行实验分析,取多点或一段曲线(有记忆序列)与故障样本进行匹配进行实验分析,计算概率权值。
优选的,所述步骤五中,采用基于非参数假设检验方法(Ko lmogorov-Smirnov检验)得到证据推理所需要的信度值。
优选的,采用改进的遗传编程算法,从而推导出能满足不同类型的多重复合故障诊断要求的新无量纲免疫检测器。
优选的,进行诊断时,过粗糙集确定权重,构建一种新证据推理方法,解决证据体高冲突,实现基于权重系数与冲突概率重新分配的证据合成。
本发明还公开了一种强扰动状态下反馈控制下复合故障的诊断装置,包括中央处理器、与中央处理器连接的数据采集端和数据维护端,所述数据采集端设置于中央处理器的输入端,所述数据维护端设置于中央处理器的输出端。
优选的,所述数据采集端兼顾采集故障信号,并建立与中央处理器之间的反馈控制联系关系,所述中央处理器用于比较不同结构,不同特性的复合故障状态,并对比模型不确定性和非线性的结构信息是否一致,同时完成诊断装置中的控制作业,对结构相关性和信号谐波相关性分析,降维处理,分析可能机理,所述数据维护端进行数据计算和匹配分析。
本发明的技术效果和优点:
1、本发明对石化装备闭环故障诊断的创新性理解,为有效监控闭环控制下石化装备的安全高效运行提供必要的理论依据和关键的技术支撑,具有重要的理论意义和应用价值;
2、通过依据复合故障机理和规则,结合复合故障诊断中得到的新无量纲免疫检测方法,合理构造系统不同故障的诊断单元,通过对不同故障诊断单元进行融合,提高石化旋转机组复合故障分离的准确率。
附图说明
图1为本发明结构示意图。
图中:1中央处理器、2数据采集端、3数据维护端。
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
在具体进行诊断时,依据复合故障机理和规则,结合复合故障诊断中的新无量纲免疫检测方法,合理构造系统不同故障的诊断单元,通过对不同故障诊断单元进行融合,提高石化旋转机组复合故障分离的准确率,可分为以下步骤:
步骤一,建立故障信号与系统反馈控制之间的关系;
步骤二,比较不同结构,不同特性的复合故障状态,若模型不确定性和非线性的结构信息一致,可以采用位置输入观测器的方法,使得残差信号对于某一类故障在最多方向上解耦,降低不同故障的影响程度,降低分析困难,并在此类故障发生时对残差信号进行分析,通过观察已解耦故障发生时残差信号是否仍超限报警判断;
步骤三,采用增加扰动反馈的方法平衡扰动,通过结构相关性和信号谐波相关性分析,降维处理,分析可能机理;针对不同故障发生时的残差信号进行特征提取,并分别采用有/无监督学习方法进行相关性分析,深入挖掘故障表征的相关性,对故障来源进行精确推断;
步骤四,对传统的无量纲指标,无法实现对旋转机械轴系不同频段、不同类型并发的典型复合故障振动特征信息、变化规律,分析、掌握各类复合故障可诊断性,对传统无量纲进行推导、改正,构建一批新无量纲,并且理论推导、证明新无量纲的有效性;
步骤五,针对不同种类的故障诊断单元结论,在求取基本概率分配值时不能采用单点匹配进行实验分析,取多点或一段曲线(有记忆序列)与故障样本进行匹配进行实验分析,计算概率权值。
同时采用基于非参数假设检验方法(Ko lmogorov-Smirnov检验)得到证据推理所需要的信度值,采用改进的遗传编程算法,从而推导出能满足不同类型的多重复合故障诊断要求的新无量纲免疫检测器。
在进行诊断时,过粗糙集确定权重,构建一种新证据推理方法,解决证据体高冲突,实现基于权重系数与冲突概率重新分配的证据合成。
通过依据复合故障机理和规则,结合复合故障诊断中得到的新无量纲免疫检测方法,合理构造系统不同故障的诊断单元,通过对不同故障诊断单元进行融合,提高石化旋转机组复合故障分离的准确率。
实施例2
如图1所示的一种强扰动状态下反馈控制下复合故障的诊断装置,包括中央处理器1、与中央处理器1连接的数据采集端2和数据维护端3,所述数据采集端2设置于中央处理器1的输入端,所述数据维护端3设置于中央处理器1的输出端。
所述数据采集端2兼顾采集故障信号,并建立与中央处理器1之间的反馈控制联系关系,所述中央处理器1用于比较不同结构,不同特性的复合故障状态,并对比模型不确定性和非线性的结构信息是否一致,同时完成诊断装置中的控制作业,对结构相关性和信号谐波相关性分析,降维处理,分析可能机理,所述数据维护端3进行数据计算和匹配分析。
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 (6)
1.一种强扰动状态下反馈控制下复合故障的诊断方法,其特征在于,具体包括如下步骤:
步骤一,建立故障信号与系统反馈控制之间的关系;
步骤二,比较不同结构,不同特性的复合故障状态,若模型不确定性和非线性的结构信息一致,可以采用位置输入观测器的方法,使得残差信号对于某一类故障在最多方向上解耦,降低不同故障的影响程度,降低分析困难,并在此类故障发生时对残差信号进行分析,通过观察已解耦故障发生时残差信号是否仍超限报警判断;
步骤三,采用增加扰动反馈的方法平衡扰动,通过结构相关性和信号谐波相关性分析,降维处理,分析可能机理;针对不同故障发生时的残差信号进行特征提取,并分别采用有/无监督学习方法进行相关性分析,深入挖掘故障表征的相关性,对故障来源进行精确推断;
步骤四,对传统的无量纲指标,无法实现对旋转机械轴系不同频段、不同类型并发的典型复合故障振动特征信息、变化规律,分析、掌握各类复合故障可诊断性,对传统无量纲进行推导、改正,构建一批新无量纲,并且理论推导、证明新无量纲的有效性;
步骤五,针对不同种类的故障诊断单元结论,在求取基本概率分配值时不能采用单点匹配进行实验分析,取多点或一段曲线与故障样本进行匹配进行实验分析,计算概率权值。
2.根据权利要求1所述的一种强扰动状态下反馈控制下复合故障的诊断方法,其特征在于:所述步骤五中,采用基于非参数假设检验方法得到证据推理所需要的信度值。
3.根据权利要求1所述的一种强扰动状态下反馈控制下复合故障的诊断方法,其特征在于:采用改进的遗传编程算法,从而推导出能满足不同类型的多重复合故障诊断要求的新无量纲免疫检测器。
4.根据权利要求1所述的一种强扰动状态下反馈控制下复合故障的诊断方法,其特征在于:进行诊断时,过粗糙集确定权重,构建一种新证据推理方法,解决证据体高冲突,实现基于权重系数与冲突概率重新分配的证据合成。
5.一种强扰动状态下反馈控制下复合故障的诊断装置,包括中央处理器(1)、与中央处理器(1)连接的数据采集端(2)和数据维护端(3),其特征在于:所述数据采集端(2)设置于中央处理器(1)的输入端,所述数据维护端(3)设置于中央处理器(1)的输出端。
6.根据权利要求1-5任意一项所述的一种强扰动状态下反馈控制下复合故障的诊断装置,其特征在于:所述数据采集端(2)兼顾采集故障信号,并建立与中央处理器(1)之间的反馈控制联系关系,所述中央处理器(1)用于比较不同结构,不同特性的复合故障状态,并对比模型不确定性和非线性的结构信息是否一致,同时完成诊断装置中的控制作业,对结构相关性和信号谐波相关性分析,降维处理,分析可能机理,所述数据维护端(3)进行数据计算和匹配分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130556.7A CN109324598A (zh) | 2018-09-27 | 2018-09-27 | 一种强扰动状态下反馈控制下复合故障的诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811130556.7A CN109324598A (zh) | 2018-09-27 | 2018-09-27 | 一种强扰动状态下反馈控制下复合故障的诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109324598A true CN109324598A (zh) | 2019-02-12 |
Family
ID=65266059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811130556.7A Pending CN109324598A (zh) | 2018-09-27 | 2018-09-27 | 一种强扰动状态下反馈控制下复合故障的诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324598A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608333A (zh) * | 2017-09-05 | 2018-01-19 | 北京控制工程研究所 | 一种基于等效降阶的可诊断性评估方法 |
CN109932184A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 基于并集信度规则推理的船用柴油机异常磨损诊断方法 |
-
2018
- 2018-09-27 CN CN201811130556.7A patent/CN109324598A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608333A (zh) * | 2017-09-05 | 2018-01-19 | 北京控制工程研究所 | 一种基于等效降阶的可诊断性评估方法 |
CN107608333B (zh) * | 2017-09-05 | 2019-06-18 | 北京控制工程研究所 | 一种基于等效降阶的可诊断性评估方法 |
CN109932184A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 基于并集信度规则推理的船用柴油机异常磨损诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bayar et al. | Fault detection, diagnosis and recovery using Artificial Immune Systems: A review | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
Huang et al. | A fault analysis method for three-phase induction motors based on spiking neural P systems | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN109255523A (zh) | 基于kks编码规则和大数据架构的分析指标计算平台 | |
CN112487910A (zh) | 核电汽轮机系统故障预警方法及系统 | |
CN109324598A (zh) | 一种强扰动状态下反馈控制下复合故障的诊断方法及装置 | |
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 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN107656518A (zh) | 一种系统故障推理方法 | |
CN107169658A (zh) | 基于可信度的湿法冶金浓密机的故障诊断方法 | |
CN104142680A (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
Yang et al. | Research on knowledge graph and Bayesian network in fault diagnosis of steam turbine | |
Shui et al. | Review of fault diagnosis in control systems | |
Aikhuele et al. | Interval-valued intuitionistic fuzzy TOPSIS-based model for troubleshooting marine diesel engine auxiliary system | |
You et al. | Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery | |
CN109884469A (zh) | 配电网故障区段与故障时刻的判定方法 | |
Ali et al. | Cloud computing based unsupervised fault diagnosis system in the context of Industry 4.0 | |
Zhu et al. | A quantitative comprehensive safety evaluation method for centrifugal compressors using FMEA-fuzzy operations | |
Xing et al. | Streaming sensor data validation in networked infrastructure systems through synergic auto and cross similarity discovery and analysis | |
Wang et al. | Time series fragmental variation trend anomaly detection method based on a temporal sequential modeling approach | |
Luo | [Retracted] Robot Fault Detection Based on Big Data |
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: 20190212 |