CN109871000A - 一种数据驱动的闭环工业过程传感器故障诊断方法 - Google Patents

Abstract

本发明公开了一种数据驱动的闭环工业过程传感器故障诊断方法，具体涉及工业过程传感器故障监测技术领域。该诊断方法包括：采集闭环工业过程在正常工况运行时的测量数据作为训练数据，并建立该训练数据的慢特性分析模型；基于经验方式确定慢特性分析模型中每个故障检测指标的控制限；采集闭环工业过程实时工况下的测量数据作为测试数据；计算测试数据的故障检测指标，并与上述相应的控制限进行比较，对测试数据进行故障分析；若故障分析的结果为有故障发生，则对照故障检测指标所展示的模式指定相应的传感器故障类型，实现故障分类。本发明无需复杂工业过程的数学模型，并可以有效地处理闭环控制下工业过程传感器故障的检测和分类。

Description

一种数据驱动的闭环工业过程传感器故障诊断方法

技术领域

本发明涉及工业过程传感器故障监测技术领域，具体涉及一种数据驱动的闭环工业过程传感器故障诊断方法。

背景技术

现代工业过程规模庞大、结构复杂，一旦过程出现异常便可能造成巨大的经济损失，甚至危及人身安全。过程监控和故障诊断技术可以有效地提高系统可靠性、设备可维护性以及降低事故风险，已成为当前学术界和工业界的研究热点之一。在故障诊断领域，基于模型的故障诊断技术发展较为成熟，而数据驱动的过程监控与故障诊断技术在近年来却得到了迅速发展。主要有如下两点原因：一方面，当前复杂工业过程的机理模型通常难以获得，或者需要付出大量的人力和物力，且得到的模型精度没有严格保证；另一方面，随着传感器技术的不断提高以及分布式控制系统DCS的广泛使用，工业过程运行中可以获得大量的测量数据。这些测量数据包含有工业过程运行状况的重要信息，对于实时监控与诊断具有重要意义。

此外，为了实现被控系统的稳定以及确保产品质量，闭环控制通常被广泛应用于工业过程之中。对闭环工业过程而言，处于闭环控制中的传感器具有重要地位，其正常与否直接影响着闭环控制系统的性能。例如，当闭环中的测量传感器发生故障，由于反馈控制的调节作用，会使得传感器的输出仍然在设定值附近波动。事实上，由于传感器测量存在异常，此时实际的被监测量已经偏离了设定值，系统处于异常状态。换言之，闭环系统对于传感器故障并不具备容错能力。因此，对闭环控制系统的传感器故障进行及时诊断非常重要。当前一些主流的数据驱动方法主要关心数据特性，而很少涉及闭环控制下的故障诊断工作。因此，亟需一种新的故障诊断方法及其相应的监测系统实现对闭环工业过程传感器故障的检测和分类。

发明内容

本发明的目的是针对闭环控制系统的传感器故障类型，提出了一种通过分析闭环控制对传感器故障的影响，对慢特性分析方法进行改进，以实现闭环工业过程几类传感器故障的检测和分离的数据驱动的闭环工业过程传感器故障诊断方法。

本发明具体采用如下技术方案：

一种数据驱动的闭环工业过程传感器故障诊断方法，包括：

步骤一，采集闭环工业过程在正常工况运行时的一段测量数据作为训练数据集，并建立该训练数据集的慢特性分析模型；

步骤二，基于经验方式确定慢特性分析模型中每个故障检测指标的控制限；

步骤三，采集闭环工业过程实时工况下的测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

步骤四，计算测试数据的故障检测指标，并与步骤二中相对应的控制限进行比较，对所述测试数据进行故障分析；

步骤五，若步骤四中故障分析的结果为有故障发生，则对照故障检测指标所展示的模式指定相应的传感器故障类型，实现故障分类。

优选地，所述步骤一中，工业过程的测量数据不仅包含传感器测量数据，还包含闭环控制器的输出值以及执行器取值；选择式(1)和式(2)所示的两个指标作为所建立的慢特性分析模型的故障检测指标：

T²＝s^Ts (1)

其中，s表示通过建立慢特性分析模型而得到的慢特性向量，表示慢特性向量关于时间的一阶导数，离散情形可用一阶差分代替；慢特性向量s的计算方式为s＝W^Tx，其中x为原始测量去均值后的样本，矩阵参数W可以通过慢特性分析模型算法求解得到；故障检测指标S²中的矩阵Ω为对角阵，每个非零对角元素由小到大按照升序排列，也通过慢特性分析模型算法求解得到。

优选地，所述步骤二具体为：

采用式(3)和式(4)分别计算得到故障检测指标T²和S²的控制限和

其中，α代表显著性水平，通常取值0.01；针对一组独立于步骤一所述训练数据集且不包含故障的测试数据集。

优选地，所述步骤四具体为：首先实时获得在线的测试样本，并将该样本均值归零化，之后将其记为x_t；将x_t代入式(1)和(2)中，并记测试样本的故障检测指标分别为T_t ²和根据式(5)和式(6)判断测试样本中是否有故障发生

如果两个逻辑判断条件有至少一个满足，就认为测试样本中包含有故障；如果两个逻辑判断条件均不满足，则认为测试样本正常。

优选地，所述步骤五具体为：

若步骤四中故障分析的结果为有故障发生，则根据如下逻辑确定传感器故障的类型：

若发生故障后，T²指标呈现阶跃变化的趋势，而S²指标保持正常，则判定传感器发生了偏差故障类型；

若发生故障后，T²指标呈现逐渐增大的趋势，而S²指标保持正常，则判定传感器发生了漂移故障类型；

若发生故障后，T²指标呈现故障，且S²指标也呈现故障，二者均会发生超出控制限的情况，则判定传感器发生了精度下降故障类型。

本发明具有如下有益效果：

闭环工业过程传感器故障诊断方法利用过程正常工况下数据进行建模，无需工业过程精确的数学模型，也无需工业过程故障工况下的数据，便于实际应用；同时实现了工业过程闭环控制下传感器故障检测和故障分类。

附图说明

图1为数据驱动的闭环工业过程传感器故障诊断方法流程示意图；

图2为该故障诊断方法的离线建模过程的流程示意图；

图3为该故障诊断方法的在线诊断过程的流程示意图；

图4为该故障诊断方法考虑的三类传感器故障的故障函数示意图；

图5为针对闭环传感器偏差故障的故障检测结果示意图；

图6为针对闭环传感器漂移故障的故障检测结果示意图；

图7为针对闭环传感器精度下降故障的故障检测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

如图1所示，一种数据驱动的闭环工业过程传感器故障诊断方法，包括：

步骤一(S110)，采集闭环工业过程在正常工况运行时的一段测量数据作为训练数据集，并建立该训练数据集的慢特性分析模型；

步骤一中，工业过程的测量数据不仅包含传感器测量数据，还包含闭环控制器的输出值以及执行器取值；选择式(1)和式(2)所示的两个指标作为所建立的慢特性分析模型的故障检测指标：

T²＝s^Ts (1)

其中，s表示通过建立慢特性分析模型而得到的慢特性向量，表示慢特性向量关于时间的一阶导数，离散情形可用一阶差分代替；慢特性向量s的计算方式为s＝W^Tx，其中x为原始测量去均值后的样本，矩阵参数W可以通过慢特性分析模型算法求解得到；故障检测指标S²中的矩阵Ω为对角阵，每个非零对角元素由小到大按照升序排列，也通过慢特性分析模型算法求解得到。

步骤二(S120)，基于经验方式确定慢特性分析模型中每个故障检测指标的控制限；

步骤二具体为：

采用式(3)和式(4)分别计算得到故障检测指标T²和S²的控制限和

其中，α代表显著性水平，通常取值0.01；针对一组独立于步骤一所述训练数据集且不包含故障的测试数据集。

步骤三(S130)，采集闭环工业过程实时工况下的测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

步骤四(S140)，计算测试数据的故障检测指标，并与步骤二中相对应的控制限进行比较，对所述测试数据进行故障分析；

步骤四具体为：首先实时获得在线的测试样本，并将该样本均值归零化，之后将其记为x_t；将x_t代入式(1)和(2)中，并记测试样本的故障检测指标分别为T_t ²和根据式(5)和式(6)判断测试样本中是否有故障发生

如果两个逻辑判断条件有至少一个满足，就认为测试样本中包含有故障；如果两个逻辑判断条件均不满足，则认为测试样本正常。

步骤五(S150)，若步骤四中故障分析的结果为有故障发生，则对照故障检测指标所展示的模式指定相应的传感器故障类型，实现故障分类。

步骤五具体为：若步骤四中故障分析的结果为有故障发生，则根据如下逻辑确定传感器故障的类型：

若发生故障后，T²指标呈现阶跃变化的趋势，而S²指标保持正常，则判定传感器发生了偏差故障类型；

若发生故障后，T²指标呈现逐渐增大的趋势，而S²指标保持正常，则判定传感器发生了漂移故障类型；

若发生故障后，T²指标呈现故障，且S²指标也呈现故障，二者均会发生超出控制限的情况，则判定传感器发生了精度下降故障类型。

如图2所示，为离线建模过程的详细步骤流程示意图

(1)步骤S210，采集闭环工业过程在正常工况运行时的两组独立测量数据分别作为训练数据集和校验数据集，并对数据集进行均值归零化。具体地，将采集得到的训练数据存储为二维的数据矩阵校验数据存储为二维的数据矩阵其中每行代表一个样本，每列代表一个测量变量。值得注意的是，测量变量不仅包含传感器测量数据，如果可以获得的话，还包含闭环控制器的输出值以及执行器取值。将进行均值归零化处理，记标准化处理后的数据矩阵为X₁；类似地，利用每一列的均值对数据矩阵进行均值归零化，记处理后的数据矩阵为X₂。

(2)步骤S220，对标准化处理后的训练数据集运行慢特性分析算法，获得慢特性分析模型的参数。具体地，针对数据矩阵X₁实行慢特性分析SFA算法，该算法包含两次奇异值分解(singular value decomposition,SVD)，通过针对求解X₁求解SFA算法，主要为了获得两个参数，一是测量样本到慢特性样本之间的传递矩阵W，另一个是第二次SVD分解得到的对角特征值矩阵Ω。这两个矩阵参数在后续步骤中均会用到。

(3)步骤S230，基于慢特性分析模型的参数，计算校验数据集中每个样本的故障检测指标。具体地，需要计算校验数据集X₂每个样本(每个行向量的转置)的故障检测指标。方便起见，记X₂中任意一个样本为x₂，按照下面两个式子计算该样本的故障检测指标：T²＝s^Ts和其中慢特性向量s的计算方式为s＝W^Tx₂，W和Ω已由步骤S220求解得到。

(4)步骤S240，给定显著性水平，基于经验方式确定慢特性分析模型中故障检测指标的控制限。具体地，首先给定一个显著性水平α，例如0.01。按照如下计算方式分别得到故障检测指标T²和S²的控制限和

以第一个等式为例进行解释，第二个等式具有类似的含义：针对上述步骤S230得到的所有校验样本的T²检测指标，Pr(T²＞cl)＝α的含义即为，指定这样一个控制限cl，使得所有校验样本的T²统计量大于该值的比例为α。

如图3所示为本发明实施例的在线诊断过程的详细步骤流程示意图，具体实现步骤如下所述。

(1)步骤S310，采集闭环工业过程实时工况下的测量数据作为测试数据，其中的测量变量与离线建模过程步骤S210中训练数据集中的测量变量相对应。记测试数据为

(2)步骤S320，利用离线建模过程中训练数据的变量均值对测试数据进行标准化处理。具体地，根据离线建模过程步骤S210中训练数据集中m个变量的均值对测试数据进行标准化处理，即将中的每个元素值减去相应的均值，记标准化后的测试数据为x_t。

(3)步骤S330，计算标准化后测试数据的故障检测指标，并与离线建模过程中获得的相应控制限进行比较，对测试数据进行故障分析。具体地，首先将步骤S320中测试数据x_t代入到两个故障检测指标的计算公式中，如下式所示：

T_t ²＝s^Ts (7)

其中慢特性向量s的计算方式为s＝W^Tx_t，W和Ω已由离线建模过程步骤S220求解得到。然后，根据下面两个公式判断测试样本中是否有故障发生：

其中和已有离线建模过程步骤S240得到。如果两个逻辑判断条件有至少一个满足，就认为测试样本中包含有故障；若两个逻辑判断条件均不满足，则认为测试样本正常。

(4)步骤S340，若故障分析的结果为有故障发生，则对照故障检测指标所展示的模式指定相应的传感器故障类型，从而实现故障分类。具体地，若步骤S330中故障分析的结果为有故障发生，则根据如下逻辑确定传感器故障的类型：

若发生故障后，T_t ²指标呈现阶跃变化的趋势，而指标保持正常(或者只有极个别点超出控制限，比如故障发生和消失时刻，以及个别误报)，则判定传感器发生了偏差故障类型；

若发生故障后，T_t ²指标呈现逐渐增大的趋势，而指标保持正常，则判定传感器发生了漂移故障类型；

若发生故障后，T_t ²指标呈现故障，且指标也呈现故障，二者均会发生时不时超出控制限的情况，则判定传感器发生了精度下降故障类型。

以下借助Matlab工具，针对化工过程常用的仿真验证平台，即连续搅拌釜式反应器(continuous stirred tank reactor,CSTR)案例对本发明进行说明，结合附图展示本发明的效果。

(1)产生训练数据集和校验数据集，并对两组数据集都进行均值归零化。

本示例采用的CSTR仿真模型。在无故障情形，CSTR运行至稳态阶段分别采集两组独立的数据集，分别为训练数据集和校验数据集，每组数据集均包含2000个样本。测量变量既包含两个传感器输出C_A和T，分别代表反应物浓度和反应温度，也包含控制器输出值T_c和q，分别代表冷水温度和进料速率。记训练数据矩阵为校验数据矩阵为其中N₁＝N₂＝2000，m＝4。将进行均值归零化处理，记标准化处理后的数据矩阵为X₁；类似地，利用每一列的均值对数据矩阵进行均值归零化，记处理后的数据矩阵为X₂。

(2)基于训练数据X₁，实施SFA算法。通过SFA算法求解，可以得到两个重要的矩阵参数，一是测量样本到慢特性样本之间的传递矩阵W，另一个是对角特征值矩阵Ω。

在本示例中，测量样本的维数为4，因此矩阵W和Ω均为4维方阵，其中Ω对角元素由小到大排列。

(3)计算标准化处理后校验数据集X₂中每个样本的故障检测统计量。

基于上述SFA模型获得的参数W和Ω，按照下式计算X₂中每个样本(每个行向量)的故障检测指标：T²＝s^Ts，其中s的计算方式为s＝W^Tx₂，x₂代表X₂中任意一个样本(行向量的转置)。在本示例中，通过计算可以得到2000个T²统计量和2000个S²统计量。

(4)确定故障检测指标T²和S²的控制限。

基于表达式(3)和(4)确定SFA模型中故障检测指标的控制限。在本示例中，显著性水平α取值为0.01，也就是说控制限的取值需要使得所有校验样本的统计量中有99％的统计量低于该值。因此，以如何确定为例进行说明，可以将2000个校验样本的统计量按照升序排列，将第2000*99％＝1980个统计量的值定为同理，也可以以同样方式确定出

(5)采集闭环工业过程实时工况下的测量数据作为测试数据，并对测试数据进行标准化处理。

值得注意的是，测试数据的测量变量与本示例步骤(1)中训练数据集中的测量变量相对应，也是总共包含有4个测量，分别为C_A、T、T_c和q。记测试数据为接下来，根据训练数据集中4个变量的均值对测试数据进行标准化处理，即将中的每个元素值减去相应的均值，记标准化后的测试数据为x_t。

(6)计算测试数据的故障检测指标，判断有无故障发生。

首先，图4展示了本发明所考虑的三种传感器故障类型(偏差、漂移、精度下降)中故障函数的表现形式。其中t_f代表发生故障的时刻，在该时刻之前，故障函数取值为零，即无故障发生；在该时刻之后，偏差故障对应的故障函数为一个恒值阶跃函数，漂移故障对应的故障函数为一个固定斜率的直线函数(本示例中考虑了限幅，即幅值到一定值之后保持恒定)，精度下降故障对应的故障函数类似于白噪声。

对于每一个测试样本x_t，根据表达式(7)和(8)计算其故障检测指标，并基于表达式(5)和(6)判断是否有故障发生。

具体地，在本示例中，我们分别产生了三组测试数据集，并分别在传感器T上施加了偏差、漂移和精度下降故障，每组测试数据集的样本数均为2000，其中故障施加时刻是第601个样本，至第1600个样本故障消失。

图5、图6和图7分别展示了针对第一组、第二组和第三组测试数据集的故障检测结果，通过分析三幅图可以看出：针对图5，T²指标在第600个样本之后超出控制限，一直到第1600样本之后才恢复正常；针对图6，T²指标在第800个样本之后超出控制限，一直到第1600样本之后才恢复正常；针对图7，T²和S²指标在第600个样本和第1600个样本之间，均时而超出控制限，处于报警状态。因此，根据故障判断逻辑(5)和(6)，可以得到结论，这三组测试数据集均包含有传感器故障。只是，由于漂移故障一开始幅值较小，经过一段时延之后才有效地检测到故障的发生。

(6)故障检测之后的故障分类。

上一步故障分析的结果为三组测试数据均有故障发生，下一步则需要对照故障检测指标所展示的模式指定相应的传感器故障类型，从而实现故障分类。具体判断逻辑如下：

若发生故障后，T_t ²指标呈现阶跃变化的趋势，而指标保持正常(或者只有极个别点超出控制限，比如故障发生和消失时刻，以及个别误报)，则判定传感器发生了偏差故障类型；

若发生故障后，T_t ²指标呈现逐渐增大的趋势，而指标保持正常，则判定传感器发生了漂移故障类型；

若发生故障后，T_t ²指标呈现故障，且指标也呈现故障，二者均会发生时不时超出控制限的情况，则判定传感器发生了精度下降故障类型。

基于上述准则，可以看出，在本示例中，图5、图6和图7分别对应于传感器偏差、漂移和精度下降故障，与实际结论相符。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种数据驱动的闭环工业过程传感器故障诊断方法，其特征在于，包括：

步骤一，采集闭环工业过程在正常工况运行时的一段测量数据作为训练数据集，并建立该训练数据集的慢特性分析模型；

步骤二，基于经验方式确定慢特性分析模型中每个故障检测指标的控制限；

步骤三，采集闭环工业过程实时工况下的测量数据作为测试数据，测试数据中的测量变量与步骤一中训练数据集的测量变量相对应；

步骤四，计算测试数据的故障检测指标，并与步骤二中相对应的控制限进行比较，对所述测试数据进行故障分析；

步骤五，若步骤四中故障分析的结果为有故障发生，则对照故障检测指标所展示的模式指定相应的传感器故障类型，实现故障分类。

2.如权利要求1所述的一种数据驱动的闭环工业过程传感器故障诊断方法，其特征在于，所述步骤一中，工业过程的测量数据不仅包含传感器测量数据，还包含闭环控制器的输出值以及执行器取值；选择式(1)和式(2)所示的两个指标作为所建立的慢特性分析模型的故障检测指标：

T²＝s^Ts (1)

其中，s表示通过建立慢特性分析模型而得到的慢特性向量，表示慢特性向量关于时间的一阶导数，离散情形可用一阶差分代替；慢特性向量s的计算方式为s＝W^Tx，其中x为原始测量去均值后的样本，矩阵参数W可以通过慢特性分析模型算法求解得到；故障检测指标S²中的矩阵Ω为对角阵，每个非零对角元素由小到大按照升序排列，也通过慢特性分析模型算法求解得到。

3.如权利要求1所述的一种数据驱动的闭环工业过程传感器故障诊断方法，其特征在于，所述步骤二具体为：

采用式(3)和式(4)分别计算得到故障检测指标T²和S²的控制限和

其中，α代表显著性水平，通常取值0.01；针对一组独立于步骤一所述训练数据集且不包含故障的测试数据集。

4.如权利要求1所述的一种数据驱动的闭环工业过程传感器故障诊断方法，其特征在于，所述步骤四具体为：首先实时获得在线的测试样本，并将该样本均值归零化，之后将其记为x_t；将x_t代入式(1)和(2)中，并记测试样本的故障检测指标分别为T_t ²和根据式(5)和式(6)判断测试样本中是否有故障发生

如果两个逻辑判断条件有至少一个满足，就认为测试样本中包含有故障；如果两个逻辑判断条件均不满足，则认为测试样本正常。

5.如权利要求1所述的一种数据驱动的闭环工业过程传感器故障诊断方法，其特征在于，所述步骤五具体为：

若步骤四中故障分析的结果为有故障发生，则根据如下逻辑确定传感器故障的类型：

若发生故障后，T²指标呈现阶跃变化的趋势，而S²指标保持正常，则判定传感器发生了偏差故障类型；

若发生故障后，T²指标呈现逐渐增大的趋势，而S²指标保持正常，则判定传感器发生了漂移故障类型；

若发生故障后，T²指标呈现故障，且S²指标也呈现故障，二者均会发生超出控制限的情况，则判定传感器发生了精度下降故障类型。